Você está na página 1de 49

UNIVERSIDADE FEDERAL DE PELOTAS INSTITUTO DE FSICA E MATEMTICA CURSO DE BACHARELADO EM CINCIA DA COMPUTAO

MARLIA TERRA DE MELLO

APLICAO DE REDES NEURAIS ARTIFICIAIS NO PROCESSO DE PRECIFICAO DE AES

Trabalho de Concluso apresentado como requisito parcial para a obteno do grau de Bacharel em Cincia da Computao

Profa. Dra. Gertrudes A. Dandolini Orientadora

Pelotas, Outubro de 2004

APLICAO DE REDES NEURAIS ARTIFICIAIS NO PROCESSO DE PRECIFICAO DE AES

Monografia defendida e aprovada em 06 de Outubro de 2004 pela banca examinadora composta pelos professores:

_____________________________________________________ Profa. Gertrudes Aparecida Dandolini, Dra.

_____________________________________________________ Prof. Joo Artur de Souza, Dr.

_____________________________________________________ Prof. Edar da Silva Aaa

Aos meus pais, Celso e Agla

SUMRIO
LISTA DE FIGURAS .......................................................................................... 7 LISTA DE GRFICOS ....................................................................................... 8 LISTA DE TABELAS ......................................................................................... 9 RESUMO.......................................................................................................... 10 ABSTRACT...................................................................................................... 11 1 INTRODUO ............................................................................................ 12 1.1 Motivao..........................................................................................................12 1.2 Objetivos do trabalho .......................................................................................13 1.2.1 Objetivo Geral .................................................................................................13 1.2.2 Objetivos Especficos ......................................................................................13 1.3 Justificativa.......................................................................................................13 1.4 Organizao do trabalho..................................................................................14 2 SELEO DE CARTEIRAS ....................................................................... 15 2.1 Introduo.........................................................................................................15 2.2 Modelo de Markowitz.......................................................................................16 2.3 Precificao de Aes .......................................................................................17 3 REDES NEURAIS ARTIFICIAIS................................................................. 19 3.1 Introduo.........................................................................................................19 3.2 Aprendizagem...................................................................................................22 3.3 Rede Neural Backpropagation .........................................................................25 3.3.1 Introduo .......................................................................................................25 3.3.2 Ajuste dos Pesos ..............................................................................................27 3.3.3 Observaes ....................................................................................................29 3.4 Projeto de uma Rede Neural ............................................................................30 3.5 Vantagens..........................................................................................................30 3.6 Aplicaes .........................................................................................................31 4 APLICAO E RESULTADOS .................................................................. 32 4.1 Introduo.........................................................................................................32 4.2 Dados.................................................................................................................32 4.3 Variveis de entrada da rede ...........................................................................33 4.4 Rede Neural ......................................................................................................34 4.4.1 Introduo .......................................................................................................34 4.4.2 Inicializao da Rede.......................................................................................35 4.4.3 Treinamento ....................................................................................................36 4.5 Resultados .........................................................................................................37 5 CONCLUSES ........................................................................................... 41 REFERNCIAS BIBLIOGRFICAS ................................................................ 43 APNDICE A ................................................................................................... 46

APNDICE B ................................................................................................... 47 APNDICE C ................................................................................................... 48

LISTA DE FIGURAS

Figura 3.1: Neurnio Artificial ....................................................................................20 Figura 3.2: Estrutura de uma Rede Neural ...................................................................21 Figura 3.3: Rede Neural Feedforward..........................................................................26 Figura 3.4: Correo dos pesos por backpropagation ...................................................27 Figura 4.1: Tela do Economtica com as cotaes da ao Petrobrs PN .....................33 Figura 4.2: Fluxograma do processo de treinamento da rede........................................37

LISTA DE GRFICOS

Grfico 3.1: Funo erro para um nico peso...............................................................28 Grfico 4.1: Variveis de entrada (Petrobrs PN) normalizadas entre [-1,1].................34 Grfico 4.2: Resultado com dados de teste ..................................................................39 Grfico 4.3: Resultado com dados de treinamento .......................................................39 Grfico 4.4: Resultado com dados de teste ..................................................................39 Grfico 4.5: Resultado com dados de treinamento .......................................................39 Grfico 4.6: Resultado com dados de teste ..................................................................40 Grfico 4.7: Resultado com dados de treinamento .......................................................40

LISTA DE TABELAS

Tabela 4.1: Resultados da rede neural para a ao Eletrobrs ON ................................38 Tabela 4.2: Resultados da rede neural para a ao Petrobrs PN ..................................38 Tabela 4.3: Resultados da rede neural para a ao Vale Rio Doce PNA .......................38 Tabela A.1: Backpropagation aplicada ao Eletrobrs ON ......................................46 Tabela A.2: Backpropagation aplicada ao Petrobrs PN ........................................47 Tabela A.3: Backpropagation aplicada ao Vale Rio Doce PNA .............................48

10

RESUMO

O crescimento da utilizao das Redes Neurais Artificiais no mercado financeiro e o bom desempenho demonstrado nesta rea tm as tornado uma ferramenta atrativa para ser aplicada no processo de seleo de carteiras. A colaborao das redes neurais neste processo est na tarefa de realizar a seleo das aes que faro parte da carteira, a partir da previso de seus preos futuros. O presente trabalho prope o desenvolvimento de uma rede neural feedforward, multicamada, com algoritmo de aprendizagem backpropagation, com o objetivo de realizar a previso dos retornos de aes no horizonte de um ms. O modelo desenvolvido apresentou, em seus resultados, estimativas de retornos aproximadas dos valores reais, mostrando-se eficiente para ser utilizado como uma ferramenta que auxilia o investidor a tomar decises no processo de formao da sua carteira. Dispondo das estimativas fornecidas pela rede, o investidor passa a ter maior segurana na escolha das aes que lhe oferecem a melhor relao risco-retorno, de acordo com seu perfil, visando a minimizao do risco e a maximizao do retorno esperado. .

PALAVRAS-CHAVE: Redes Neurais Artificiais, Precificao de Aes, Seleo de Carteiras

11

THE APPLICATION OF ARTIFICIAL NEURAL NETWORKS IN THE PORTFOLIO SELECTION PROCESS

ABSTRACT

The increase of the Artificial Neural Networks use in the financial market and the good performance shown in this area have made them an attractive tool to be used in the portfolio selection process. The neural network contribution to this process is in the task of making the selection of the stocks that will be in the portfolio, by predicting their future prices. This work proposes the development of a multiplayer, feedforward neural network, trained by the backpropagation algorithm, to perform the prediction of the stocks returns to the next month. The developed model presented, in its results, estimates of the returns that approximate to the real values, showing that it is efficient to be used as a tool that helps the investor to make decisions in the process of forming his portfolio. Having the estimates provided by the net, the investor becomes more secure when choosing the stocks that offer the best risk-return relation according to his profile, trying to minimize the risk and maximize the expected return.

