Professional Documents
Culture Documents
Escola Politcnica
Autor: ____________________________________
Reginaldo do Carmo Roque
Orientador: ____________________________________
Prof. Flvio Lus de Mello, D.Sc.
Examinador: ____________________________________
Examinador: ____________________________________
DEL
Fevereiro de 2009
-1-
DEDICATRIA
Dedico este trabalho a todas as pessoas que no puderam ter acesso a um ensino
de qualidade neste pas de excluso, de modo que por mrito tivessem acesso a
Universidade.
-2-
AGRADECIMENTOS
A Deus, por ter me dado fora e sabedoria para buscar o meu caminho.
A minha famlia, pelo grande esforo para que eu tivesse uma educao de
qualidade, em especial ao meu irmo Reinaldo pela abertura de portas, pela inspirao e
pelo suporte sempre que precisei.
A minha cunhada Bianca Ramos, pela fora no incio desta caminhada e
novamente no final da mesma.
famlia que me dei: Naiara, Leonardo e Patrick, pela inspirao, pelas alegrias
e por fazerem de mim um ser humano muito melhor.
Aos meus grandes amigos Diego Braga, Leandro Vieira, Junior Nogueira e Luiz
Henrique Bensin, por serem meus amigos, na concepo mxima que este termo pode
ter.
Aos outros amigos que fiz durante o curso pr-vestibular e que tanto me
ajudaram para que eu chegasse a este momento, incluindo professores e colegas de
turma.
Mariana, por ser tudo o que .
Dyamilla, pela amizade genuna e verdadeira, apesar da distncia.
Marcela Trindade, minha primeira chefe, pela delicadeza e pelo incentivo
constante.
Aos amigos e colegas do curso de Engenharia, que compartilharam comigo as
alegrias e as tristezas deste perodo, representados aqui por: Suzana Cndida, Roberto
Ildio, Luiz Felipe Aquino, Luiz Henrique Pereira, Augusto Proena, Gustavo Pereira,
Gustavo Bergter, Luiz Carlos Monteso, Cludio Rogel, Diogo Barros, Diogo Profeta,
Felipe Santana, Pedro Salazar, Rafael Rosa, Melk, Rafael Costa, Jonathan Pinto, Rafael
Amaro, Paulo Csar da Costa, Rodrigo Brito, Leonardo Cidade, Thiago Arakaki, Marcos
Magalhes, Rodrigo Semeghini.
Ao Allan Dieguez pela amizade, pacincia e fundamental ajuda no
desenvolvimento deste trabalho.
Ao Professor Flvio Mello, por acreditar na minha capacidade de realizar este
projeto.
E aos amigos que a vida e a violncia me tiraram o prazer de suas companhias.
-3-
Com trabalho, inteligncia e economia s
pobre quem no quer ser rico.
Marqus de Maric
-4-
RESUMO
-5-
ABSTRACT
This study presents an attempt to forecast the BOVESPA index. In this way a
prediction model was developed using Neural Networks in order to model the study
periods. At end an analisys of the obtained results was developed regarding its
prediction capacity.
-6-
SUMRIO
Sumrio............................................................................................................................7
SIGLAS...........................................................................................................................11
GLOSSRIO.................................................................................................................. 13
Lista de Tabelas..............................................................................................................15
1 Introduo................................................................................................................ 18
1.1 Tema............................................................................................................................. 18
1.2 Delimitao.................................................................................................................. 18
1.3 Justificativa.................................................................................................................. 18
1.4 Objetivos...................................................................................................................... 19
1.5 Metodologia................................................................................................................. 20
1.6 Descrio...................................................................................................................... 20
2 Fundamentos do mercado financeiro.....................................................................21
2.1 Eficincia de mercado................................................................................................. 21
2.1.1 Formas de eficincia de mercado...........................................................................................22
2.1.2 Testes de eficincia de mercado.............................................................................................23
2.1.2.1 Casos especiais...............................................................................................................24
2.1.2.1.1. Efeito fim-de-semana.............................................................................................24
2.1.2.1.2 Efeito Janeiro..........................................................................................................24
2.1.2.1.3 Splits.......................................................................................................................25
2.2 Mtodos analticos na previso do retorno de aes................................................. 26
2.2.1 Anlise Tcnica......................................................................................................................26
2.2.1.1 Indicadores......................................................................................................................27
2.2.1.1.1 Mdias Mveis........................................................................................................27
2.2.1.1.2 Volume....................................................................................................................28
2.2.1.1.3 Tendncias..............................................................................................................28
2.2.1.1.4 Momento.................................................................................................................28
2.2.1.2 Teoria de Dow................................................................................................................29
2.2.2 Anlise Fundamentalista........................................................................................................ 32
2.2.3 Sries Temporais ...................................................................................................................33
2.2.3.1 Modelos de Box-Jenkins................................................................................................ 34
2.2.3.2 Modelos neurais de previso.......................................................................................... 35
2.2.4 Teoria do Caos........................................................................................................................35
2.2.5 Outras tcnicas computacionais............................................................................................. 36
2.3 previso do retorno de NDICES DE aes............................................................... 37
2.3.1 Previso do nvel e de direo utilizando redes neurais ........................................................39
2.4 o IBOVESPA............................................................................................................... 40
2.4.1 Metodologia do clculo..........................................................................................................41
2.4.1.1 Participao da ao na carteira terica..........................................................................41
2.4.1.2 Apurao do ndice.........................................................................................................42
2.4.1.3 Alterao da quantidade terica em funo de proventos..............................................43
2.4.1.4 Clculo do Preo Ex-Terico ......................................................................................43
3 As Redes Neurais Artificiais.................................................................................... 45
3.1 Introduo.................................................................................................................... 45
-7-
3.2 O que uma rede neural?........................................................................................... 46
3.3 Crebro humano.......................................................................................................... 47
3.4 Modelos de neurnios.................................................................................................. 49
3.4.1 Modelo de McCulloch-Pitts................................................................................................... 49
3.4.2 Funes de Ativao.............................................................................................................. 51
3.5 O processo de aprendizado......................................................................................... 52
3.5.1 Paradigmas de aprendizado....................................................................................................53
3.5.1.1 Aprendizado supervisionado.......................................................................................... 53
3.5.1.2 Aprendizado no-supervisionado...................................................................................54
3.5.1.3 Aprendizado por reforo.................................................................................................55
3.5.2 Regras de aprendizado............................................................................................................56
3.5.2.1 Regra Delta ou Correo de Erros..................................................................................56
3.5.2.2 Aprendizado Hebbiano...................................................................................................56
3.5.2.3 Aprendizado competitivo............................................................................................... 58
3.6 Algumas Arquiteturas de RNAs................................................................................. 59
3.6.1 Perceptron de camada nica...................................................................................................60
3.6.2 Perceptron Multicamadas.......................................................................................................61
3.6.2.1 Definio de uma topologia ideal para uma rede multicamadas....................................63
3.6.2.2 Treinamento de redes multicamadas.............................................................................. 64
3.6.2.2.1 Back-propagation....................................................................................................64
3.7 Redes Neurais temporais............................................................................................ 65
3.7.1 redes recorrentes.....................................................................................................................66
3.7.1.1 Rede Jordan.................................................................................................................... 67
3.7.1.2 Rede Elman.....................................................................................................................68
3.7.2 Redes com atraso no tempo....................................................................................................68
4 Metodologia..............................................................................................................70
4.1 Introduo ................................................................................................................... 70
4.2 Dados de entrada e sada............................................................................................ 70
4.2.1 Obtendo os dados da srie histrica.......................................................................................70
4.2.2 Variveis de entrada da RN...................................................................................................71
4.2.3 Pr-processamento das Variveis de entrada da RN..............................................................73
4.2.4 Varivel de sada da RN.........................................................................................................74
4.3 A rede neural............................................................................................................... 74
4.3.2 Arquitetura da Rede................................................................................................................74
4.3.3 INICIALIZAO DA REDE................................................................................................78
4.3.4 Treinamento, Validao e teste..............................................................................................79
4. 4 Mtricas para analise dos resultados........................................................................ 81
4.4.1 Clculo da taxa de acerto de direo......................................................................................81
5.1 INTRODUO........................................................................................................... 84
5.1 rede neural com configurao no satisfatria......................................................... 84
5.2 Resultados da Rede neural com configurao satisfatria ...................................... 91
5.2.1 taxa acerto de direo e percentual de acurcia da sada do sistema..................................... 95
5.2.1.2 Taxa de acerto de direo...............................................................................................96
[1] ARMANO, G.; MARCHESI, M.; MURRU, A. A hybrid genetic-neural
architecture for stock indexes forecasting. Information Sciences. v. 170, p. 3-33,
2005. .............................................................................................................................100
[2] HAUGEN, R. A. Modern Investment Theory. Upper Saddle River, New Jersey:
Prentice Hall, 1997. .....................................................................................................100
-8-
[3] JENSEN, M. C. Some anomalous evidence regarding market efficience. Journal
of Financial Economics. v. 6, p. 95-101, 1978. ..........................................................100
[4] FAMA, E. F. Efficient capital markets; a review of theory and empirical work.
