Uma estratégia automatizada de investimento por meio de redes neurais artificiais e preditores econométricos

  • Ciniro A. L. Nametala Universidade Federal de Minas Gerais
  • Alexandre Pimenta Universidade Federal de Minas Gerais
  • Adriano César M. Pereira Universidade Federal de Minas Gerais
  • Eduardo G. Carrano Universidade Federal de Minas Gerais

Resumo


Sistemas de informação que tem por objetivo realizar previsões em séries temporais financeiras e negociar a partir destas estão sujeitos a diversos riscos, pois o mercado acionário sofre influências de diferentes origens continuamente. O estudo das finanças quantitativas aborda métodos para tratamento de problemas desta natureza, fato que se dá, principalmente, por meio do uso de inteligência computacional. Neste trabalho é apresentada uma estratégia automatizada (robô investidor) que combina previsões feitas por redes neurais artificiais e preditores econométricos em uma segunda rede neural, esta age como um comitê de decisão. As previsões são utilizadas para gerar sinais de compra ou venda por meio de um modelo de negociação incorporado ao algoritmo. Os experimentos foram conduzidos com séries reais referentes a três ações de alta liquidez, uma commoditie e um índice de mercado. Os resultados obtidos são comparados de forma financeira frente à aplicação individual de cada preditor e, também, a técnicas clássicas de mercado.

Palavras-chave: Sistemas de informação inteligentes, finanças quantitativas, econometria de séries temporais, redes neurais artificias

Referências

V. Avelar, D. Azevedo, and A. French. Pue (tm): A comprehensive examination of the metric. Technical report, The Green Grid, 2012.

P. Barham, B. Dragovic, K. Fraser, S. Hand, T. Harris, A. Ho, R. Neugebauer, I. Pratt, and A. Warfield. Xen and the art of virtualization. SIGOPS Oper. Syst. Rev., 37(5), Oct. 2003.

L. A. Barroso and U. H¨olzle. The case for energy-proportional computing. Computer, Dec. 2007.

V. Coroama and L. Hilty. Energy consumed vs. energy saved by ICT - a closer look. 23rd Int. Conf. on Informatics for Environmental Protection, 2009.

ENP. Energy logic: Reducing data center energy consumption by creating savings that cascade across systems, 2008.

D. Gmach, J. Rolia, and L. Cherkasova. Resource and virtualization costs up in the cloud: Models and design choices. In Proc. 41st IEEE/IFIP DSN, 2011.

Y. Han. Cloud computing: Case studies and total cost of ownership. Information technology & libraries, 2011.

Y. Lee and A. Zomaya. Energy efficient utilization of resources in cloud computing systems. The Journal of Supercomputing, 60(2):268–280, 2012.

S. Li, K. Lim, P. Faraboschi, J. Chang, P. Ranganathan, and N. P. Jouppi. System-level integrated server architectures for scale-out datacenters. In Proc. 44th IEEE/ACM MICRO, 2011.

T. Mastelic, A. Oleksiak, H. Claussen, I. Brandic, J.-M. Pierson, and A. V. Vasilakos. Cloud computing: Survey on energy efficiency. ACM Comput. Surv., 47(2):33:1–33:36, Dec. 2014.

D. Meisner, B. T. Gold, and T. F. Wenisch. Powernap: eliminating server idle power. In ACM Sigplan Notices, volume 44. ACM, 2009.

C. Mobius, W. Dargie, and A. Schill. Power consumption estimation models for processors, virtual machines, and servers. Parallel and Distributed Systems, IEEE Transactions on, June 2014.

G. J. Popek and R. P. Goldberg. Formal requirements for virtualizable third generation architectures. Commun. ACM, 17(7), jul 1974.

J. Shija, K. Bilas, S. A. Madani, and U. K. Samee. Data center energy efficient resource scheduling. Springer Science+Business, 2014.

S. Srikantaiah, A. Kansal, and F. Zhao. Energy aware consolidation for cloud computing. In Proc. of the Conf. on Power Aware Computing and Systems. USENIX, 2008.

M. K. Srinivasan, K. Sarukesi, P. Rodrigues, M. S. Manoj, and P. Revathy. State-of-the-art cloud computing security taxonomies: a classification of security challenges in the present cloud computing environment. In Proc. ICACCI’12. ACM, 2012.

W. Stallings. Foundations of Modern Networking: SDN, NFV, QoE, IoT, and Cloud. Addison-Wesley Professional, 1st edition, 2015.

S. Tang, B.-S. Lee, B. He, and H. Liu. Long-term resource fairness: towards economic fairness on pay-as-you-use computing systems. In Proc. of the 28th ACM Int. Conf. on Supercomputing, 2014.

D. Versick, I. Wassmann, and D. Tavangarian. Power consumption estimation of cpu and peripheral components in virtual machines. SIGAPP Appl. Comput. Rev., 13(3), Sept. 2013.

P. Vicat-Blanc Primet, F. Anhalt, and G. Koslovski. Exploring the virtual infrastructure service concept in Grid’5000. In 20th ITC Specialist Seminar on Network Virtualization, Hoi An, Vietnam, May 2009.
Publicado
17/05/2016
NAMETALA, Ciniro A. L.; PIMENTA, Alexandre; PEREIRA, Adriano César M.; CARRANO, Eduardo G.. Uma estratégia automatizada de investimento por meio de redes neurais artificiais e preditores econométricos. In: SIMPÓSIO BRASILEIRO DE SISTEMAS DE INFORMAÇÃO (SBSI), 12. , 2016, Florianópolis. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2016 . p. 152-159. DOI: https://doi.org/10.5753/sbsi.2016.5957.