KEYWORDS: Artificial Neural Networks, Stock Prediction, Portfolio Selection

12

1 INTRODUO

1.1 Motivao
Com o processo de globalizao, que resultou em um intenso intercmbio entre os pases, cada vez mais o mercado acionrio vem adquirindo uma crescente importncia no cenrio financeiro internacional. Hoje, o mercado de aes, alm de ser uma importante fonte de financiamento empresarial, tambm um meio importante de captao de finanas individuais. O crescimento do interesse pelo mercado de aes provoca o crescimento da concorrncia entre os acionistas; logo, a tentativa de realizar a previso do comportamento deste mercado de extrema importncia para os investidores. No decorrer dos anos, tem ocorrido um avano considervel na utilizao de tcnicas matemticas, estatsticas e computacionais para a previso de movimentos futuros no mercado financeiro a partir de bases de dados. Dentre as tcnicas computacionais utilizadas, destacam-se as Redes Neurais Artificiais, uma das tcnicas mais difundidas da Inteligncia Artificial. A rede neural artificial um sistema de processamento de informao que possui certas caractersticas de performance em comum com as redes neurais biolgicas [FAU 94]. Ela a tcnica mais indicada para este tipo de aplicao por trabalhar de uma forma diferente dos tradicionais programas computacionais. Para um programa de computador realizar uma tarefa, o programador deve antecipar todas as condies de entrada de dados para que o programa possa chegar a uma soluo. Mas, em certos casos, no possvel prever exatamente todas as situaes possveis, como no caso do mercado financeiro. J a rede neural tenta simular o funcionamento do crebro humano, adquirindo conhecimento para a soluo de um determinado problema atravs de um processo de aprendizagem. Alm disso, sua habilidade de lidar com dados ruidosos, incompletos ou imprecisos, e de prever sistemas no-lineares torna a aplicao de redes neurais no mercado financeiro bastante eficiente, pelo fato deste mercado ser um sistema no-linear visto que ele sofre a influncia de fatores polticos, econmicos, entre outros. Existem hoje, na literatura cientfica, vrios trabalhos utilizando redes neurais artificiais no mercado financeiro obtendo timos resultados. Dentre as principais aplicaes nesta rea, destaca-se a utilizao de redes neurais no processo de previso dos retornos de ativos financeiros (aes, ndices de aes, opes...) [LAW 97, LAZ 00, FRE 01, CAR 01, entre outros]. Estes trabalhos so apenas alguns dos exemplos que demonstram a superioridade das redes quando comparadas com modelos tradicionalmente utilizados neste campo de aplicao. O bom desempenho das redes neurais nestes trabalhos as tem tornado uma ferramenta atrativa para aplicao em

13

vrios processos relacionados ao comportamento do mercado financeiro tais como o processo de seleo de carteiras. Ao realizar um investimento em uma carteira, o investidor espera que o seu retorno seja grande o suficiente para compensar os riscos que est correndo. Ou seja, seu objetivo tentar minimizar o risco e maximizar o retorno esperado. A utilizao de redes neurais artificiais pode vir a auxiliar o investidor a formar uma carteira tima que, segundo Bernstein (2000), a combinao de ativos que oferecem o retorno esperado mais alto em um determinado nvel de risco. As redes neurais ajudam no processo de seleo das aes que faro parte da carteira, a partir da previso de seus preos futuros. Atravs da estimativa do valor futuro da ao, o investidor adquire maior segurana na tomada de deciso. A rea das finanas caracteriza-se como uma das principais reas de aplicao de redes neurais artificiais em negcios, por tratar-se de um ramo onde as decises so baseadas em informaes com um alto grau de variabilidade e incerteza [SCH 03]. As redes neurais auxiliam esse processo pela sua capacidade de anlise de padres. Embora mtodos estatsticos convencionais possam ser utilizados para prever as tendncias do mercado financeiro, as redes neurais so bem mais apropriadas para lidar com oscilaes e perturbaes. As redes neurais podem facilitar bastante o trabalho de um investidor de aes e, ao mesmo tempo, aumentar a possibilidade de ganhos, que hoje um dos maiores objetivos no s do investidor, mas tambm de todo ser humano.

1.2 Objetivos do trabalho


1.2.1 Objetivo Geral Desenvolver uma rede neural artificial capaz de realizar a previso dos preos futuros de aes. Os resultados fornecidos pela rede serviro de base para um processo de seleo das aes mais indicadas para fazer parte de uma determinada carteira. 1.2.2 Objetivos Especficos

a) Realizar um estudo sobre o processo de seleo de carteiras; b) Realizar um estudo sobre redes neurais artificiais, analisando a aplicabilidade desta tcnica no processo de seleo de carteiras; c) Analisar e coletar os dados que sero utilizados na alimentao da rede neural; d) Selecionar a rede neural que melhor se adapta ao problema proposto; e) Implementar a rede neural; f) Validar o modelo implementado.

1.3 Justificativa
Ao longo dos anos vem se tentando, de vrias maneiras, realizar a previso dos preos futuros das aes (previso das tendncias de alta ou baixa). A utilizao das redes neurais artificiais vem entrando neste mercado com muita fora visando facilitar o trabalho do investidor, auxiliando-o na tomada de deciso [FRE 99].

14

O processo de seleo de carteiras um problema no linear que envolve um espao de solues grande demais para se pesquisar todas as solues possveis. Alm disso, os dados relacionados a este problema apresentam rudos e podem, algumas vezes, ser incompletos. Antes do desenvolvimento tecnolgico, as pessoas realizavam operaes no mercado de aes baseadas na intuio. medida que o nvel de investimento e negociao aumentava, crescia tambm a procura por ferramentas e mtodos que pudessem aumentar os ganhos, diminuindo os riscos. Os modelos atualmente utilizados na avaliao de aes e na seleo de carteiras tm tido seus resultados questionados nos ltimos anos [CAR 01]. Vrios estudos mostram que tais modelos nem sempre geram carteiras consideradas eficientes. O principal modelo utilizado o de Markowitz (1959) o qual, apesar de ser bastante difundido, apresenta algumas limitaes. O avano da tecnologia computacional possibilitou o desenvolvimento de redes neurais que conseguiram superar as dificuldades encontradas por outros mtodos j utilizados na tentativa de realizar previses no mercado financeiro. Os modelos neurais procuram aproximar o processamento dos computadores dos processos cerebrais, apresentado um grau de interconexo similar estrutura do crebro, tornando-os capazes de realizar abstraes tais como aprender [MAR 02]. Esta caracterstica das redes possibilita a extrao de regras sem que estas estejam formalizadas explicitamente, alm da descoberta de relaes no-lineares nos dados de entrada. Considerando as informaes aqui apresentadas e os diversos trabalhos j realizados, acredita-se que a rede neural artificial a ferramenta ideal para modelar sistemas dinmicos no-lineares tais como o mercado de aes.

1.4 Organizao do trabalho


O presente trabalho est estruturado em cinco captulos. No segundo captulo apresentada uma viso geral sobre o processo de seleo de carteiras, destacando o modelo desenvolvido por Markowitz e o problema da precificao de aes. No terceiro captulo apresenta-se uma introduo s redes neurais. Neste captulo faz-se uma descrio dos principais tipos de redes e mtodos de aprendizagem, apresentando tambm as principais etapas do projeto de uma rede neural, suas principais vantagens e reas de aplicao. A descrio do modelo implementado pode ser vista no quarto captulo, juntamente com a metodologia empregada e os resultados obtidos. No quinto captulo encontram-se as concluses e a contribuio do trabalho desenvolvido, alm de sugestes para o desenvolvimento de trabalhos futuros.