Journal of Finance. 1970............................................................................................100
[5] DISORNTETIWAT, P. Global stock index forecasting using multiple generalized
regression neural networks with a gating network. PhD Thesis, University of
Missouri-Rolla, 2001. ..................................................................................................100
[6] COSTA JR, N. C. A. Sazonalidades do IBOVEPA. Revista de Administrao de
Empresas, 1990. ...........................................................................................................100
[7] Desai, H., Jain, P. Long-run common stock returns following splits and reverse
splits. Journal of Business, 1997................................................................................. 100
[8] DAVIDSSON, Marcus. Stock Market Anomalies - A Literature Review and
Estimation of Calendar affects on the S&P 500 index., 2006.................................... 100
[9] LEITE, J. C. Splits: ineficincia no mercado de aes. Revista de Administrao
de Empresas, 1994. ......................................................................................................100
[10] NORONHA, Mrcio. Anlise Tcnica, 2005.......................................................100
[11] DORFFNER, G. Neural Networks for Time Series Processing, Neural Network
World, 1996...................................................................................................................100
[12] Box, Jenkins G. E. Box & G. M. Jenkins, Time Series Analysis: Forecasting and
Control, Holden-Day, San Francisco, CA, 1970.........................................................100
[13] PRUDNCIO, Ricardo Bastos Cavalcante. Projeto hbrido de redes neurais.
Universidade Federal de Pernambuco, 2002.............................................................. 100
[14] Portal Capes. Site: www.portalcapes.com.br.......................................................100
[15] SOUTO-MAIOR, Csar Duarte. Previso da direo de movimento de ndices de
aes usando um sistema fuzzy. 2007..........................................................................100
[16] TEIXEIRA, J. C.; RODRIGUES, A. J. An applied study on recursive estimation
methods, neural networks and forecasting. European Journal of Operational
Research., 1997.............................................................................................................101
[17] GENAY, R. The predictability of security returns with simple technical trading
rules. Journal of Empirical Finance, 1998.................................................................101
[18] YU, S. Forecasting and arbitrage of the Nikkei stock index futures: an
application of backpropagation networks. Asia-Pacific Financial Markets, 1999.. .101
[19] PANDA, C.; NARASIMHAN, V. Predicting stock returns: an experiment of the
artificial neural network in Indian stock market. South Asia Economic Journal,
2006...............................................................................................................................101
[20] GOMES, F.C. Os modelos ARIMA e a abordagem de Box-Jenkins: uma
aplicao na previso do IBOVEPA a curtssimo prazo. Revista de Administrao de
Empresas, 1989.............................................................................................................101
[21] RIBEIRO, T. S.; SILVA, A. L. C. Do artificial neural networks provide better
forecasts? Evidence from latin american stock indexes. In: XXIX Enampad, 2005,
Braslia..........................................................................................................................101
-9-
[22] GRUDNITSKI, G.; OSBURN, L. Forecasting S&P and gold futures prices: an
application of neural networks. Journal of Futures Markets, 1993. ........................ 101
[23] FERNNDEZ-RODRGUEZ, F.; GONZLEZ-MARTEL, C.; SOSVILLA-
RIVERO, S. On the profitability of technical trading rules based on artificial neural
networks: evidence from the Madrid stock market. Economics Letters, 2000...........101
[24] HAYKIN, Simmon Neural Networks A comprehensive foundation. 2nd
Edition, 2005.................................................................................................................101
[25] W.S. McCulloch and W. Pitts. A Logical Calculus of the Ideas Immanent in
Nervous Activity. Bulletin of Mathematical Biophysics, 1943................................... 101
[26] D.O. Hebb's,. The Organization of Behavior. New York, Wiley, 1949...............101
[27] ROSENBLATT, F. (1959). Principles of Neurodynamics. New York: Spartan
Books, 1959...................................................................................................................101
[28] JONES, Edward R. An Introduction to Neural Networks - A White Paper. 2004
.......................................................................................................................................101
[29] G. Cybenko. Approximation by Superpositons of a Sigmoid Function.
Mathematics of Control, Signals and Systems. 1989..................................................101
[30] G. Cybenko. Continuos Valued Neural Network with two Hidden Layers are
Sufficient. Technical Report, Departament of Computer Science, Tufts University,
1988...............................................................................................................................101
[31] HOPFIELD, J. Neural Networks and Physical Systems with Emergent
Collectives Computational Abilities. Proceedings of the National Academy of
Sciences , 1982..............................................................................................................101
[32] JORDAN, M. I. Attractor dynamics and parallelism in a connectionist sequential
machine. In Proceedings of the Eighth Annual Conference of the Cognitive Science
Society, 1986.................................................................................................................102
[33] JORDAN, M. I. Serial OPrder: A Parallel Distributed Processing Approach, San
Diego, La Jolla, CA: Institute for Cognitive Science, University of Califrnia, 1986.
.......................................................................................................................................102
[34] FAUSETT, L. Fundamentals of Neural Networks Architecture, Algorithms,
and Applications. [S.l.]: Prentice Hall International, Inc., 1994...............................102
[35] MELLO, Marlia Terra de. Aplicao de redes neurais no processo de
precificao de aes. Universidade Estadual de Pelotas, 2004.................................102
[36] ZANNETI Jr. Luiz Antonio e ALMEIDA. Fernando C. - Explorao do uso de
redes neurais na previsao do comportamento de ativos financeiros. Faculdade de
Economia Administrao e Contabilidade USP. 1998............................................ 102
[38] LAWRENCE, Ramon. Using Neural Networks to Forecast Stock Market Prices.
