Uma Estratégia para Alocação de Carteira de Ações usando Algoritmos de Aprendizado de Máquina e Regras Fuzzy
Resumo
No mercado de ações, investidores interessados em investimentos de longo prazo buscam formas de selecionar ações com potencial de valorização futura para melhorar seus rendimentos. Os métodos de aprendizado de máquina têm um longo histórico de aplicações no mercado financeiro. Este artigo apresenta e avalia uma estratégia simples e eficaz para alocação de carteiras de ações, que utiliza algoritmos de aprendizado de máquina para prever o desempenho das ações e selecionar algumas delas para compor a carteira. O método proposto é particularmente útil para investidores com pouco conhecimento do mercado. Os resultados obtidos mostram que a estratégia proposta levou à alocação de carteiras com lucros superiores aos do índice de mercado S&P500 e aos de um método manual conhecido na literatura.
Palavras-chave:
Aprendizado de Máquina, Regressão, Sistemas de Regras Fuzzy, Mercado de Ações
Referências
Basu, S. (1977). Investment performance of common stocks in relation to their price-earnings ratios: A test of the efficient market hypothesis. The journal of Finance, 32(3):663–682.
Basu, S. (1983). The relationship between earnings’ yield, market value and return for nyse common stocks: Further evidence. Journal of financial economics, 12(1):129–156.
Bisht, K. and Kumar, A. (2022). Stock portfolio selection hybridizing fuzzy base-criterion method and evidence theory in triangular fuzzy environmennt. Oper. Res. Forum, 3(53):1–33.
Castro, S. R. d. C. (2009). Alocação de carteiras de ações através da utilização de modelos de lógica Fuzzy. PhD thesis.
Das, R., S., S., and Maulik, U. (2022). A survey on fuzzy deep neural networks. ACM Computing Surveys, 53(3):54.1–54.25.
Faceli, K., Lorena, A. C., Gama, J., and Carvalho, A. C. P. d. L. F. d. (2011). Inteligência artificial: uma abordagem de aprendizado de máquina.
Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The journal of Finance, 25(2):383–417.
Franchi, B. O. (2021). Análise comparativa das metodologias de markowitz, kelly e aprendizado por reforço em carteiras de investimentos-uma abordagem computacional.
Gambim, M. L. (2022). Alocação de carteiras de ações utilizando aprendizado de máquina e regras fuzzy.
Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems. ” O’Reilly Media, Inc.”.
Graham, B. (2016). O investidor inteligente. HarperCollins Brasil.
Han, J., Kamber, M., and Pei, J. (2012). 8 - classification: Basic concepts. In Han, J., Kamber, M., and Pei, J., editors, Data Mining (Third Edition), The Morgan Kaufmann Series in Data Management Systems, pages 327–391. Morgan Kaufmann, Boston, third edition edition.
Hao, A., H., Z., and Y., Z. (2023). Stock protfolio mangement by using fuzzy ensemble deep reinforcement learning algorithm. Journal of Risk and Financial Management, pages 1–14.
Indices, S. D. J. (2016). S&p dow jones indices. Retrieved April, 12:2016.
Jiménez-Preciado, A. L., Venegas-Martínez, F., and Ramírez-García, A. (2022). Stock portfolio optimization with competitive advantages (moat): A machine learning approach. Mathematics (Basel), 10(23):4449.
Klir, G. and Yuan, B. (1995). Fuzzy sets and fuzzy logic, volume 4. Prentice hall New Jersey.
MacKay, D. J. (1992). Bayesian interpolation. Neural computation, 4(3):415–447.
Mamdani, E. H. and Assilian, S. (1975). An experiment in linguistic synthesis with a fuzzy logic controller. International journal of man-machine studies, 7(1):1–13.
Mazraeh, A. B., Daneshvar, A., Zaj, M. M., and Roodposhti, F. R. Stock portfolio optimization using a combined approach of multi objective grey wolf optimizer and machine learning preselection methods. Computational Intelligence and Neuroscience.
Mendel, J. M. and Bonissone, P. P. (2021). Critical thinking about explainable ai (xai) for rule-based fuzzy systems. IEEE Transactions on Fuzzy Systems, 29(12):3579–3593.
Orang, O., de Lima e Silva, P. C., and Guimarães, F. G. (2022). Time series forecasting using fuzzy cognitive maps: a survey. The Artificial intelligence review, 56(8):7733–7794.
Ross, S. A. (2009). Neoclassical finance. In Neoclassical Finance. Princeton University Press.
Santos Junior, J. G. A. (2015). Um estudo sobre aprendizado de máquina aplicado à modelagem de retornos de ações. Master’s thesis, Brasil.
Skrjanc, I., Iglesisas, J. A., Sanchis, A., Leite, D., Lughofer, E., and Gomide, F. (2019). Evolving fuzzy and neuro-fuzzy approaches in clustering, regression, identification and classification: A survey. Information Siences, 49:344–368.
