Análise do impacto da sintonia de parâmetros de heurísticas de compra e venda de ações

  • Renato Rodrigues Chaves Pereira Ferri CEFET-MG
  • Lucas Santos Rodrigues CEFET-MG
  • Daniel Hasan Dalip CEFET-MG
  • André Rodrigues da Cruz CEFET-MG

Resumo


Heurísticas de trading são técnicas muito úteis para maximizar os lucros no mercado de ações. Para um melhor desempenho, se faz necessária a especialização dos valores de parâmetros de tais modelos. Este artigo visa discutir o impacto da aplicação de sintonizadores no ajuste de parâmetros de heurísticas de compra e venda de ativos. Para isso, em um estudo de caso, experimentou-se quatro técnicas de trading que foram comparadas em relação aos respectivos retornos, quando se confronta a adoção de uma configuração manual com a de dois meta-otimizadores, um Algoritmo Genético e o I-Race. Ao selecionar a rentabilidade como critério de qualidade, a sintonia dos parâmetros foi feita utilizando ativos do Ibovespa, cujos dados de preços estão no período de 2012 a 2014. A validação da rentabilidade de cada modelo de compra e venda de ações foram calculados entre 2015 e 2021. O resultados apontam que os sintonizadores são, estatisticamente, capazes de aprimorar o desempenho em relação à configuração manual.

Palavras-chave: Mercado financeiro, Sintonia de Parâmetros, Algoritmo Genético, I-Race

Referências

Aroussi, R. (2022). Download market data from yahoo! finance api. https://pypi.org/project/yfinance/. Accessed: 2022-12-16.

Balvers, R. J. and Wu, Y. (2006). Momentum and mean reversion across national equity markets. Journal of Empirical Finance, 13(1):24–48.

Barboza, F., Garruti, D. V. T., and Silva, M. F. (2021). Previsões de tendência no brasil: uma aplicação de inteligência artificial. Congresso UFU de Contabilidade.

Birattari, M., Stützle, T., Paquete, L., Varrentrapp, K., et al. (2002). A racing algorithm for configuring metaheuristics. In Gecco, volume 2. Citeseer.

Blank, J. and Deb, K. (2022). pymoo: Multi-objective optimization in python. https://pymoo.org/index.html. Accessed: 2023-03-05.

Derrac, J., García, S., Molina, D., and Herrera, F. (2011). A practical tutorial on the use of nonparametric statistical tests as a methodology for comparing evolutionary and swarm intelligence algorithms. Swarm and Evolutionary Computation, 1(1):3–18.

Gendreau, M., Potvin, J.-Y., et al. (2010). Handbook of metaheuristics, volume 2. Springer.

Gropp, J. (2004). Mean reversion of industry stock returns in the us, 1926–1998. Journal of Empirical Finance, 11(4):537–551.

Gunasekarage, A. and Power, D. M. (2001). The profitability of moving average trading rules in south asian stock markets. Emerging markets review, 2(1):17–33.

Hilpisch, Y. (2021). Python for Algorithmic Trading. O’Reilly.

Hooker, J. N. et al. (2012). Integrated methods for optimization, volume 170. Springer.

Hu, Y., Liu, K., Zhang, X., Su, L., Ngai, E., and Liu, M. (2015). Application of evolutionary computation for rule discovery in stock algorithmic trading: A literature review. Applied Soft Computing, 36:534–551.

Huang, C., Li, Y., and Yao, X. (2019). A survey of automatic parameter tuning methods for metaheuristics. IEEE transactions on evolutionary computation, 24(2):201–216.

Koijen, R. S., Rodriguez, J. C., and Sbuelz, A. (2009). Momentum and mean reversion in strategic asset allocation. Management science, 55(7):1199–1213.

Kramer, O. and Kramer, O. (2017). Genetic algorithms. Springer.

López-Ibáñez, M., Cáceres, L. P., Dubois-Lacoste, J., Stützle, T. G., and Birattari, M. (2016). The irace package: User guide. IRIDIA, Institut de Recherches Interdisciplinaires et de Développements en . . . .

López-Ibáñez, M., Dubois-Lacoste, J., Cáceres, L. P., Birattari, M., and Stützle, T. (2016). The irace package: Iterated racing for automatic algorithm configuration. Operations Research Perspectives, 3:43–58.

Machado, A. E., Viana, R. T., Dalip, D. H., Cardoso, R. T., and da Cruz, A. (2022). Avaliação de estratégias de operação em swing trade baseadas em aprendizado de máquina. In Anais do I Brazilian Workshop on Artificial Intelligence in Finance, pages 69–80. SBC.

Murphy, J. J. (1999). Technical analysis of the financial markets: A comprehensive guide to trading methods and applications. Penguin.

Nascimento, O. S., Santos, F. G., and Ferreira, K. H. A. (2022). Previsão de preços de ações utilizando inteligência artificial. In Anais do I Brazilian Workshop on Artificial Intelligence in Finance, pages 37–47. SBC.

Nuti, G., Mirghaemi, M., Treleaven, P., and Yingsaeree, C. (2011). Algorithmic trading. Computer, 44(11):61–69.

Okunev, J. and White, D. (2003). Do momentum-based strategies still work in foreign currency markets? Journal of Financial and Quantitative Analysis, 38(2):425–447.

Osaba, E., Villar-Rodriguez, E., Del Ser, J., Nebro, A. J., Molina, D., LaTorre, A., Suganthan, P. N., Coello Coello, C. A., and Herrera, F. (2021). A tutorial on the design, experimentation and application of metaheuristic algorithms to real-world optimization problems. Swarm and Evolutionary Computation, 64:100888.
Publicado
06/08/2023
FERRI, Renato Rodrigues Chaves Pereira; RODRIGUES, Lucas Santos; DALIP, Daniel Hasan; CRUZ, André Rodrigues da. Análise do impacto da sintonia de parâmetros de heurísticas de compra e venda de ações. In: BRAZILIAN WORKSHOP ON ARTIFICIAL INTELLIGENCE IN FINANCE (BWAIF), 2. , 2023, João Pessoa/PB. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2023 . p. 73-84. DOI: https://doi.org/10.5753/bwaif.2023.230159.