15

2 SELEO DE CARTEIRAS

2.1 Introduo
Ao realizar um investimento no mercado de aes, o investidor pode simplesmente investir em certas aes isoladamente, ou pode investir em carteiras diversificadas, isto , em uma combinao de ativos, de acordo com seus interesses. A principal vantagem da escolha pela formao de carteiras diversificadas est na possibilidade de ter acesso a alternativas de investimento com nveis de risco relativamente reduzidos, se comparados s aes isoladamente. Para realizar um investimento em uma carteira de aes deve-se primeiro realizar um processo de seleo de carteiras. O processo de seleo de carteiras o processo pelo qual se escolhem, dentre vrias alternativas de investimento, os ativos que comporo a carteira com melhor relao risco-retorno, dado o perfil do investidor [CAR 01]. O objetivo principal de um investimento em uma carteira de aes obter o mximo de rendimento possvel, dadas as restries de tal carteira [BER 00]. No processo de seleo de carteiras as perspectivas de risco e retorno de vrios ttulos so analisadas com o objetivo de formar um conjunto de forma que se consiga, atravs da diversificao, reduzir o risco de uma carteira a nveis algumas vezes menores que o risco do investimento mais seguro que participa da carteira. Pode-se atravs da diversificao do investimento, ou seja, combinao de ativos de risco com aqueles livres de risco, aumentar o retorno esperado mantendo o risco a nveis iguais ou menores que o risco individual de cada ativo. O retorno esperado sobre a carteira a mdia ponderada dos retornos esperados de cada componente da carteira [BER 00]. Considerando o retorno esperado de uma ao como o retorno que um indivduo espera que esta ao possa proporcionar no prximo perodo [ROS 95]. J o risco de um investimento a probabilidade de se ganhar menos que o esperado [GON 02], a possibilidade de algo dar errado. Este risco existe devido a incertezas da atividade comercial, inflao, supervalorizao, crises do crdito e crises no cmbio exterior. Na teoria da carteira o risco geralmente medido como o desvio entre o retorno real e o esperado [BER 00]. Existem dois tipos de risco no mercado financeiro: a) O risco diversificvel (tambm conhecido como risco no-sistemtico) o qual afeta apenas uma empresa ou, na pior das hipteses, um pequeno grupo de empresas, ou seja, afeta um nico ativo ou um pequeno grupo de ativos. Ele deve ser considerado para cada empresa ou ativo separadamente. Este tipo de risco pode ser eliminado por diversificao em uma carteira ampla [ROS 95].

16

b) O risco no-diversificvel (tambm conhecido como risco sistemtico, ou risco de mercado) o qual refere-se a acontecimentos que afetam o mercado como um todo [GON 02]. Este risco afeta um grande nmero de ativos, cada um deles com maior ou menor intensidade. A diversificao proporcionada pela carteira pode reduzir e at mesmo eliminar somente o primeiro risco, o diversificvel. O mesmo no acontece com o risco sistemtico. A composio de uma carteira pode variar muito devido ao fato de existirem diferentes tipos de investidores que desejam assumir diferentes riscos e retornos. Segundo Bernstein (2000), a deciso fundamental sobre alocao de ativos (quais aes incluir na carteira) uma das mais importantes em todo o processo de investimento. Esta escolha tem mais influncia sobre os retornos de uma carteira composta do que qualquer outra deciso particular [BER 00].

2.2 Modelo de Markowitz


De acordo com Cartacho (2001), os trabalhos de Markowitz so considerados o marco inicial das pesquisas nesta rea e contm os princpios bsicos da formao de carteiras. Segundo Castro e Gonalves (2002), o processo de seleo de uma carteira, na viso de Markowitz, pode ser dividido em dois estgios: o primeiro que comea com a observao e a experincia do investidor e termina com suposies sobre a performance futura dos negcios avaliados; e o segundo estgio que comea com as suposies relevantes para os desempenhos futuros e termina com a escolha da carteira de aes. O presente trabalho concentra-se no segundo estgio deste modelo. A idia bsica do modelo de Markowitz que os nicos fatores que devem ser levados em considerao na seleo de uma carteira so: o retorno esperado da carteira e o risco calculado pela varincia deste retorno [CAS 02, JUD 03], sendo o retorno o fator desejvel pelo investidor e o risco o fator indesejvel. A contribuio fundamental deste modelo foi a distino entre a variabilidade do retorno de um ativo financeiro e o seu impacto no risco de uma carteira de investimentos. A varincia da carteira de aes uma funo de correlao nos retornos entre os pares de ativos [DAM 97]. Quanto maior a correlao em retornos entre cada dois ativos, menor ser o benefcio decorrente da diversificao. Por outro lado, se a correlao for menor do que 1, haver algum benefcio proporcionado pela diversificao. Ou seja, quando dois ou mais ativos pouco relacionados compem uma carteira, consegue-se um risco menor que a mdia ponderada dos riscos individuais [GON 02]. medida que o coeficiente de correlao decresce, tambm decresce o desvio padro da carteira [DAM 97], isto , decresce o risco da carteira. A chamada Moderna Teoria de Carteiras, baseada no mtodo de Markowitz, fornece a base para a construo de carteiras eficientes (ou timas). Segundo Damodaran (1997), a otimizao da carteira a maximizao do nvel de retorno sujeito ao nvel de risco mximo que o investidor est disposto a aceitar. Se o investidor especificar seu nvel desejvel de retorno, a carteira tima ser a que minimizar a varincia sujeita a este nvel de retorno. As carteiras que emergem deste processo so denominadas Markowitz. Esta teoria analisa como o risco coletivo de uma carteira pode ser reduzido. Ela baseia-se no fato de que os riscos especficos de cada ao (os riscos diversificveis) se compensam mutuamente e acabam desaparecendo por completo a partir de um certo

17

nmero de ttulos [OIC 02]. O nico risco que persiste numa carteira apropriadamente diversificada a combinao dos riscos sistemticos (no-diversificveis) de diferentes aes. A Moderna Teoria de Carteiras tem sido utilizada para quantificar as vantagens da diversificao [OIC 02]. A diversificao do investimento um meio de reduzir os riscos da carteira sem ocasionar perda de rendimentos. Apesar de ser a principal referncia quando se trata de seleo de carteiras, o modelo de Markowitz apresenta algumas falhas. Seu mtodo para seleo de carteiras baseia-se em premissas que nem sempre so verificadas na realidade [CAR 01]. Para ser aplicado, este modelo necessita que alguns dados sejam fornecidos como entrada, considerando que os valores destes dados refletem bem a realidade. Logo, se os dados de entrada estiverem fora da realidade ou no estiverem disponveis, o modelo no ser capaz de gerar bons resultados. Gonalves (2002) alcanou bons resultados com a aplicao do modelo de Markowitz atravs da programao linear, com o uso de planilhas eletrnicas. Entretanto, o exemplo apresentado em seu trabalho no reflete a complexidade do mercado financeiro real. J o resultado obtido pelo mtodo de Markowitz no trabalho desenvolvido por Cartacho (2001) foi inferior ao resultado atingido pela rede neural desenvolvida neste mesmo trabalho; porm, quando comparado com o ndice de mercado, seu resultado foi considerado melhor.