University of Manitoba. 1997.......................................................................................102
[39] http://finance.yahoo.com......................................................................................102
- 10 -
SIGLAS
IA Inteligncia Artificial
MA Moving Average
- 11 -
SIMEX Singapore International Monetary Exchange
- 12 -
GLOSSRIO
- 13 -
LISTA DE FIGURAS
- 14 -
Fonte: Haykin [24], Extrado........................................................................................ 69
Figura 4.1 Parte da planilha gerada pelo script e utilizada na entrada da RN........71
Figura 4.2 Grfico das variveis de entrada da RN.................................................. 72
Figura 4.3 Grfico da varivel Fechamento..............................................................73
, ...........................................................................................75
Figura 4.4 Grfico da funo tan-sigmoid.................................................................75
Fonte: Matlab, documentao.......................................................................................75
.........................................................................................................................................76
Figura 4.5 Grfico da funo purelin........................................................................ 76
Fonte: Matlab, documentao.......................................................................................76
Tabela 5.1 Parmetros de configurao do 1o conjunto de redes desenvolvido......85
Tabela 5.2 Caractersticas da melhor rede.................................................................85
Figura 5.1 Grfico de sada da rede cujo resultado no foi satisfatrio...................90
Tabela 5.3 Parmetros de configurao do 2 conjunto de RNs...............................91
Tabela 5.4 Caractersticas da melhor rede.................................................................92
Figura 5.2 Grfico de sada da melhor rede.............................................................. 93
Figura 5.3 Grfico de sada da melhor rede com range de 150 dias........................94
Figura 5.4 Grfico do percentual de acurcia da sada do sistema..........................96
Figura 5.5 Grfico do percentual de acertos/erros da tendncia..............................97
LISTA DE TABELAS
- 15 -
Fonte: Souto-Maior [15]. Adaptado..............................................................................38
Figura 3.1 Diagrama de blocos da representao do sistema nervoso..................... 47
Fonte: Haykin[24], pg 28. Adaptado........................................................................... 47
Figura 3.2 Componentes de um Neurnio Biolgico................................................48
Fonte: Haykin [24]. pg. 30. Adaptado........................................................................ 48
Figura 3.3 Neurnio de McCulloch-Pitts...................................................................50
Figura 3.4 Algumas funes de ativao...................................................................51
Figura 3.5 Aprendizado Supervisionado....................................................................54
Figura 3.6 Aprendizado No Supervisionado............................................................55
.........................................................................................................................................55
Figura 3.7 Diagrama de blocos de Aprendizado por Reforo...................................55
Fonte: Haykin[24]. Adaptado........................................................................................ 55
Figura 3.9 Rede MLP com camada intermediria.................................................... 62
Fonte: Haykin [24], Extrado........................................................................................ 62
Figura 3.10 Treinamento do algoritmo back-propagation........................................65
Figura 3.11: Exemplo de rede recorrente sem loop e sem camada escondida............66
Fonte: Haykin [24], Extrado........................................................................................ 67
Figura 3.12 Exemplo de Rede Jordan........................................................................67
Fonte: Krose, Smargt [34], Extrado............................................................................. 67
Figura 3.13 Rede Elman.............................................................................................68
Fonte: Krose, Smargt [34], Extrado............................................................................. 68
.........................................................................................................................................69
Figura 3.14 Rede TLFN..............................................................................................69
Fonte: Haykin [24], Extrado........................................................................................ 69
Figura 4.1 Parte da planilha gerada pelo script e utilizada na entrada da RN........71
Figura 4.2 Grfico das variveis de entrada da RN.................................................. 72
Figura 4.3 Grfico da varivel Fechamento..............................................................73
, ...........................................................................................75
Figura 4.4 Grfico da funo tan-sigmoid.................................................................75
Fonte: Matlab, documentao.......................................................................................75
.........................................................................................................................................76
Figura 4.5 Grfico da funo purelin........................................................................ 76
Fonte: Matlab, documentao.......................................................................................76
Tabela 5.1 Parmetros de configurao do 1o conjunto de redes desenvolvido......85
Tabela 5.2 Caractersticas da melhor rede.................................................................85
- 16 -
Figura 5.1 Grfico de sada da rede cujo resultado no foi satisfatrio...................90
Tabela 5.3 Parmetros de configurao do 2 conjunto de RNs...............................91
Tabela 5.4 Caractersticas da melhor rede.................................................................92
Figura 5.2 Grfico de sada da melhor rede.............................................................. 93
Figura 5.3 Grfico de sada da melhor rede com range de 150 dias........................94
Figura 5.4 Grfico do percentual de acurcia da sada do sistema..........................96
Figura 5.5 Grfico do percentual de acertos/erros da tendncia..............................97
- 17 -
1 INTRODUO
1.1 TEMA
1.2 DELIMITAO
1.3 JUSTIFICATIVA
Outra motivao reside no fato de que cada vez mais engenheiros, das mais
variadas habilitaes, esto trabalhando no mercado financeiro. Sejam em bancos,
- 18 -
consultoras ou mesmo por conta prpria, estes profissionais aproveitam o grande
conhecimento matemtico aprendido durante a faculdade e o avano de ferramentas
computacionais para se desenvolverem e progredirem em suas carreiras neste ramo.
Com isso, torna-se cada vez mais necessria a introduo de assuntos ligados a conceitos
e estratgias de investimentos no mercado de renda varivel durante a vida acadmica
destes engenheiros.
Mais uma motivao est na Hiptese do Mercado Eficiente. Segundo esta teoria,
nenhum sistema poderia continuamente ser superior ao mercado, por que, se tal sistema
existisse, de alguma forma ele se tornaria pblico e qualquer individuo poderia utiliz-
lo, fato que diminuiria seu ganho potencial [37]. Esta teoria tem provocado diversos
debates a respeito de sua validade e alguns pesquisadores tm utilizado as Redes Neurais
Artificiais para comprovar suas alegaes.
1.4 OBJETIVOS
- 19 -
verificao da possibilidade de previso estatisticamente significativa do
IBOVESPA no perodo de estudo;
1.5 METODOLOGIA
1.6 DESCRIO
- 20 -
2 FUNDAMENTOS DO MERCADO
FINANCEIRO
Suponha que algum tenha ouvido que determinada empresa obteve lucro acima
do esperado por seus analistas. Neste momento, seria normal de se esperar que tal
indivduo se apressasse em comprar aes desta empresa. Porm, tal cidado se
surpreenderia ao saber que o preo da ao por ele desejada j teria sofrido uma
valorizao substancial desde o fechamento do dia anterior. De acordo com a Hiptese
de Mercado Eficiente, qualquer informao que seja suficientemente importante na
tomada de decises j foi incorporada ao mercado nos preos e intil tentar prever o
comportamento futuro das aes.
Jensen [3] definiu como mercado eficiente aquele que, baseado em todas as
informaes disponveis, fosse incapaz de ser derrotado, ou seja, fosse impossvel de
se obter rendimentos superiores aos rendimentos mdios do mercado.
- 21 -
2.1.1 FORMAS DE EFICINCIA DE MERCADO
- 22 -
2.1.2 TESTES DE EFICINCIA DE MERCADO
Desde a dcada de 1970, vrios estudos tm sido feitos para tentar refutar o
modelo de Random Walk. Neste contexto, os testes de Fama serviram apenas para
reforar a idia de mercado eficiente.
- 23 -
2.1.2.1 Casos especiais
Este fenmeno pode ser explicado, em parte, pela desigual divulgao de notcias
durante a semana. Evidncias mostram que h uma tendncia de se divulgar boas
notcias uniformemente durante toda a semana e guardar as ms para o final de semana.
Outra explicao est nos investidores com pouca experincia. Estes, durante o fim-de-
semana, fariam anlises errneas e, na segunda-feira, investimentos equivocados.
A figura 2.1 mostra o retorno mdio por ms durante os anos de 1926 e 1983.
- 24 -
Figura 2.1 Retorno mdio por meses do ano.
Fonte: http://www.finint.ase.ro/Materiale/Manuale/Investment%20Valuation_Damodaran/ch6.pdf ,
cap.6, pag. 45.
Uma das explicaes para este fenmeno est na tentativa de pagar menos
impostos pelos investidores. Estes venderiam ativos em Dezembro, a preos menores
que seus valores reais, e os comprariam de volta em Janeiro, resultando em retornos
maiores. Porm, como esta estratgia depende do sistema fiscal de cada pas, h
registros de pases em que tal fenmeno no ocorre.
2.1.2.1.3 Splits
Segundo Desai & Jain [7] (apud Davidsson [8]) splits tendem a aumentar o preo
de uma ao, antes e depois de seu anncio.
