Um estudo sobre a aplicação de Algoritmos Genéticos no investimento em ações utilizando análise técnica

Autores/as

  • André S. T. de Carvalho
  • Matheus R. M. de Almeida
  • João C. P. da Silva

DOI:

https://doi.org/10.5540/03.2015.003.01.0419

Palabras clave:

Algoritmos Genéticos, Otimização, Ações, Análise Técnica

Resumen

A análise do mercado de ações é um assunto desafiador que desperta o interesse de pesquisadores e especialistas em diversas áreas. Diferentes métodos foram desenvolvidos[4] para tentar prever as flutuações nos preços das ações visando maximizar os lucros de investidores e instituições financeiras. Uma metodologia muito utilizada, baseada no acompanhamento do movimento dos preços das ações ao longo do tempo, é a Análise Técnica[1], na qual investidores utilizam dados estatísticos e indicadores para tomar a decisão sobre a compra ou a venda de uma determinada ação. O objetivo deste trabalho é utilizar Algoritmos Genéticos (AG) para tentar determinar a melhor combinação de estratégias (e seus parâmetros) da Análise Técnica que maximizam o lucro de um aplicador. Algoritmo Genético[2] é um método de busca e otimização inspirado na teoria da evolução de Darwin. Cada indivıduo da população representa uma solução candidata do problema que se deseja otimizar. No inıcio de cada geração os indivíduos são avaliados por uma função de avaliação e, quanto melhor for sua avaliação, maior a probabilidade dele ser selecionado pelo operador de crossover. Este tem como objetivo combinar dois indivíduos para dar origem a dois novos indivíduos (seus ”filhos”). Em seguida, o operador de mutação é aplicado aos indivíduos com o objetivo de garantir a diversidade da população. Para a nova população gerada pelos operadores, o processo se repete até que um critério de parada, por exemplo, número de gerações seja satisfeito. O mecanismo chamado de elitismo é utilizado quando se deseja garantir que os melhores indivíduos de uma geração sobrevivam na próxima. A solução encontrada pelo AG será sempre o melhor indivıduo da última geração. Neste trabalho, utilizamos AG para combinar duas estratégias e seus parâmetros: cruzamento de médias móveis[1] e zonas de Índice de Força Relativa[1]. No cruzamento de médias móveis, temos: a média móvel simples (MMS) de N períodos que é a média aritmética dos preços de fechamento de uma ação nos últimos dias, contando com o dia atual; e a média móvel exponencial (MME) que atribui um peso maior aos preços mais recentes. Dessa forma, a estratégia de cruzamento de médias móveis consiste em efetuar a compra da ações quando a MME de N períodos cruzar, de baixo pra cima, a MMS de M períodos, onde N  M . A venda é feita quando o cruzamento ocorre na outra direção. A estratégia de zonas do IFR utiliza o Índice de Forca Relativa (IFR)[3], indicador que varia de 0 a 100, e indica a venda quando o valor do indicador está acima de S e a compra quando o valor está abaixo de I , com 0  I  S  100. Foi utilizado também um mecanismo chamado de stop[1] que é responsável por efetuar operações automaticamente caso o preço da ação atinja um preço predeterminado. A implementação foi feita em Java e o conjunto de dados utilizado é formado pelas cotações das ações da Petrobras de 2000 à 2013. O primeiro passo foi analisar o comportamento dos diversos parâmetros do AG: mutação (com e sem), elitismo (com e sem) e formas de representação dos indivíduos (binária e real). Para isto, consideramos apenas a estratégia de cruzamento de médias, na qual cada indivıduo representa 3 parâmetros: período da mme, período da mms e stop. A figura 1(a) é um exemplo de exploração feita pelo AG, nela podemos ver a convergência ocorrendo em um ponto central do espaço. Neste ponto está localizada uma grande quantidade de máximos locais (os mais vermelhos), como pode ser visto na figura [...]

Descargas

Los datos de descargas todavía no están disponibles.

Publicado

2015-08-25

Número

Sección

Otimização