2.3 Precificao de Aes


As aes so elementos de grande importncia para o processo de seleo de uma carteira. Elas podem ser definidas como: ttulos nominativos negociveis que representam, para quem as possui, uma frao do capital social de uma empresa [UCP 03]. As aes so conversveis em dinheiro, a qualquer tempo, pela negociao em bolsas de valores ou no mercado de aes. Elas so ativos de renda varivel, ou seja, no oferecem ao investidor uma rentabilidade garantida, previamente conhecida [UCP 03]. Como j foi mencionado anteriormente, a deciso sobre quais aes incluir em uma carteira uma das mais importantes do processo de investimento. O investidor que deseja compor uma carteira de aes deve escolher a melhor combinao de aes que minimize o risco de acordo com o retorno desejado. As decises do investidor so ento baseadas no retorno que ele espera que sua carteira possa proporcionar no prximo perodo. Esta informao depende dos retornos individuais que se espera que cada ao venha a ter. Portanto, para que o investidor possa ter maior segurana no seu investimento, recomenda-se a utilizao de um modelo de precificao de aes. O modelo mais conhecido e utilizado o CAPM (Capital Asset Pricing Model) o qual um modelo para precificao de ativos financeiros. Ele considerado o tronco da teoria de precificao moderna para mercados financeiros [CAB 02]. No entanto o CAPM, assim como o modelo de Markowitz para seleo de carteiras, baseia-se em premissas que no se aplicam na realidade [MIL 01, CAS 02], sendo esta a grande limitao deste modelo. Uma das premissas bsicas do modelo CAPM a do mercado eficiente. A Hiptese de Mercado Eficiente (HME) afirma que os preos dos ttulos no variam de forma aleatria, mas refletem todas as informaes disponveis a seu respeito [CAS 02]. Desta forma no possvel a obteno de lucros superiores quele lucro normal ajustado ao

18

risco inerente do negcio, onde o valor do ttulo representa o valor justo ou valor intrnseco da empresa a qual o ttulo representa [MIL 01]. Esta hiptese considera que a informao amplamente acessvel e barata para os investidores, e que todos os dados relevantes e suscetveis de averiguao so refletidos nos preos dos valores mobilirios. Existem trs nveis de eficincia do mercado. No primeiro nvel, denominado forma fraca de eficincia, os preos refletem toda a informao contida no registro dos preos passados. No segundo nvel, denominado forma semiforte de eficincia, os preos, alm de refletir seu comportamento passado, refletem toda a informao pblica disponvel. Finalmente no terceiro nvel, conhecido como forma forte de eficincia, os preos refletem no s a informao publicada, mas tambm toda informao que pode ser obtida de forma privilegiada. A teoria de um mercado eficiente no verificada na realidade, pois, por exemplo, no h como garantir que as transaes no tero custo algum para os investidores, ou que toda informao existente estar disponvel tambm sem custo algum para todos no mercado. Alm disso, ela assume que os mercados financeiros no seriam previsveis, e que seria impossvel para um investidor bater o mercado. Entretanto, recursos computacionais cada vez mais poderosos tm possibilitado o desenvolvimento e a aplicao de novas e sofisticadas tcnicas estatsticas, matemticas e de Inteligncia Artificial na anlise dos mercados financeiros na busca da previsibilidade dos preos [BRU 98]. Milani (2001) realiza um teste emprico do modelo CAPM na BOVESPA (Bolsa de Valores de So Paulo) e demonstra que este modelo no reflete adequadamente o comportamento do mercado, pois os resultados obtidos no so compatveis com os resultados encontrados na prtica. Isto ocorre devido limitao do modelo CAPM citada anteriormente. O modelo proposto neste trabalho como uma alternativa para a realizao da precificao de aes uma rede neural artificial. Esta escolha foi feita baseada no fato de que a precificao de aes um problema de deteco da inter-relao entre diferentes varveis. A rede neural capaz de realizar a previso do preo de qualquer ao a partir de informaes histricas relacionadas ao mercado financeiro, as quais so passadas para a rede atravs de variveis de entrada. A rede consegue aprender os tipos de relaes entre essas variveis e, com base nisto, fornecer uma previso do preo da ao para o perodo seguinte. Dispondo de estimativas dos retornos esperados de cada ao individualmente, os investidores podem definir qual a melhor combinao possvel dos ativos que lhes oferece a melhor relao risco-retorno, de acordo com seu perfil. Quanto melhores forem as previses, mais acertadas sero as alocaes das aes dentro de carteiras escolhidas e melhores sero os investimentos realizados.

19

3 REDES NEURAIS ARTIFICIAIS

3.1 Introduo
A rede neural artificial uma tcnica de Inteligncia Artificial (IA) que tenta simular em mquinas (computadores) o funcionamento do crebro humano, de uma maneira simplificada. Ela capaz de reconhecer padres, extrair regularidades e detectar relaes subjacentes em um conjunto de dados aparentemente desconexos. Alm disso, ela apresenta habilidade de lidar com dados ruidosos, incompletos ou imprecisos, e de prever sistemas no lineares, o que torna a sua aplicao no mercado financeiro bastante eficiente. A Inteligncia Artificial um termo que abrange muitas definies [TURBAN apud DAN 97]. Ela pode ser definida como a rea das cincias da computao que visa o projeto de sistemas inteligentes, ou seja, sistemas que tentam emular algum tipo de inteligncia, semelhante de um ser humano, em termos de processos computacionais. Os sistemas inteligentes so assim denominados por exibirem caractersticas que associamos ao comportamento inteligente de um ser humano, como por exemplo: percepo, aprendizagem, raciocnio, comunicao e atuao em ambientes complexos [NIL 98]. Uma rede neural, segundo Haykin (2001), pode ser definida como,
um processador maciamente paralelamente distribudo, constitudo de unidades de processamento simples, que tm a propenso natural para armazenar conhecimento experimental e torn-lo disponvel para uso. Ela assemelha-se ao crebro em dois aspectos: (1) o conhecimento adquirido pela rede a partir de seu ambiente atravs de um processo de aprendizagem; (2) foras de conexo entre neurnios (os pesos sinpticos) so utilizadas para armazenar o conhecimento adquirido.

As redes neurais so formadas por neurnios e conexes entre eles. O neurnio (Figura 3.1) representa uma regio onde informaes so processadas. Seus trs elementos bsicos so: os pesos sinpticos, a funo de soma e a funo de transferncia.