- 25 -
Tambm possvel explicar este fenmeno a partir da diminuio do valor da
ao. Com isso, haveria um aumento de liquidez devido presena de pequenos
investidores que teriam acesso ao novo valor.
Antes da era dos computadores, negociar aes e commodities era uma tarefa
muito mais intuitiva. medida que o nvel de investimentos e as negociaes cresceram,
a necessidade de ferramentas e mtodos que aumentassem os ganhos e minimizassem os
riscos tambm cresceu. Estatsticas, anlises tcnicas, anlises fundamentalistas e
regresso linear so algumas dessas ferramentas usadas para tentar prever a direo do
mercado.
Este tipo de anlise ainda controversa entre estudiosos do assunto. Isto se deve
ao fato de ser, segundo alguns, extremamente subjetiva e, tambm, por contradizer a
Hiptese de Eficincia de Mercado. Apesar disso, utilizada por aproximadamente 90%
dos investidores [10].
- 26 -
Os investidores que utilizam esta tcnica fazem uso de grficos para detectar
possveis tendncias. Tais tendncias, acredita-se, so baseadas na oferta e demanda e
geralmente apresentam um padro cclico. H inmeros indicadores tcnicos derivados
deste tipo de anlise a partir dos quais podem ser retiradas regras de aplicaes ou
entradas de redes neurais, dentre os quais: indicadores de filtro, indicadores de
momento, anlise de curva de tendncia, indicadores de volume e anlise de padro.
Tais indicadores podem fornecer informaes de curto ou longo prazo, ajudando a
identificar tendncias ou ciclos no mercado.
2.2.1.1 Indicadores
- 27 -
2 PFHOJE + ( N 1) MMEONTEM
MME HOJE =
N+1
2.2.1.1.2 Volume
uma medida que expressa o valor financeiro negociado num dia de prego.
Pode ser global, referente ao mercado como um todo, ou individual, referente a apenas
um ativo, ou expressar o total de ttulos negociados.
2.2.1.1.3 Tendncias
2.2.1.1.4 Momento
- 28 -
O grfico do momento plotado a partir de uma linha de referncia.
- 29 -
semanas, corrigindo as tendncias secundrias tambm em um a dois
teros.
Na figura 2.2, as linhas verticais esto fazendo uma separao entre trs
tendncias primrias no ndice Bovespa.
- 30 -
lucros e os investidores mais bem preparados comeam a vender suas
posies. A grande massa de investidores est em clima de euforia
que se realimenta diariamente nos noticirios. Est aberta a possibili-
dade para a fase 1 do mercado de baixa.
- 31 -
Princpio 6: A tendncia continua at surgir um sinal definitivo de
que houve reverso: segundo este princpio, o mercado no vai cair
apenas porque atingiu um nvel "alto demais" ou subir porque "j caiu
demais". Segundo a Teoria de Dow, para trocar de posio em relao a
uma tendncia, preciso ter provas definitivas de que ela acabou.
A anlise fundamentalista tem por objetivo, tal qual a anlise tcnica, avaliar
alternativas de investimento. Isto feito a partir de um profundo estudo sobre a empresa,
no qual se avalia seu panorama setorial, suas conjunturas macro e microeconmica e
outros aspectos mais "tangveis", como as fontes de recursos existentes, demonstraes
financeiras, capital humano da organizao, balanos, projees de resultados,
conhecimentos tecnolgicos, entre outros.
- 32 -
90% utilizam fatores psicolgicos e reagem s mudanas do mercado de uma maneira
previsvel.
- 33 -
modelada atravs de uma funo com parmetros livres ajustados a partir dos dados da
srie. Essa abordagem conhecida como modelos caixa-preta, uma vez que os
parmetros dos modelos gerados no tm uma interpretao direta dentro do domnio do
problema.
Z (t ) = 0 + 1 Z (t 1) + ... + p Z (t p ) + (t ) ( 2.1)
Z (t ) = 0 + 1 (t 1) + ... + q (t q ) + (t ) (2.2)
- 34 -
Nesse modelo, o parmetro q indica quantos valores passados do erro de previso
so usados como regressores. Os parmetros i devem ser ajustados conforme a srie
estiver sendo modelada.
Outra abordagem utilizada para a previso de sries temporais o uso das Redes
Neurais Artificiais (RNAs). Estes modelos possuem algumas caractersticas que os
tornam de grande eficincia para este tipo de tarefa. A primeira a possibilidade de
funcionar como aproximadores universais de funes. Como so modelos no-lineares
com um nmero maior de parmetros, as RNAs tm o potencial de modelar
adequadamente uma quantidade maior de sries em comparao aos modelos lineares
clssicos. Outro ponto importante o relacionamento direto dos modelos de redes
neurais com modelos estatsticos, podendo atuar na implantao de modelos lineares e
no-lineares.
Existem diversos modelos de redes neurais que podem ser usados para a previso
de sries temporais, tais como feedforward e redes recorrentes. Tais modelos sero
vistos nos captulos subseqentes deste trabalho
- 35 -
Trata-se de uma abordagem relativamente nova para modelagem de sistemas
dinmicos, tais como o mercado de aes, e parte do pressuposto de que no existe
ordem em casualidade. Desta forma, segundo Lawrence [38], esta teoria acredita que um
processo tem, ao mesmo tempo, caractersticas determinsticas e aleatrias.
- 36 -
fato de que nem mesmo os investidores mais experientes conseguem entender
completamente o mercado. Neste momento, as redes neurais apresentam a vantagem de
poderem extrair as regras sem que seja necessrio o completo entendimento de tais. Em
sistemas altamente caticos ou apenas parcialmente conhecidos, tais como o mercado de
aes, este um fator fundamental.
Pesquisa no Portal Capes [14] feita por Souto-Maior [15] por artigos
relacionados com previso de ndices e direo de aes, apresentou uma leve tendncia
pelo primeiro, mostrada na figura 2.3. Dos 48 artigos encontrados, 21 eram sobre
previso de direo; 26 sobre da previso de nvel e somente 1 artigo tratava da previso
de nvel e de direo.
30
Quantidade de artigos
25
20 ndices
15 Direo
10 ndice/direo
5
0
ndices Direo ndice/direo
Tipos de previso
- 37 -
Figura 2.3 Tipos de artigos encontrados no Portal Capes.
Fonte: Souto-Maior [15]. Adaptado.
Entretanto, pequena parte dos artigos sobre previso de ndices tratava de aes.
Em sua maioria, tais artigos possuam como objetos de estudo ndices variados, tais
como inflao, taxa de cmbio, desemprego, entre outros.
Horizontes de previso
40
35
Quantidade de artigos
30
Diria
25
Semanal
20
Mensal
15
Outros
10
5
0
Diria Semanal Mensal Outros
interessante destacar que esta mesma pesquisa mostrou que o modelo mais
utilizado em tais artigos foi o de redes neurais. Este modelo aparecia sozinho em 18
artigos, ou em modelos hbridos, que juntavam mais de um modelo, em 11 artigos.
Percebe-se, dessa forma, o grande emprego das redes neurais em trabalhos de previso.
- 38 -
2.3.1 PREVISO DO NVEL E DE DIREO UTILIZANDO REDES
NEURAIS
- 39 -
modelo foi avaliado pela porcentagem de acerto da direo de
movimento, obtendo uma taxa de acerto de at 75% no perodo de teste;
Fernndez-Rodrguez, Gonzlez-Martel e Sosvilla-Rivero [23] que
utilizaram redes neurais e anlise tcnica para previso da direo de
movimento diria do ndice General de la Bolsa e Madrid (IGBM). O
desempenho dos modelos foi avaliado por dois critrios: (1) porcentagem
de acerto da direo de movimento; e (2) retorno obtido por uma
estratgia de negociao baseada nesse modelo. Os resultados mostraram
que o modelo hbrido superou a estratgia passiva no perodo de teste e
obteve uma taxa de acerto de at 58% no perodo de teste.
