Avaliação de uma Abordagem de Aprendizado Supervisionado para Operações no Mercado de Ações

• Bárbara Silva Universidade de São Paulo
• Marcelo Lauretto Universidade de São Paulo
• Pablo Andrade Universidade de São Paulo
• Luciana Araújo Universidade de São Paulo

DOI: https://doi.org/10.5753/sbsi.2013.5680

Resumo

Técnicas de mineração de dados têm sido extensivamente aplicadas a mercados financeiros, para previsão de tendências, recomendação de operações de compra/venda e negociação automática. Neste trabalho, apresentamos uma proposta de aplicação de aprendizado supervisionado, utilizando Random Forests, para a recomendação de operações no mercado de ações. Dentre as 68 ações que compõem o Índice Bovespa, em 40 ações o método obteve uma taxa de aplicações bem sucedidas superior a 75%; em 38 ações a taxa de aproveitamento de oportunidades foi superior a 50%; e em 30 ações, o retorno líquido médio por operação foi superior a 4%. Esses resultados preliminares são bastante promissores, motivando estudos adicionais e extensões futuras.

Referências

ADVFN (2013). Análise Técnica (análise gráca). Disponível em: http://br.advfn.com/educacional/analise-tecnica. Acesso em: jan. 2013.

Arlot, S. & Celisse, A. (2010). A survey of cross-validation procedures for model selection. Statistical Surveys 4, p. 40-79.

Breiman, L. & Cutler, A. (2012). Random Forests. Disponível em http://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm. Acesso em: set. 2012.

BM&F BOVESPA (2012). Índice Bovespa - Ibovespa. Disponível em http://www.bmfbovespa.com.br/indices/ResumoCarteiraTeorica.aspx?Indice=IBOVESPA\&idioma=pt-br. Acesso em: nov. 2012.

Hyndman, R. J. & Athanasopoulos, G. (2012). Forecasting: principles and practice. Livro digital disponível em http://otexts.com/fpp/. Acesso em: out. 2012.

Lauretto, M. S. (1996). Árvores de Classicação para Escolha de Estratégias de Operação em Mercados de Capitais. Dissertação de Mestrado, Instituto de Matemática e Estatística, Universidade de São Paulo.

Liaw, A. & Wiener, M. (2002). Classication and Regression by randomForest. R News 2(3), p. 18-22.

Miró-Julià, M., Fil-roig, G. & Isern-deyà, A. P. (2010). Decision Trees in Stock Market Analysis: Construction and Validation. In: N. García-Pedrajas et al. (Eds.): IEA/AIE 2010, Part I, LNAI 6096, p. 185-194.

Mueller, W. & Wysotzki, F. (1994). Automatic construction of decision trees for classication. 247. Annals of Operations Research 52, p. 231-247.

NYSE Euronext (2012). Why We Invest. Disponível em https://nyse.nyx.com/financial-literacy/all-about-investing/investing-basics/why-we-invest. Acesso em: dez. 2012.

Puga, R., Rodrigues, M. & Cerbassi, G. (coord) (2010). Formação de traders: faça dinheiro na bolsa com a análise técnica. Rio de Janeiro: Campus.

Silva, R.; Zembrzuski, M.; Correa, F. C.; Lamb, L. C. (2010). Stock markets and criticality in the current economic crisis. Physica A 389, p. 5460–5467.

Stern, J. M., Nakano, F., Lauretto, M. S. & Ribeiro, C. O. (1998). Algoritmo de Aprendizagem para Atributos Reais e Estratégias de Operação em Mercado. In: Sixth Iberoamerican Conference on Articial Intelligence - IBERAMIA’98, Lisboa.

R Core Team (2013). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Viena, Áustria. Disponível em http://www.R-project.org.

Ulrich, J. (2012). The TTR Package Reference Manual. Disponível em http://cran.r-project.org/web/packages/TTR/index.html.