Tipping, M. E. (2001). Sparse bayesian learning and the relevance vector machine. Journal of machine learning research, 1(Jun):211–244.
Zadeh, L. (1965). Fuzzy sets. Information and control, pages 338–338.
Basu, S. (1983). The relationship between earnings’ yield, market value and return for nyse common stocks: Further evidence. Journal of financial economics, 12(1):129–156.
Bisht, K. and Kumar, A. (2022). Stock portfolio selection hybridizing fuzzy base-criterion method and evidence theory in triangular fuzzy environmennt. Oper. Res. Forum, 3(53):1–33.
Castro, S. R. d. C. (2009). Alocação de carteiras de ações através da utilização de modelos de lógica Fuzzy. PhD thesis.
Das, R., S., S., and Maulik, U. (2022). A survey on fuzzy deep neural networks. ACM Computing Surveys, 53(3):54.1–54.25.
Faceli, K., Lorena, A. C., Gama, J., and Carvalho, A. C. P. d. L. F. d. (2011). Inteligência artificial: uma abordagem de aprendizado de máquina.
Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The journal of Finance, 25(2):383–417.
Franchi, B. O. (2021). Análise comparativa das metodologias de markowitz, kelly e aprendizado por reforço em carteiras de investimentos-uma abordagem computacional.
Gambim, M. L. (2022). Alocação de carteiras de ações utilizando aprendizado de máquina e regras fuzzy.
Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems. ” O’Reilly Media, Inc.”.
Graham, B. (2016). O investidor inteligente. HarperCollins Brasil.
Han, J., Kamber, M., and Pei, J. (2012). 8 - classification: Basic concepts. In Han, J., Kamber, M., and Pei, J., editors, Data Mining (Third Edition), The Morgan Kaufmann Series in Data Management Systems, pages 327–391. Morgan Kaufmann, Boston, third edition edition.
Hao, A., H., Z., and Y., Z. (2023). Stock protfolio mangement by using fuzzy ensemble deep reinforcement learning algorithm. Journal of Risk and Financial Management, pages 1–14.
Indices, S. D. J. (2016). S&p dow jones indices. Retrieved April, 12:2016.
Jiménez-Preciado, A. L., Venegas-Martínez, F., and Ramírez-García, A. (2022). Stock portfolio optimization with competitive advantages (moat): A machine learning approach. Mathematics (Basel), 10(23):4449.
Klir, G. and Yuan, B. (1995). Fuzzy sets and fuzzy logic, volume 4. Prentice hall New Jersey.
MacKay, D. J. (1992). Bayesian interpolation. Neural computation, 4(3):415–447.
Mamdani, E. H. and Assilian, S. (1975). An experiment in linguistic synthesis with a fuzzy logic controller. International journal of man-machine studies, 7(1):1–13.
Mazraeh, A. B., Daneshvar, A., Zaj, M. M., and Roodposhti, F. R. Stock portfolio optimization using a combined approach of multi objective grey wolf optimizer and machine learning preselection methods. Computational Intelligence and Neuroscience.
Mendel, J. M. and Bonissone, P. P. (2021). Critical thinking about explainable ai (xai) for rule-based fuzzy systems. IEEE Transactions on Fuzzy Systems, 29(12):3579–3593.
Orang, O., de Lima e Silva, P. C., and Guimarães, F. G. (2022). Time series forecasting using fuzzy cognitive maps: a survey. The Artificial intelligence review, 56(8):7733–7794.
Ross, S. A. (2009). Neoclassical finance. In Neoclassical Finance. Princeton University Press.
Santos Junior, J. G. A. (2015). Um estudo sobre aprendizado de máquina aplicado à modelagem de retornos de ações. Master’s thesis, Brasil.
Skrjanc, I., Iglesisas, J. A., Sanchis, A., Leite, D., Lughofer, E., and Gomide, F. (2019). Evolving fuzzy and neuro-fuzzy approaches in clustering, regression, identification and classification: A survey. Information Siences, 49:344–368.
Tipping, M. E. (2001). Sparse bayesian learning and the relevance vector machine. Journal of machine learning research, 1(Jun):211–244.
Zadeh, L. (1965). Fuzzy sets. Information and control, pages 338–338.
Publicado
25/09/2023
Como Citar
GAMBIM, Mario; CAMARGO, Heloisa A.; LUCCA, Giancarlo; DIMURO, Graçaliz; ASMUS, Thiago.
Uma Estratégia para Alocação de Carteira de Ações usando Algoritmos de Aprendizado de Máquina e Regras Fuzzy. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 20. , 2023, Belo Horizonte/MG.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 1195-1209.
ISSN 2763-9061.
DOI: https://doi.org/10.5753/eniac.2023.234681.