Armano, Marchesi e Murru [1], estudando a movimentao diria do
S&P 500 e do COMIT, propuseram um modelo hbrido usando redes
neurais e algoritmos genticos para prever a sua direo, desenvolvendo
duas estratgias usando derivativos dos ndices pesquisados. O
desempenho dos modelos foi avaliado de acordo com a porcentagem de
acertos da direo do movimento e do retorno obtido por uma estratgia
de investimentos baseada no modelo desenvolvido. Considerando alguns
custos de transao, concluiu-se que o modelo hbrido superava a
estratgia passiva no perodo de testes, porm a taxa de acerto superou o
Random Walk para o S&P 500, mas perdeu para o COMIT.
2.4 O IBOVESPA
A BOVESPA teve sua origem em 1890, com a inaugurao da Bolsa Livre, que
viria a ser depois a Bolsa de Valores de So Paulo. Em 1935, um ano aps se mudar para
o Palcio do Caf, ganhou o nome de Bolsa Oficial de Valores de So Paulo, e em 1967,
passou a se chamar Bolsa de Valores de So Paulo.
- 40 -
(Computer Assisted Trading System), que operava simultaneamente com o sistema
tradicional de Prego Viva Voz, e, em 1999, os servios de Home Broker e After-
Market.
A cada quatro meses o mercado reavaliado, sempre com base nos doze meses
anteriores. Isto ocorre para que possveis alteraes na participao relativa de cada ao
sejam detectadas. Aps a reavaliao, uma nova carteira montada, com cada papel
recebendo um novo peso, segundo a distribuio de mercado.
- 41 -
ni vi (2.4)
IN =
N V
IBVSPt = P i ,t Qi ,t
n
i= 1 (2.5)
- 42 -
Qi,t = quantidade terica da ao i na carteira no instante t;
Q0 Pc
Qn = (2.6)
Pex
Qo = quantidade antiga;
- 43 -
Pc + ( S Z ) D J Vet
Pex = (2.7)
1+ B + S
- 44 -
3 AS REDES NEURAIS ARTIFICIAIS
3.1 INTRODUO
Uma previso eficiente do futuro pode ser de grande valor em reas to diversas
quanto o movimento de preos do mercado financeiro, a previso de estouro de
oramento, o clculo de riscos de seguro e eficcia de drogas medicinais, entre outras.
Muitas tcnicas, desde as regresses lineares ao mtodo ARMA para sries temporais,
so regularmente usadas para gerar previses. Uma abordagem por redes neurais permite
a utilizao de uma tcnica que pode operar em circunstncias onde as tcnicas clssicas
no podem ou no produzem resultados satisfatrios.
Em uma viso geral, prever significa utilizar dados e modelos existentes para
gerar outros que ainda no existem. Os dados existentes podem ser de muitas formas e
incluir redundncias, erros, ausncia de valores, rudo e muitas outras caractersticas que
dificultam a tarefa de gerao de previso. Alm disso, qualquer modelo conhecido pode
tambm ter problemas tais como erros estruturais ou tendncias. A respeito de todos
esses desafios, os dados existentes, em muitos casos, contm todas as informaes
necessrias para fornecer uma previso til e acurada das variveis de objetivo. O
desafio, ento, est em isolar as informaes teis nos dados existentes, separando-as de
rudos e erros.
- 45 -
Estes atributos fazem das redes neurais uma excelente ferramenta para tomar o
lugar de um ou mais mtodos tradicionais, tais como regresses lineares e mtodo dos
mnimos quadrados. Com elas possvel gerar previses teis em situaes onde outras
tcnicas no poderiam ser aplicadas de forma to eficiente. Em outras situaes, as redes
neurais podem melhorar substancialmente as previses ao levar em considerao mais
informaes do que as tcnicas tradicionais so capazes de processar. Finalmente, o uso
de redes neuras na criao de um modelo preditivo de um sistema complexo no
necessita da atuao de um estatstico ou outro especialista para analisar todas as
combinaes possveis de variveis, diminuindo sensivelmente o tempo de trabalho.
- 46 -
reduzido de exemplos e, posteriormente, dar respostas coerentes a dados no
apresentados rede. Isto uma demonstrao que a capacidade das RNAs vai alm de,
simplesmente mapear relaes de entrada e sada, sendo capazes de extrair informaes
no-apresentadas de forma explcita atravs de exemplos. Outras caractersticas
importantes so a capacidade de auto-organizao e processamento temporal que,
aliadas quela citada anteriormente, fazem das RNAs uma ferramenta computacional
extremamente poderosa e atrativa para a soluo de problemas complexos.
O sistema nervoso humano pode ser visto como um sistema de trs estgios,
como mostrado na figura 3.1. No centro est uma unidade de processamento,
representado pela rede de neural (de nervos), a qual continuamente recebe informaes,
distingue-as e toma as decises apropriadas. Dois conjuntos de setas so mostrados na
figura. Os que apontam da esquerda para direita indicam que a informao est se
movimentando numa direo no sistema. Aquelas que apontam da direita para esquerda,
indicam a presena de um sistema de realimentao. Os receptores convertem estmulos
do corpo humano ou do ambiente exterior em impulsos eltricos que carregam as
informaes at a rede neural (crebro). Os executores convertem os impulsos eltricos
gerados pela rede neural em respostas perceptveis (as sadas do sistema).
- 47 -
Em 1911, o estudo de Ramon y Cajl (apud Haykin [24]) introduziu a idia de
neurnios como estruturas constituintes do crebro. Hoje estimam-se que haja 10 bilhes
de neurnios no crtex humano e 60 trilhes de sinapses ou conexes. Sinapses so
estruturas elementares e unidades funcionais que atuam nas interaes entre neurnios.
Elas funcionam como vlvulas, sendo capazes de controlar a transmisso de impulsos,
isto , o fluxo da informao entre os neurnios na rede neural, inibindo-os ou
excitando-os. Devido ao seu efeito varivel, as sinapses do aos neurnios grande
capacidade de adaptao.
O neurnio biolgico uma clula que pode ser dividida em trs sees: o corpo
da clula, os dendritos e o axnio, cada uma com funes especficas, porm
complementares.
- 48 -
Os sinais oriundos dos neurnios pr-sinpticos so passados para o corpo do
neurnio, onde so comparados com outros sinais recebidos por este mesmo neurnio.
Se o percentual em um intervalo curto de tempo suficientemente alto, a clula
dispara, produzindo um impulso que transmitido para as clulas seguintes (neurnios
ps-sinpticos).
O primeiro modelo de neurnio artificial foi proposto por McCulloch e Pitts [25],
em 1943, e tinha a inteno de imitar a realidade biolgica. Porm esta preocupao no
totalmente compartilhada por muitos pesquisadores atuais. De fato, dois fatores
diferentes motivam a pesquisa hoje em dia:
modelar o sistema nervoso com suficiente preciso de tal modo a se
poder observar um comportamento que, sendo semelhante ao
comportamento do ser vivo, possa servir de apoio s hipteses usadas na
modelagem;
aproveitar as caractersticas da RNAs para construir computadores com
um alto grau de paralelismo.
- 49 -
pesos acoplados w1, w2, . . . ,wn, cujo valores podem ser positivos ou negativos,
dependendo das sinapses correspondentes serem inibitrias ou excitatrias. O efeito de
uma sinapse particular i no neurnio ps-sinptico dado pelo produto xiwi. Os pesos
determinam em que grau o neurnio deve considerar sinais de disparo que ocorrem
naquela conexo. Uma descrio do modelo est ilustrada na figura 3.3.
