PROTÓTIPO DE UM ROBÔ INVESTIDOR UTILIZANDO REDES NEURAIS ARTIFICIAIS E MÉTODOS DE ANÁLISE TÉCNICA

Objetivo geral 7 1. Objetivos específicos 7 2. REVISÃO DA LITERATURA 8 2. Modelos e heurísticas de Inteligência Artificial 8 2. Implicações do uso da Inteligência Artificial no MF 8 2. Dessa forma, é razoável supor que, uma vez que os dados de preços das ações são afetados por fatores determinísticos e aleatórios , a previsão do mercado de ações só pode ser bem sucedida com o uso de ferramentas e técnicas que podem superar o problema da incerteza, ruído e da não linearidade inerente dos preços (TORRES; BONOMO; FERNANDES, 2002). A análise técnica é usada para prever os preços das ações, com base nos preços e volumes históricos. Uma vez que todas as informações se refletem nos preços das ações, segundo a Teoria do Mercado Eficiente, assim basta então, em teoria estudar os indicadores técnicos específicos a fim de prever as flutuações de preços e avaliar a força da tendência predominante (DE OLIVEIRA, 2011).

A combinação de várias modelos de análise técnica é uma tarefa difícil e requer decisões por meio de avaliações subjetivas (TOMASELLI; OLTRAMARI, 2007). Algumas técnicas podem proporcionar resultados contraditórios, ou ainda, os indicadores podem indicar divergência de preço, enquanto na realidade, pode existir uma convergência. Modelos e heurísticas de Inteligência Artificial A Inteligência Artificial (IA) tornou-se presente no MF e afeta todas as áreas do setor bancário, em que a velocidade e a precisão da computação se tornaram generalizadas. Uma vez que o MF gera uma enorme quantidade por meio de suas operações, criando uma necessidade de análises eficientes e precisas. Isso implica que no desenvolvimento de algoritmos que sejam eficientes para o tratamento dessa quantidade de informações.

Implicações do uso da Inteligência Artificial no MF Machine learning ou em português Aprendizagem de Máquinas é um campo da ciência da computação que permite que computadores aprendam sem programação explícita, ademais podem melhorar automaticamente seu desempenho através da experiência adquirida durante a etapa de treino. Essa é a área técnica que mais cresce, e está na intersecção entre a ciência da computação, estatística, da inteligência artificial e da ciência de dados (DE OLIVEIRA, 2018). As redes neurais BP são uma classe de redes com regras de aprendizagem supervisionadas, ou seja, o erro realiza o ajuste dos pesos sinápticos de forma a minimizar o gradiente da diferentes em amostras de treino e saídas estimadas pela rede neural.

O termo alimentação a frente, ou em inglês, Feedforward refere-se à direção do fluxo de informações da entrada para a camada de saída. As entradas são passadas através do sistema uma vez para determinar a saída (RUSSELL; NORVIG, 2002). Aprendizado supervisionado é o processo de comparar cada uma das previsões das redes com a resposta correta conhecida, (chamada de alvo ou target) e ajustar os pesos com base no erro de previsão resultante. O número de neurônios de entrada é igual ao número de variáveis independentes no modelo, enquanto os neurônios de saída representam a variável(s) dependente. FUNDAMENTAÇÃO TEÓRICA No que diz respeito às técnicas utilizadas para analisar as flutuações dos presos nas bolsas de valores, os métodos de estatística e inteligência artificial são explorados neste capítulo.

Conforme Oliveira, Montini e Bergmann (2008) um grupo de abordagens estatísticas baseia-se na média móvel autoregressiva (ARMA) e na média móvel autoregressiva integrada (ARIMA). Essas técnicas estatísticas se enquadram na categoria de análise univariada, pois usam a própria série temporal financeira, bem como uma série temporal atrasada como variáveis de entrada. Com as premissas de linearidade, estacionariedade e normalidade, a maioria dos métodos de análise estatística como o ARMA e ARIMA tem aplicações restritas na previsão de valores futuros dos preços. Pelo contrário, os modelos de inteligência artificial, como Redes Neurais Artificiais (RNAs) são conduzidos por dados multivariados, sem necessariamente precisar obedecer às premissas definidas anteriormente (OLIVEIRA; MONTINI; BERGMANN, 2008). O Índice de Força Relativa (RSI) é um indicador de momento popular que mede a velocidade e a mudança dos movimentos de preços.

Geralmente é interpretado como um indicador de sobre compra / sobre venda. O Volume no Balanço ou em inglês Balance Volume (OBV) é um indicador de momento que mede o fluxo de volume positivo e negativo para prever mudanças no preço das ações. Nos mercados financeiros, o ambiente de investimento e os comportamentos de flutuação dos mercados pode mudar muito, devido também ao efeito de notícias divulgação de balanços contábeis e efeitos de psicológicos coletivos de otimismo e péssimo com o mercado. Como resultado, o impacto dos dados históricos dos treinamentos deve ter uma variante de tempo, que podem refletir corretamente os diferentes padrões de comportamento mercados em diferentes épocas (DO NASCIMENTO VARELLA; SANTOS, 2020). Para redes MLP, uma função típica de ativação (ou transferência) é a função log-sigmoide dada pela seguinte equação, bem como a equação de sua derivada: O cálculo de retropropagação de erro, os pesos são atualizados de acordo com o vetor gradiente do erro.

Os seguintes passos são realizados: Começando com a camada de saída e voltando para a camada de entrada, calcula-se os termos de erro e os gradientes locais, da seguinte maneira: onde é o termo de erro do k-ésimo neurônio na camada s-ésima (para a camada de saída M, essa é simplesmente a diferença entre alvo e saída real), é o peso sináptico do neurônio j na camada (s + 1), associado à saída do neurônio atual k, tk é o valor alvo do vetor alvo fornecido t, associado ao neurônio k da camada de saída, é um gradiente local para o j-ésimo neurônio na camada (s + 1), definido da seguinte forma: onde é o termo de erro do neurônio k na camada (s + 1); é a derivada da função de ativação, que é calculado na soma ponderada.

O cálculo das alterações para todos os pesos da seguinte forma: onde η é a taxa de aprendizado, e k = 1,…, j = 1,…,. A atualização de todos os pesos da seguinte forma: em que k = 1,…, e j = 1 ,. é o peso sináptico atual e é o peso sináptico atualizado a ser usado na próxima iteração de avanço de alimentação a frente (HAYKIN, 2007). p. DE OLIVEIRA, Edilaine Santiago et al. Identificaçao automática de estilos de aprendizagem: Uma revisao sistemática da literatura. In: Anais do XXVI Workshop sobre Educação em Computação. SBC, 2018. EVRARD, Henri Siro; CRUZ, June Alisson Westarb. Indicadores Financeiros e de Mercado Para Previsão do Retorno de Ações do Ibovespa Entre os Anos de 2003 e 2013. Sociedade, Contabilidade e Gestão, v. n.

HAYKIN, Simon. p. RUSSELL, Stuart; NORVIG, Peter. Artificial intelligence: a modern approach. SCHUTT, Isabel Gaio; CALDEIRA, João Frois. Análise de estilo dinâmica de fundos multimercados: aplicação para o mercado brasileiro. n. p. TORRES, Ricardo; BONOMO, Marco; FERNANDES, Cristiano. A aleatoriedade do passeio na Bovespa: testando a eficiência do mercado acionário brasileiro. Revista Brasileira de economia, v.