20

Figura 3.1: Neurnio Artificial FONTE: Tafner (1998) As conexes entre os neurnios, denominadas pesos sinpticos, so responsveis pelo armazenamento das informaes. Alm disso, elas definem o efeito que a sada de um neurnio exerce sobre a entrada do neurnio seguinte. Os pesos sinpticos so de grande importncia para uma rede neural, pois determinam toda a manipulao de valores da rede [ALV 01]. A funo de soma processa os estmulos ponderados pelos respectivos pesos, ou seja: x j = wi j y i
i

(3.1)

onde yi a sada gerada por cada neurnio da camada anterior. J a funo de transferncia, tambm chamada de funo de ativao, limita a amplitude do intervalo do sinal de sada do neurnio para algum valor finito, geralmente no intervalo normalizado [0,1] ou [-1,1]. y j = f (x j ) Dentre as principais funes de ativao utilizadas, os tipos bsicos so: a) Funo Degrau. o tipo mais simples de funo de ativao. Sua resposta pode assumir dois valores: 0 ou 1, como demonstrado a seguir: 1 f ( x) = 0 se x 0 se x < 0 (3.3) (3.2)

b) Funo Linear. Um exemplo de funo linear pode ser descrito como: 1, f ( x ) = x, 0, x 1 2 (3.4)

1 1 <x< 2 2 1 x 2

21

onde (- e ) o intervalo que define a sada linear e 0 e 1 so os limites mnimo e mximo da funo. c) Funo Sigmide. Esta funo assume valores em um intervalo contnuo entre 0 e 1. Sua frmula dada por: f ( x) = 1 1 + exp( x) (3.5)

na qual determina a inclinao da funo. Alm dos trs elementos bsicos j citados, o neurnio pode ainda apresentar um bias que tem o efeito de aumentar ou diminuir a entrada lquida da funo de ativao [HAY 01]. O termo bias age como um peso extra nas conexes das unidades cuja entrada sempre um [FAU 94]. Usualmente as redes neurais apresentam trs nveis de camadas de neurnios (Figura 3.2): a) uma camada de entrada: onde os padres so apresentados rede; b) uma camada de sada: onde o resultado apresentado; c) camadas intermedirias ou ocultas: onde feita a maior parte do processamento, atravs das conexes ponderadas. Elas situam-se entre a camada de entrada e a camada de sada e podem ser consideradas como extratoras de caractersticas.

Figura 3.2: Estrutura de uma Rede Neural FONTE: Alves (2001) A camada de entrada, na verdade, no formada por neurnios reais, pois eles no realizam nenhum processamento. Eles simplesmente distribuem os valores das entradas da rede para os neurnios da primeira camada oculta. J a camada intermediria tem a funo de processar a informao provinda da camada de entrada. Ela tambm pode ser denominada camada oculta, pois sua sada no conhecida pelo usurio.

22

O tipo de conexo, nmero de camadas de neurnios e o tipo de treinamento so os aspectos que diferem os tipos de redes neurais. Cada um mais adequado para determinado tipo de tarefa. Os diferentes tipos de conexes entre os neurnios de uma rede determinam a topologia (ou arquitetura) desta rede. As principais topologias de rede so descritas a seguir. a) Redes alimentadas adiante (feedforward) os neurnios esto dispostos em camadas conectadas por pesos unidirecionais na direo entrada sada, ou seja, as conexes ocorrem apenas entre camadas diferentes e subseqentes. Esta estrutura totalmente conectada uma vez que todas as sadas dos neurnios de uma camada so conectadas com as entradas de todos os neurnios da camada seguinte. b) Redes recorrentes um neurnio pode receber entradas de qualquer outra camada da rede. Destas fazem parte as redes com realimentao nas quais os neurnios da entrada recebem sinais vindos diretamente dos neurnios da sada. A rede neural deve ter a capacidade de generalizao, ou seja, ela deve ser capaz no apenas de classificar as entradas para as quais ela recebe treinamento, mas tambm de generalizar e classificar entradas que no tenham sido apresentadas. Isto possvel graas a um processo de aprendizagem ao qual a rede submetida. Esta propriedade permite que a rede encontre respostas corretas mesmo quando os dados disponveis para as entradas esto incompletos ou danificados. O desenvolvimento de uma rede neural ainda um processo de tentativa e erro. A seleo da rede envolve a escolha da topologia da rede (ou arquitetura), da funo de transferncia e do algoritmo de aprendizagem.

3.2 Aprendizagem
A propriedade mais importante das redes neurais a habilidade de aprender de seu ambiente e com isso melhorar seu desempenho. Isto feito atravs de um processo iterativo de ajustes aplicado a seus pesos, o treinamento. O aprendizado ocorre quando a rede neural atinge uma soluo generalizada para uma classe de problemas. O processo de aprendizagem nas redes neurais acontece internamente por meio do ajuste dos pesos sinpticos das conexes durante a exposio dos exemplos, em reposta quantidade de erros gerados pela rede. Ou seja, a rede neural capaz de modificar-se em funo da necessidade de aprender a informao que lhe foi apresentada [TAF 95]. As redes neurais so treinadas para aprender a partir dos dados de entrada. Assim como o crebro humano, elas aprendem a partir de experincias e no atravs de programao. Por este motivo, deve-se tomar bastante cuidado com a formao do conjunto de treinamento. Este conjunto deve ser gerado a partir de dados histricos, ou seja, a partir de experincias e fatos ocorridos no passado. Como j mencionado anteriormente, a rede deve ser capaz de generalizar. Mas, ao mesmo tempo, deve-se tomar cuidado para que no acontea um supertreinamento e memorizao dos dados. Se uma rede neural submetida a um supertreinamento, ela perde a capacidade de reconhecer padres fora do conjunto de treinamento. Para evitar esta situao deve-se ter um conjunto de teste com dados diferentes do conjunto de treinamento, e a rede deve ser capaz de classific-los corretamente, provando assim sua flexibilidade e capacidade de generalizao. Os trs principais paradigmas de aprendizagem so apresentados a seguir:

23

a) Aprendizagem supervisionada (ou aprendizagem com professor), quando utilizado um agente externo que indica rede a resposta desejada para o padro de entrada. O ajuste dos pesos ocorre quando o sistema compara a sada da rede com a resposta desejada previamente conhecida. b) Aprendizagem no-supervisionada (ou aprendizagem sem professor), quando no existe um agente externo indicando a resposta desejada para os padres de entrada. A rede neural utiliza os neurnios como classificadores, e os dados de entrada como elementos de classificao. Esse tipo de rede trabalha essas entradas e se organiza de modo a classific-las mediante algum critrio de semelhana. c) Aprendizagem hbrida, que mescla os conceitos apresentados acima. Parte dos pesos determinada atravs da aprendizagem supervisionada, enquanto outros so obtidos atravs da aprendizagem no-supervisionada. Em um processo de aprendizagem, os pesos dos neurnios so ajustados atravs de um algoritmo de aprendizagem. O algoritmo de aprendizagem um conjunto prestabelecido de regras bem-definidas para resoluo de um problema de aprendizagem [HAY 01]. Ele tem como objetivo encontrar pesos para a rede que permitam que esta gere sadas compatveis com as desejadas. Os algoritmos existentes diferem entre si pela forma como ocorre o ajuste dos pesos sinpticos dos neurnios, ou seja, pela regra de aprendizagem adotada. De acordo com Haykin (2001), existem cinco regras bsicas de aprendizagem atravs das quais os pesos sinpticos de uma rede podem ser ajustados: aprendizagem por correo de erro, baseada em memria, hebbiana, competitiva e aprendizagem de Boltzmann. Aprendizagem por correo de erro A aprendizagem por correo de erro baseada no paradigma de aprendizagem supervisionada no qual a sada desejada para cada padro de entrada fornecida para a rede. O sinal de sada gerado pela rede, representado por yk(n), comparado com a resposta desejada, representada por dk(n), produzindo um sinal de erro ek(n). Este erro dado por: ek(n) = dk(n) - yk(n) (3.6)