X1 W1
X2 W2
Y
.
.
.
Xn Wn
Um neurnio dispara quando a soma dos impulsos que ele recebe ultrapassa o
seu limiar de excitao, chamado de threshold. O corpo do neurnio, por sua vez,
emulado por um mecanismo simples que faz a soma dos valores xi wi recebidos pelo
neurnio (soma ponderada) e decide se o neurnio deve ou no disparar (sada igual a 1
ou a 0) comparando a soma obtida ao limiar ou threshold do neurnio. No modelo MCP,
a ativao do neurnio obtida atravs da aplicao de uma funo de ativao, que
ativa a sada ou no, dependendo do valor da soma ponderada das suas entradas. Na
descrio original do modelo MCP, a funo de ativao dada pela funo limiar
descrita na subseo seguinte. A inequao 3.1, a seguir, modela a ativao da sada do
neurnio MCP:
n
i= 1
xi wi (3.1)
- 50 -
McCulloch e Pitts simplificaram seu modelo assumindo que os neurnios em
cada camada da rede disparam sincronamente, isto , que todos os ns (ou nodos) so
avaliados ao mesmo tempo e tambm que as entradas em um instante de tempo t
produzem a sua sada no tempo t + 1.
x x x x
- 51 -
A funo de ativao linear, mostrada na figura anterior, definida pela equao
3.2 a seguir.
y = x (3.2)
onde um nmero real que define a sada linear para os valores de entrada, y
a sada e x a entrada.
A funo linear pode ser restringida para produzir valores constantes em uma
faixa [-, +], e neste caso, passa a ser a funo rampa mostrada, graficamente, na figura
3.4 item (b) definida pela equao 3.3 abaixo:
+ se x
y= x se x= (3.3)
se x
A funo step, ilustrada na figura 3.4 item (c), definida pela equao 3.4 a
seguir:
+ se x> 0
y= (3.4)
se x 0
A funo sigmoidal, conhecida tambm como S-shape, ilustrada na 3.4 item (d),
uma funo semi-linear. possvel definir vrias funes sigmoidais; uma das mais
importantes a funo logstica definida pela equao 3.5 a seguir:
1
y= (3.5)
1 + e x/T
- 52 -
Como j visto anteriormente, as RNAs possuem as capacidades de aprender
atravs exemplos e de fazer interpolaes e extrapolaes do que aprenderam. No
aprendizado conexionista no se procura obter regras como na abordagem simblica da
Inteligncia Artificial (IA), mas determinar a intensidade das conexes entre os
neurnios. Um conjunto de procedimentos bem definidos para adaptar os parmetros de
uma RNA, afim de que a mesma possa aprender uma determinada funo, chamado de
algoritmo de aprendizagem. H vrios tipos de algoritmos de aprendizagem, cada um
com suas vantagens e desvantagens, diferindo, basicamente, pela maneira atravs da
qual o ajuste dos pesos feito.
De acordo com Haykin [24], aprendizado [de uma rede neural] um processo
pelo qual os parmetros livres de uma rede neural so adaptados atravs de um processo
de estimulao do ambiente no qual a rede est inserida; sendo determinado pela forma
atravs da qual efetuada a mudana nos parmetros.
- 53 -
Supervisor
Professor
+
-
RNA
Entrada
Erro
- 54 -
Estado do Resposta
Meio Externo
Meio Externo RNA
- 55 -
3.5.2 REGRAS DE APRENDIZADO
e( t ) = d ( t ) y ( t ) (3.6)
O ajuste dos pesos deve ser proporcional ao produto do erro pelo valor de entrada
da sinapse naquele instante de tempo, segundo a equao 3.7, a seguir:
wi ( t + 1) = wi ( t ) + e( t ) xi ( t ) (3.7)
- 56 -
Consiste na mais antiga regra de aprendizagem e foi baseada no postulado de
Hebb [26]:
Quando um axnio de uma clula A est prximo o bastante para excitar uma
clula B e repetidamente ou persistentemente participa de sua ativao, algum processo
de crescimento ou alterao metablica acontece em uma ou ambas as clulas, tal que a
eficincia de A como uma das clulas que ativa B aumentada.
- 57 -
de atividades pr e ps-sinpticas suficiente para que haja uma
modificao. Alm disso, pode tambm ser chamada de sinapse
correlacional, porque uma correlao entre estas mesmas atividades
suficiente para gerar mudanas.
wij (t ) = . y i (t ) x j (t ) (3.8)
- 58 -
no aprendizado competitivo apenas um nico neurnio de sada ativado por vez. esta
caracterstica que torna este tipo de rede altamente indicada para descobrir
caractersticas estatsticas que possam ser usados para classificar um conjunto de
padres de entrada.
Segundo Haykin [24], h trs elementos bsicos para uma regra de aprendizado
competitivo:
um conjunto de neurnios que so todos iguais, exceto por alguns pesos
sinpticos aleatoriamente distribudos, e que responde de maneira
diferente a um dado conjunto de padres de entrada;
um limite imposto fora a cada neurnio;
um mecanismo que permite a competio entre neurnios pelo direito a
responder a um dado subconjunto de entradas, tais que apenas um
neurnio, ou apenas um neurnio por grupo, ativado por vez.
Porm, para evitar que uma unidade de sada torne-se dominante e fique ativa
todo tempo, captando para si todo o espao de entrada, necessrio racionar os pesos de
maneira que a soma dos pesos sobre as linhas de entrada de uma unidade seja limitada a
1.
3.6 ALGUMAS ARQUITETURAS DE RNAS
- 59 -
do modelo de neurnio de McCulloch-Pitts, substituindo a funo degrau por uma
funo contnua que mapeia Z em Y, tornando mais fcil o treinamento das redes. Seu
modelo consiste, basicamente, de uma estrutura de rede tendo como unidades bsicas
neurnios MCP e uma regra de aprendizado. Foi somente aps este trabalho que o
conceito aprendizado em RNAs foi introduzido. Alguns anos mais tarde, Rosenblatt
demonstrou o teorema de convergncia do perceptron: um neurnio MCP treinado com
o algoritmo de aprendizagem do perceptron sempre converge, caso o problema em
questo seja linearmente separvel.
- 60 -
3
onde, Z =
i= 1
Wi X i ; sendo um bias.
- 61 -
3) a rede exibe um alto grau de conectividade, determinada por suas
sinapses. Uma mudana nesta conectividade requer uma mudana nas
conexes sinpticas ou em seus pesos.
- 62 -
de ativao; todavia, a mais utilizada a sigmoidal logstica, representada na equao
3.9 a seguir:
1
f ( v) = , > 0 (3.9)
1 + e ( v )
- 63 -
dados, degradando, assim, sua capacidade de generalizao. Esta alternativa mais
indicada para os casos em que o conjunto de treinamento muito grande, visto que os
dados do conjunto de validao no podem ser utilizados para treinamento.
3.6.2.2.1 Back-propagation
- 64 -
Figura 3.10 Treinamento do algoritmo back-propagation.
- 65 -
So redes dinmicas dotadas de memria temporal na camada de entrada,
permitindo-lhes a realizao de tarefas de carter temporal. Podem ser de dois tipos,
dependendo da maneira como a memria incorporada rede:
Redes com realimentao ou recorrentes;
Redes com atraso no tempo.
Figura 3.11: Exemplo de rede recorrente sem loop e sem camada escondida
- 66 -
Fonte: Haykin [24], Extrado.
onde Z-1 so operadores de atraso unitrio, responsveis por fornecer rede alteraes
relacionadas aos perodos em que os dados lhe so apresentados.
Desenvolvida por Jordan [32,33], esta foi uma das primeiras redes recorrentes.
Um exemplo por ser visto na figura 3.12 a seguir.
