| |
| Acadêmico(a): Rafael Bertoldi Rossi |
| Título: Protótipo para trading automatizado utilizando redes neurais artificiais |
| |
| Conclusão: |
Este trabalho apresentou o desenvolvimento de um protótipo para trading automatizado utilizando Redes Neurais
Artificiais. Para isso foi utilizado o modelo Long Short-Term Memory (LSTM), um tipo de Rede Neural Recorrente,
objetivando a previsão do preço de ações cotadas na bolsa de valores brasileira, B3 S.A., alcançando resultados
consistentes. O projeto não aborda questões como o envio de ordens de compra e venda, considerada parte vital para o
funcionamento da plataforma de trading. Isso devido à complexidade técnica e inviabilidade financeira para o protótipo,
tendo em vista que todas as APIs para o roteamento têm um custo elevado.
Para a construção do modelo Long Short-Term Memory foram necessárias fazer alterações na sua estrutura, com
o intuito de realizar a previsão de mais de um valor por vez. Tal mudança traz consigo uma abordagem que possibilita ao
investidor ter uma visão mais abrangente, mas por outro lado, a imprevisibilidade e fragilidade do mercado perante as
notícias, reduz a acurácia do modelo. Mesmo assim, essa abordagem mostrou-se num primeiro momento ideal para o
protótipo, porque além de aumentar a perspectiva, evita o custo computacional e tempo na realização das previsões diárias
para cada trade realizado. A interface com o usuário através de uma plataforma WEB foi de suma importância para
acompanhamento das previsões e gerência dos investimentos, embora ainda esteja em fase de desenvolvimento.
Para mensuração da acurácia, foram estabelecidas 10 semanas de teste, contemplando um período ideal, tendo
em vista que o mercado passou por altas e baixas. A validação ocorreu através do cálculo do Valor-P, provando que todas
as cinco ações tiveram resultados estatisticamente significantes, indicando com fortes evidências de que os resultados não
são devido ao acaso. Além disso, realizou-se uma comparação, semana-a-semana, para determinar se a previsão foi assertiva e teve resultados consistentes, alcançando resultados superiores a 60% de acerto para três de cinco ações, sendo
que duas resultaram em 70% de acerto.
A solução ainda conta com atraso de 15 minutos na cotação, em decorrência da API do Yahoo Finance, mas não
compromete nenhum resultado apresentado. Como extensões para este trabalho, é essencial o incremento de mais inputs
para a Rede Neural Artificial, como indicadores utilizados na análise técnica baseados em cálculos, como Índice de Força
Relativa, Média Móvel Convergente e Divergente, volume de negociações, etc. Estes dados tendem a conter informações
relevantes sobre a movimentação dos preços, como regiões de sobrecompra, sobrevenda, força da tendência, etc. Com
isso, o incremento nas taxas de acerto deve ocorrer. Além do mais, faz-se necessário a implementação referente ao envio
das ordens ao mercado, gerenciamento da posição, ou uma conexão através de API que possibilite as negociações de fato
ocorrerem. Quanto ao desenvolvimento interface web, é necessário dar continuidade à implementação, principalmente
nas telas para visualização das ações em carteira, criação de uma área para gerenciamento dos investimentos e controle
de risco.
Através da utilização de Redes Neurais Artificiais LSTM, foi possível atingir resultados íntegros para previsão
de ações no mercado financeiro, embora essas técnicas ainda sejam pouco utilizadas. Dessa forma, o protótipo visa
contribuir para os trabalhos e pesquisas futuros no meio acadêmico que venham a utilizar Aprendizado de Máquina como
alicerce para o mercado financeiro.
|
| |
|