O sinal de erro ento utilizado para ajustar os pesos das conexes com o objetivo de aproximar o sinal de sada yk(n) da resposta desejada dk(n), reduzindo o erro ek(n). Aprendizagem baseada em memria Nesta regra de aprendizagem, todas as experincias passadas so armazenadas em uma grande memria de exemplos de entrada-sada classificados corretamente: (xi, di), onde i = 1..n, xi representa um padro de entrada e di representa a resposta desejada correspondente [HAY 01]. Quando se deseja classificar um vetor de teste X (no visto antes), o algoritmo responde buscando e analisando os dados de treinamento em uma vizinhana local de X. Esta regra envolve dois ingredientes essenciais, e a forma como eles so definidos que vai diferenciar os algoritmos de aprendizagem baseada em memria entre si. Os ingredientes so: o critrio utilizado para definir a vizinhana local do vetor de teste X e a regra de aprendizagem aplicada aos exemplos de treinamento em uma vizinhana local de X [HAY 01].

24

Aprendizagem hebbiana O postulado de aprendizado de Hebb a mais antiga regra de aprendizagem existente [HEBB apud DAN 97]. O princpio bsico desta regra : se dois neurnios em ambos os lados de uma conexo so ativados simultaneamente, ento a fora desta conexo seletivamente aumentada. A forma mais simples de aprendizagem hebbiana descrita por [HAY 01]: wjk(n+1) = wjk(n) + yk(n)xj(n) (3.7)

onde wjk o peso sinptico do neurnio k, xj e yk so os sinais pr-sinptico e pssinptico, respectivamente, deste peso, e uma constante positiva que define a taxa de aprendizagem. Segundo Dandolini (1997), uma vantagem desta regra que a aprendizagem feita localmente, ou seja, a mudana nos pesos depende somente da ativao dos dois neurnios conectados pelo peso, o que simplifica bastante a complexidade da aprendizagem. Aprendizagem competitiva Na regra de aprendizagem competitiva, os neurnios da camada de sada competem entre si para se tornarem ativos, considerando que somente um neurnio pode estar ativo em um determinado instante. Este fenmeno conhecido como winner-take-all, isto , o vencedor leva tudo. Para um neurnio ser o vencedor, isto , estar ativo, seu campo local induzido vk para um padro de entrada x deve ser o maior dentre todos os neurnios da rede [HAY 01]. Quando isto acontece, o sinal de sada yk deste neurnio igual a um. Caso contrrio o sinal de sada colocado em zero, como demonstrado a seguir: 1 se v k > v j para todos j , j k yk = 0 caso contrrio Nesta regra, a variao wjk que aplicada ao peso wjk definida por: ( x j w jk ) se o neurnio k vencer a competio wjk = se o neurnio k perder a competio 0 (3.9) (3.8)

onde a taxa de aprendizagem. Como efeito desta regra de aprendizagem, o vetor de peso wk movido na direo do padro de entrada x, a partir do neurnio vencedor k. Este tipo de aprendizagem adequado para descobrir caractersticas nos dados de entrada que podem ser utilizadas para agrupar padres similares. Aprendizagem de Boltzmann A regra de aprendizagem de Boltzmann um algoritmo de aprendizagem estocstico que realiza o ajuste dos pesos baseando-se na probabilidade e na mecnica estatstica. A rede neural que utiliza esta regra denominada mquina de Boltzmann [HAY 01]. Os neurnios nesta mquina formam uma estrutura recorrente e podem assumir dois estados: ligado (+1) ou desligado (-1). Os estados de cada neurnio na mquina determinam o valor de uma funo de energia que caracteriza esta rede:

25

E=

1 w jk x j x k 2 j k

jk

(3.10)

onde xj o estado do neurnio j e wjk o peso sinptico entre os neurnios j e k. A restrio j k para garantir que nenhum dos neurnios tenha auto-realimentao. O equilbrio alcanado quando esta funo de energia alcana um mnimo. A mquina escolhe um neurnio ao acaso e, em um determinado passo do processo de aprendizagem, troca seu estado de +xk para xk, a uma pseudotemperatura T, com probabilidade: P( xk xk ) = 1 1 + exp( E k / T ) (3.11)

onde Ek a variao de energia resultante da troca. Os neurnios desta rede podem ser visveis ou ocultos e o sistema operado em dois modos: condio presa, no qual os neurnios visveis esto presos em estados especficos determinados pelo meio; e condio de operao livre, onde os neurnios visveis e ocultos podem operar livremente [HAY 01]. Permite-se que a mquina opere em ambos os modos at que o equilbrio seja alcanado. Quando isto acontece, os pesos wjk nas conexes entre os ns j e k so ajustados com base na diferena entre as probabilidades pjk (P) e pjk (L). pjk (P) a probabilidade dos elementos j e k estarem na condio presa, e pjk (L) a probabilidade de ambos estarem na condio de parada livre [DAN 97].

3.3 Rede Neural Backpropagation


3.3.1 Introduo A rede neural comumente denominada backpropagation na verdade uma rede neural feedforward (Figura 3.3), multicamada, treinada pelo algoritmo backpropagation. Segundo Lawrence (1997), esta rede a mais utilizada no desenvolvimento de redes neurais para o mercado financeiro. O desenvolvimento deste algoritmo de aprendizagem foi um dos marcos mais importantes das pesquisas em redes neurais artificiais [DAN 97]. Este trabalho foi o primeiro que possibilitou o ajuste dos pesos em redes multicamadas feedforward, abrindo caminho para a elaborao de redes neurais mais genricas. Devido a grande popularidade do mtodo backpropagation, seu nome utilizado para denominar as redes que o utilizam no seu treinamento.

26

Entradas

...
W1

L1 L2

...
W2

...
W3

L3 L4

...
Sadas

Figura 3.3: Rede Neural Feedforward A atratividade do mtodo backpropagation vem do conjunto de equaes bem definidas e explcitas para correo dos pesos da rede [DAN 97]. Este algoritmo consiste em realizar a retropropagao do erro gerado na comparao entre a sada da rede e a sada desejada com o objetivo de minimizar o erro total da sada gerada pela rede. O treinamento de uma rede atravs deste algoritmo envolve trs etapas: a propagao dos dados da camada de entrada para a camada de sada da rede, o clculo e a retropropagao do erro gerado pela rede, e o ajuste dos pesos [FAU 94]. Na primeira etapa, estmulos de entrada so apresentados rede e as ativaes fluem at chegarem camada de sada, gerando um resultado. J na segunda e terceira etapas, o resultado obtido pela rede comparado com a sada desejada e o erro gerado computado para as unidades de sada. Os pesos conectados s unidades de sada so ento ajustados para reduzir este erro. Em seguida, o erro da camada de sada utilizado para derivar estimativas de erro para as unidades da(s) camada(s) oculta(s), para que o erro seja ento propagado para trs at a conexo da camada e entrada. O fluxo de informao deste processo ilustrado de uma forma resumida na Figura 3.4. O mtodo backpropagation atualiza os pesos incrementalmente, depois de analisar cada par entrada-sada. Depois da apresentao de todos os pares entrada-sada diz-se que uma poca foi concluda [RIC 94]. Este treinamento, em geral, requer muitas pocas.