- 67 -
estado tm um peso fixo igual a +1. A aprendizagem ocorre apenas nas conexes entre a
entrada e as camadas escondidas e entre as camadas escondidas e a camada de sada.
- 68 -
As redes TLFN consistem de uma rede cuja memria introduzida nos neurnios
da camada de entrada, fornecendo-se valores das entradas atuais e tambm em tempos
anteriores. Desta forma, a resposta da rede neural no tempo t baseada nas entradas no
tempo (t-1),(t-2), ..., (t-n).
- 69 -
4 METODOLOGIA
4.1 INTRODUO
- 70 -
Figura 4.1 Parte da planilha gerada pelo script e utilizada na entrada da RN.
- 71 -
Como no foi possvel obter todos os dados da varivel Volume para todo o
perodo de observao, decidiu-se no utiliz-la como entrada da RN.
A Figura 4.2 a seguir mostra o grfico das variveis de entrada para o perodo de
estudo.
Para uma melhor visualizao, a figura 4.3 a seguir mostra o grfico da varivel
Fechamento durante o perodo de estudo.
- 72 -
Figura 4.3 Grfico da varivel Fechamento.
- 73 -
desvios-padro dos targets originais. Aps o treinamento da rede, esses vetores so
utilizados na transformao de quaisquer outros vetores de entrada, tornando-se, assim,
parte integrante da rede, tal como os pesos.
Aps o pr-processamento dos dados de treinamento, toda vez que a rede for
utilizada com novas entradas necessrio que elas tambm sejam pr-processadas com
as mdias e desvios-padro que foram calculados para o conjunto de treinamento. Isto
realizado com o emprego da funo trastd, utilizada para o conjunto de testes da RN.
Por fim, para realizar a converso dos valores de sada para as mesmas unidades
dos valores de entrada foi utilizada a funo poststd.
Neste trabalho, escolheu-se como sada a ser obtida pela rede neural a varivel
Fechamento no dia posterior ao dia de observao. De acordo com a definio de
proporo do conjunto dos valores de entrada, visto mais adiante em 4.3.3, o perodo de
previso vai do dia 10/03/2006 at 09/05/2008.
4.3.1 INTRODUO
- 74 -
Para este trabalho, a arquitetura de rede escolhida foi a TLFN, freqentemente
utilizada em aplicaes financeiras. Como j visto anteriormente, este tipo de rede
feedforward permite como entrada valores atuais e tambm atrasados no tempo. Ser
mostrado mais adiante que a escolha deste modelo possibilitou a implementao de um
algoritmo mais robusto no que diz respeito otimizao da rede.
2
( ) = 1, (4.1)
1 + e 2
- 75 -
Para a camada de sada, a funo aplicada foi a purelin. Trata-se de uma funo
linear com range entre infinito e cujo grfico mostrado na figura 4.5 a seguir:
- 76 -
foram definidas 5 janelas para cada conjunto, o total de redes treinadas, testadas e
validadas foi igual a 100.
NE + NS
NH = (4.3)
2
NH = NE + NS (4.4)
- 77 -
onde NH = no inicial de neurnios da camada escondida;
- 78 -
chamado algumas vezes de janelamento, juntamente com a variao do nmero de
neurnios da camada escondida, permitiu ao algoritmo, ao final da execuo, apontar a
rede com a melhor configurao.
- 79 -
A definio do valor de validao seguiu as recomendaes gerais para este tipo
de parmetro, sendo definido, inicialmente, com o valor de 25%. Porm, como
acontecido com o nmero inicial de pocas, esta configurao no teve um resultado
considerado satisfatrio e acabou, tambm, por ser alterada. Definiu-se ento em 10% o
valor do parmetro de validao. Desta forma, o algoritmo, durante o processo de
validao, verificava se o MSE da validao aumentou em relao ao erro mnimo
estabelecido. Caso este aumento ocorresse em 10% do total de pocas, o algoritmo
finalizava o processo de treino e validao da rede correspondente, exibindo a
mensagem Validation Stop.
MSE1
CONV = (4.5)
MSE N
- 80 -
4. 4 MTRICAS PARA ANALISE DOS RESULTADOS
O clculo da taxa de acerto de direo procurou medir se a rede neural fora capaz
de prever com sucesso as tendncias do mercado no perodo de teste. Desta maneira,
buscou-se comparar as tendncias de sada do sistema de previso proposto com as
tendncias reais apresentadas pelo ndice IBOVESPA. Isto se deu calculando as
diferenas entre dois dias consecutivos de ambos os casos e comparando os sinais entre
eles. Caso ambos tivessem sinais iguais, significava que a rede tinha acertado a previso.
onde: SaidaN o valor da varivel fechamento calculado pela Rede Neural para o dia
N;
- 81 -
SaidaN+1 o valor da varivel fechamento calculado pela Rede Neural para o dia
N+1;
- 82 -
4.4.2 CLCULO DO PERCENTUAL DE ACURCIA DA SADA DO
SISTEMA
Outro mtodo para medio dos resultados do sistema proposto foi o clculo do
percentual de acurcia da sada da rede em relao ao valor original. Como j
informado, a rede neural desenvolvida tem como sada a previso dia-a-dia da varivel
fechamento. Desta forma, comparou-se o nmero de vezes em que a rede neural fora
capaz de acertar o valor da varivel fechamento considerando uma margem de erro
que variava entre 1% e 5% .
- 83 -
5 APLICAO E RESULTADOS
5.1 INTRODUO
Este captulo apresenta a anlise dos resultados obtidos no desenvolvimento
deste trabalho e est dividido em trs partes. Primeiramente, so mostrados os resultados
de uma rede neural cuja configurao no apresentou um resultado considerado
satisfatrio e, por isso, fora descartada. Depois, uma segunda rede neural apresentada,
esta, sim, com um resultado satisfatrio; atendendo, dessa maneira, o objetivo principal
deste trabalho. Por fim, feita uma breve anlise dos resultados desta rede, com o intuito
de validar os dados obtidos com a rede neural.
Parmetro Valor
No de redes 20
Sadas 1
- 84 -
Incremento no de neurnios da
camada escondida a cada nova 10
iterao
No de pocas 30000
Como pde ser observado da tabela anterior, o nmero de pocas escolhido foi
bastante elevado, juntamente com o valor de validao. Esta escolha deveu-se crena
de que o algoritmo sempre seria capaz de diminuir o erro medida que novas iteraes
fossem feitas. Da mesma forma, acreditava-se que a rede pudesse atingir ou chegar
prxima ao erro escolhido (10-6).
Ao final de todo processo de teste, o script apontou como melhor rede quela
com as caractersticas mostradas na tabela 5.2 a seguir.
MSE 0.09726
Janela D-6
- 85 -
- 86 -
- 87 -
- 88 -
- 89 -
Figura 5.1 Grfico de sada da rede cujo resultado no foi satisfatrio.
Outro fator que tambm contribuiu para o mau resultado foi a escolha de um erro
mnimo com valor muito baixo. Isto acabou por fazer com que a rede buscasse sempe
esse valor desnecessariamente pequeno com a inteno de otimizar o resultado.
Entretanto, o que se viu foi um aumento do MSE, o que acabou por deteriorar a sada da
rede.
- 90 -
5.2 RESULTADOS DA REDE NEURAL COM CONFIGURAO
SATISFATRIA
Parmetro Valor
No de redes 20
Sadas 1
No de pocas 5000
- 91 -
O erro mnimo a ser obtido pela rede tambm teve seu valor alterado em relao
ao conjunto anterior. Acreditava-se que o valor anterior (10-6) era desnecessariamente
baixo, tornando-se, assim, um parmetro desprezvel pela rede, j que dificilmente seria
alcanado. Na nova configurao, optou-se por um valor acima do anterior, porm ainda
bastante aceitvel para este tipo de aplicao. Desta maneira, escolheu-se o valor 10 -3
para este parmetro.
O valor de validao foi outro parmetro alterado nesta nova configurao. Com
o valor anterior (25%), a rede mostrou-se muito tolerante a erros. Com isso, ao substitu-
lo pelo valor de 10%, procurou-se diminuir tal tolernica, com a qual a rede no havia
apresentado bons resultados anteriormente.
Com tais configuraes, a melhor rede escolhida pelo script teve as seguintes
caractersticas, mostradas na tabela 5.4 a seguir:
MSE 0.041396
Janela D-7
O grfico de sada pode ser visto na figura 5.2. Nele encontram-se duas curvas da
varivel fechamento: a real e a prevista pela rede neural.
- 92 -
Figura 5.2 Grfico de sada da melhor rede.
A figura 5.3 a seguir mostra o mesmo grfico, porm com um perodo de 150
dias, para melhor visualizao.
- 93 -
Figura 5.3 Grfico de sada da melhor rede com range de 150 dias.
Pode-se perceber pelos dois grficos anteriores que a rede neural conseguiu
realizar uma previso altamente satisfatria da varivel Fechamento, principalmente nos
trezentos primeiros dias, quando o erro da rede foi menor. A partir da, a rede neural teve
mais dificuldade em realizar a previso, o que pode ser visto pelo aumento da distncia
entre os pontos da curva de previso e a curva real. Apesar disso, o resultado final
continuou satisfatrio, como ser mostrado na seo seguinte.
O resultado aqui obtido supera o resultado obtido por Almedia e Zanetti Jr [36].
Ao analisar um perodo compreendido entre os anos de 1994 e 1998 utilizando o mtodo
de aprendizado Vanilla Backpropagation (ou Online Backpropagation) para prever o
comportamento dirio das aes da Telebrs, estes autores no obtiveram sucesso.
- 94 -
Segundo os mesmos, na concluso do prprio trabalho, o (...) mtodo de avaliao e
seleo da melhor rede tambm poderia ser alterado de forma que a melhor rede fosse
aquela que apresentasse o menor MSE para o conjunto de dados de treinamento; e em
certos perodos o MSE do conjunto de validao seria avaliado, a fim dedeterminar
quando o treinamento deveria ser interrompido.
Para essa anlise, foi desenvolvida uma planilha em Excel com os dados de sada
da rede referentes a cada dia de previso e com os dados reais do mesmo perodo.
Definiu-se, ento, as margens de tolerncia entre as quais os erros de previso seriam
tidos como aceitveis; estas foram 1%, 2%, 3%, 4% e 5%. Desta maneira,
verificou-se dia-a-dia se o resultado de previso da RN estava dentro das margens
estabelecidas. Assim, considerou-se como acerto os resultados de sada da rede que
estavam dentro das margens estabelecidas. A figura 5.4 a seguir ilustra os resultados
obtidos.
- 95 -
Percentual de acurcia da sada do sistema
considerando margens de erro
100%
Percentual de acertos
27,15
80% 40,64
56,93
60% 72,47
84,64 Erros
Acertos
40% 72,85
59,36
20% 43,07
27,53
15,36
0%
1 2 3 4 5
Margem (%)
A partir do grfico anterior possvel notar que, com uma margem entre 3% e
4%, o percentual de acertos comea a superar os 50%. Com uma margem de 5%, o
percentual de acertos chega a 72,85%.
- 96 -
Percentual de acertos/erros da tendncia
100
90
80
70
60
55,91
Percentual 50 44,09
40
30
20
10
0
Acertos Erros
- 97 -
6 CONCLUSES
Este estudo apresenta um modelo baseado em redes neurais de previso do ndice
da Bolsa de Valores de So Paulo. O perodo a ser previsto foi de 10 de maro de 2006 a
9 de maio 2008. Porm, para treinamento e validao da rede foram utilizados dados de
11 de julho de 1997 a 9 de maro de 2006.
- 98 -
Outra possibilidade seria o desenvolvimento de um software comercial
capaz de obter os dados da srie histrica e realizar as previses para um
perodo de tempo escolhido pelo usurio.
A alterao das configuraes da rede neural tambm poderia ser feita,
de forma a tentar melhorar os resultados obtidos. Isto se daria com a
modificao dos parmetros nmero de pocas e valor de validao,
com a inteno de diminuir o MSE de teste e, com isso, ajudar o sistema
a aumentar sua acurcia.
- 99 -
BIBLIOGRAFIA
[2] HAUGEN, R. A. Modern Investment Theory. Upper Saddle River, New Jersey:
Prentice Hall, 1997.
[4] FAMA, E. F. Efficient capital markets; a review of theory and empirical work.
Journal of Finance. 1970
[7] Desai, H., Jain, P. Long-run common stock returns following splits and reverse
splits. Journal of Business, 1997.
[8] DAVIDSSON, Marcus. Stock Market Anomalies - A Literature Review and Estima-
tion of Calendar affects on the S&P 500 index., 2006
[11] DORFFNER, G. Neural Networks for Time Series Processing, Neural Network
World, 1996.
[12] Box, Jenkins G. E. Box & G. M. Jenkins, Time Series Analysis: Forecasting and
Control, Holden-Day, San Francisco, CA, 1970.
[13] PRUDNCIO, Ricardo Bastos Cavalcante. Projeto hbrido de redes neurais. Uni-
versidade Federal de Pernambuco, 2002
- 100 -
[16] TEIXEIRA, J. C.; RODRIGUES, A. J. An applied study on recursive estimation
methods, neural networks and forecasting. European Journal of Operational Re-
search., 1997.
[17] GENAY, R. The predictability of security returns with simple technical trading
rules. Journal of Empirical Finance, 1998.
[18] YU, S. Forecasting and arbitrage of the Nikkei stock index futures: an application
of backpropagation networks. Asia-Pacific Financial Markets, 1999.
[21] RIBEIRO, T. S.; SILVA, A. L. C. Do artificial neural networks provide better fore-
casts? Evidence from latin american stock indexes. In: XXIX Enampad, 2005,
Braslia.
[22] GRUDNITSKI, G.; OSBURN, L. Forecasting S&P and gold futures prices: an ap-
plication of neural networks. Journal of Futures Markets, 1993.
[25] W.S. McCulloch and W. Pitts. A Logical Calculus of the Ideas Immanent in
Nervous Activity. Bulletin of Mathematical Biophysics, 1943.
[26] D.O. Hebb's,. The Organization of Behavior. New York, Wiley, 1949
[30] G. Cybenko. Continuos Valued Neural Network with two Hidden Layers are Suffi-
cient. Technical Report, Departament of Computer Science, Tufts University, 1988.
[31] HOPFIELD, J. Neural Networks and Physical Systems with Emergent Collectives
Computational Abilities. Proceedings of the National Academy of Sciences , 1982.
- 101 -
[32] JORDAN, M. I. Attractor dynamics and parallelism in a connectionist sequential
machine. In Proceedings of the Eighth Annual Conference of the Cognitive Science
Society, 1986
[35] MELLO, Marlia Terra de. Aplicao de redes neurais no processo de precificao
de aes. Universidade Estadual de Pelotas, 2004.
[36] ZANNETI Jr. Luiz Antonio e ALMEIDA. Fernando C. - Explorao do uso de re-
des neurais na previsao do comportamento de ativos financeiros. Faculdade de Eco-
nomia Administrao e Contabilidade USP. 1998.
[37] http://www.riskglossary.com/link/efficient_market_hypothesis.htm
[38] LAWRENCE, Ramon. Using Neural Networks to Forecast Stock Market Prices.
University of Manitoba. 1997.
[39] http://finance.yahoo.com
- 102 -