27

Entrada, Camada L1 Pesos W 1 Camada L2 Corrigir W2


Novos Pesos

Corrigir W1

Pesos W 2 Camada L3

Novos Pesos

Sada Erro Sada desejada

Figura 3.4: Correo dos pesos por backpropagation 3.3.2 Ajuste dos Pesos

Uma regra de aprendizagem por correo de erro, a regra delta, onde est baseado o ajuste dos pesos realizado pelo algoritmo backpropagation. Este ajuste feito baseado na retropropagao do erro atravs da qual o erro gerado pelos neurnios na camada de sada distribudo para os demais neurnios da rede. Mesmo conhecendo o erro global da rede, no possvel determinar os pesos exatos para poder corrigi-lo. Entretanto, com base nesta informao, pode-se estabelecer a direo na qual os pesos devem ser ajustados para minimizar o erro quadrado total da sada da rede. Conhecida esta direo, possvel ajustar os pesos at que o menor erro global seja atingido. O ajuste de um peso wij que define seu valor para a prxima iterao definido por:
wi j ( n + 1) = wi j ( n) + wi j ( n)

(3.12)

A variao wij que aplicada ao peso wij deve ser proporcional ao sinal de entrada xj, que definido pelos sinais de sada da camada anterior ponderados pelos pesos, e ao erro gerado na sada. Ela dada por: wi j (n) = j (n) x j (n) onde a taxa de aprendizagem e j o gradiente local do erro para o neurnio j. A taxa de aprendizagem um valor positivo, geralmente menor do que 1, que regula a intensidade com que as atualizaes dos parmetros (pesos) sero efetuadas. Taxas muito baixas, prximas de zero, tendem a fazer com que o aprendizado seja bastante lento, porm taxas muito altas, prximas de 1, podem fazer com que a rede oscile, como se estivesse aprendendo e desaprendendo, e as vezes nem consiga chegar a um patamar aceitvel de aprendizado. O valor da taxa de aprendizado no precisa permanecer fixo (3.13)

28

durante todo o treinamento. Em algumas implementaes ela pode ser adaptativa e controlada pela prpria rede. O gradiente local do erro determinado atravs do mtodo gradiente descendente. Ele o termo responsvel pela distribuio do erro da camada de sada para as camadas anteriores. O ajuste dos pesos (w) deve ser realizado na direo contrria ao gradiente, conforme mostra o Grfico 3.1. Se o peso w(n) (valor do peso na iterao n) est a esquerda do erro mnimo, o ajuste w deve ser positivo para que w(n+1) (valor do peso da prxima iterao) esteja mais prximo do valor de w que minimiza o erro. Por outro lado, se o peso w(n) est a direita do erro mnimo, o ajuste w deve ser negativo.

Erro ()

d = ( ) dw
tan()<0

d = (+) dw
tan()>0

Peso que produz o Erro Mnimo

W(n)

W(n+1)

Peso (W)

Grfico 3.1: Funo erro para um nico peso O ajuste dos pesos para os neurnios da camada de sada em um algoritmo backpropagation diferenciado do ajuste dos pesos para os neurnios da camada oculta. A seguir ser demonstrado o processo de ajuste dos pesos para cada caso separadamente. Ajuste dos pesos na camada de sada Devido ao fato da aprendizagem ser do tipo supervisionada, o resultado desejado para a camada de sada l fornecido para a rede. Com isto, pode-se fazer uma comparao deste com o resultado obtido pela rede nesta camada, gerando um sinal de erro que utilizado para realizar o ajuste dos pesos dos neurnios desta camada:

l, j

(n) = d l, j (n ) y l, j (n )

(3.14)

Tendo o valor do erro, seu gradiente local definido como:

29

l , j ( n ) = l , j ( n)

y l , j ( n) xl , j (n)

(3.15)

A expresso para o ajuste dos pesos entre a camada de sada l e a camada l-1 ento determinada como: wl 1,i , j (n) = l , j (n) y l 1,i (n) Ajuste dos pesos na camada oculta Da mesma forma que os neurnios na camada de sada devem apresentar sadas prximas aos alvos (d), os neurnios na(s) camada(s) oculta(s) tambm devem exibir sadas determinadas, contudo desconhecidas. A sada desejada para este tipo de camada no informada para a rede. Neste ponto o algoritmo backpropagation justifica seu nome, retropropagando o erro gerado pelos neurnios na camada de sada para as camadas internas, distribuindo o erro para cada um dos neurnios nas camadas ocultas. O gradiente local do erro para a(s) camada(s) oculta(s) ento definido como: (3.16)

l , j (n) = [ l +1,k (n) wl , j ,k (n)]


k

y l , j ( n) xl , j (n)

(3.17)

E o ajuste dos pesos entre os neurnios da camada l e da camada l-1 determinado pela Equao (3.16) a qual tambm determina este ajuste para a camada de sada. 3.3.3 Observaes

a) A escolha da funo de transferncia em uma rede neural backpropagation deve obedecer aos requisitos de continuidade, diferenciabilidade e monotonicidade. Estes requisitos so exigidos pelo algoritmo backpropagation para permitir que uma expresso analtica, para o ajuste dos pesos da rede, seja obtida. b) Um termo extra que pode ser adicionado ao ajuste dos pesos na tentativa de melhorar performance da rede a taxa de momentum. Esta taxa um parmetro de uso opcional, de valor positivo menor do que 1, cuja utilizao visa imprimir uma dinmica no treinamento tal que, eventualmente, possibilite que o algoritmo livre-se de mnimos locais durante o processo de busca pelo mnimo global. Para utiliz-la, os pesos de um ou mais padres de treinamento anteriores devem ser salvos. Sua utilizao recomendada quando alguns dados de entrada so muito diferentes da maioria [FAU 94]. Normalmente resulta em uma aprendizagem mais rpida, mas pode causar instabilidade em alguns casos se for muito grande. Quando a taxa de momentum utilizada, a expresso para o ajuste dos pesos entre a camada de sada l e a camada l-1 passa a ser definida como:
wl 1,i , j ( n) = l , j ( n) y l 1,i ( n) + [ wl 1,i , j ( n) wl 1,i , j ( n 1)]

(3.18)

30

3.4 Projeto de uma Rede Neural


Diante de um projeto de uma rede neural, no pensamos mais em procedimentos, regras ou frmulas algortmicas de processamento de dados, mas sim em tipos de dados de entrada, dados de sada e tratamento de dados [TAF 95]. O projeto de uma rede neural baseado diretamente nos dados do mundo real, permitindo-se que o conjunto de dados fale por si mesmo [HAY 01]. O projeto de um sistema neural consiste de diversas etapas que devem ser executadas em seqncia, de forma interativa e at mesmo com diversos ciclos de repetio. A construo do sistema comea pela identificao e coleta dos dados histricos relevantes para o problema. O passo seguinte a preparao e adequao dos dados ao formato requerido pela rede neural, ou seja, a formatao dos dados. Neste processo cria-se uma escala, estabelecendo um novo intervalo vlido dentro do qual todos os dados so colocados. Os intervalos mais utilizados so [-1,1] ou [0,1]. Este processo tambm conhecido como normalizao dos dados. Aps a escolha de uma representao para os dados do problema, deve-se separar os dados em dois conjuntos: o conjunto de treinamento o qual gerado a partir de dados histricos, ou seja, a partir de experincias e fatos ocorridos no passado; e o conjunto de teste com o qual o funcionamento da rede testado. Cada dado do conjunto de teste apresentado uma nica vez ao sistema. O prximo passo realizar a escolha do modelo neural a ser adotado e definir a topologia da rede. Em seguida realiza-se o desenvolvimento, treinamento e otimizao do modelo, seguidos pela validao do mesmo. Na etapa de validao, faz-se uma comparao do resultado obtido pela rede com o resultado desejado. Por fim, aps a validao do modelo, realiza-se a aplicao do mesmo.

3.5 Vantagens
Uma das vantagens da rede neural artificial que mais se destaca, principalmente quando aplicada no mercado financeiro, a sua capacidade de modelar e prever sistemas no-lineares. Este o grande diferencial das redes neurais quando comparadas com outros mtodos como, por exemplo, modelos estatsticos. Alm desta, existem inmeras outras vantagens atribudas s redes neurais, dentre as quais destacam-se: - capacidade de encontrar problemas do mundo real;
-

solues

eficientes

para

- habilidade de lidar com dados ruidosos, incompletos ou imprecisos; capacidade de anlise e reconhecimento de padres; capacidade de resolver problemas prticos sem a necessidade da definio de regras ou de modelos precisos; capacidade de buscar a soluo atravs de um mtodo prprio de treinamento e auto-aprendizado; execuo em paralelo; alta capacidade de adaptao e generalizao;

A principal limitao das redes neurais no ter capacidade de explicao [DAN 07]. Os dados entram na rede e uma previso sai, mas o tipo de relacionamento entre as

31

variveis no revelado [FRA 01], assim como detalhes de como as redes raciocinam com o dados para chegar s concluses tambm no so fornecidos. Por este motivo, as redes neurais so recomendadas para serem aplicadas em reas de conhecimento cujas teorias ainda no conseguem explicar adequadamente o comportamento dos fenmenos observados ou em reas de grande complexidade que no necessitam de modelos precisos da realidade fsica do problema. Ou seja, a maior limitao das redes neurais no representa um problema para a sua aplicao no mercado financeiro.

3.6 Aplicaes
Mesmo com algumas restries, a rea de redes neurais tem demonstrado sua potencialidade em diversas aplicaes, superando expectativas e gerando resultados at ento no alcanados com qualquer outra tcnica, seja computacional ou convencional. As redes neurais artificiais podem ser treinadas para encontrar solues, interpretar e classificar dados, reconhecer padres, aproximar funes e prever eventos futuros. Atualmente, so inmeras as reas nas quais as redes neurais tm sido aplicadas, e os bons desempenhos alcanados tm incentivado pesquisadores a fazer das redes neurais uma alternativa de soluo para problemas nas mais diversas reas de atuao. Os principais domnios de aplicao das redes neurais so: processamento de imagens, setor militar, robtica, biologia e medicina, telecomunicaes e o setor financeiro. Dentre as principais aplicaes das redes neurais na rea de finanas destacam-se: aprovao de crdito, deteco de fraude, previso de falncia, previso no mercado de aes (previso do preo de aes e de ndices econmicos), seleo de carteiras, anlise de riscos, diagnstico de empresas [DAN 97, FRA 01, SCH 03, entre outros].

32

4 APLICAO E RESULTADOS

4.1 Introduo
Neste captulo apresenta-se o desenvolvimento de uma rede neural feedforward com algoritmo de treinamento backpropagation para realizar a previso dos preos de trs aes: Eletrobrs ON, Petrobrs PN e Vale Rio Doce PNA, no horizonte de um ms. A implementao deste modelo visa fornecer uma ferramenta de auxlio ao investidor, proporcionando-lhe maior segurana na tomada de deciso. Depois da descrio do modelo desenvolvido, so apresentados os resultados obtidos nos treinamentos e nos testes da rede neural aplicada s aes dadas.

4.2 Dados
Os dados utilizados neste trabalho so reais e foram calculados a partir das cotaes mensais obtidas no programa Economtica (sendo ajustados aos dividendos e deflacionados) e organizados no Microsoft Excel para o posterior uso na rede neural. O Economtica um software que fornece um grande banco de dados a respeito dos ttulos listados em diversas bolsas do mundo, sendo utilizado por analistas de investimentos como uma das ferramentas de apoio s suas decises de alocao de recursos, pois ele disponibiliza uma vasta gama de informaes de interesse destes [MIL 01]. Um exemplo de tela do Economtica, apresentando as cotaes da ao Petrobrs PN, pode ser visualizado na Figura 4.1. O conjunto de dados foi dividido em duas partes: a primeira parte (de janeiro/1995 a dezembro/1998) foi utilizada no processo de treinamento da rede, a outra parte (de janeiro/1999 a dezembro/2000) foi utilizada no teste da mesma. Antes de serem apresentados rede, os dados ainda passaram por um prprocessamento, sendo normalizados dentro de dois intervalos. Os dados utilizados na entrada da rede foram normalizados para o intervalo [-1,1]. J os valores das respostas desejadas para a rede foram normalizados no intervalo [0,1]. O objetivo da normalizao diminuir a influncia causada por valores que se destacam excessivamente em relao aos demais, ou seja, diminuir a distncia entre os valores de variveis muito espaadas. O tratamento dos dados incompletos tambm faz parte do pr-processamento. Atribuiu-se o valor zero para cada dado no disponvel.

www.economatica.com.br

33

Figura 4.1: Tela do Economtica com as cotaes da ao Petrobrs PN

4.3 Variveis de entrada da rede


Uma das decises mais importantes na construo de uma rede neural a escolha das variveis nas quais a rede ir se basear para poder aprender. Quando as redes neurais so utilizadas para realizar previso financeira, dados sobre diversos indicadores econmicos so utilizados como valores de entrada da rede para que na sada obtenha-se alguma informao, como neste caso, o preo de fechamento da ao para o prximo perodo. Tomando por base o trabalho desenvolvido por Cartacho (2001), para cada ao foram coletados os seguintes dados para serem utilizados como variveis de entrada: preo de abertura, mnimo, mximo e de fechamento; volume de negociao; ndice Ibovespa; taxa do dlar; taxa da poupana; taxa de juros (Selic 30 dias) e ndice Dow Jones. Alm destes, tambm foram utilizados os preos de fechamento nos perodos (t1), (t-2) e (t-3), e as mdias mveis de cinco (5), dez (10) e quinze (15) meses das cotaes do preo de fechamento, formando um conjunto de dezesseis variveis de entrada. O Grfico 4.1 apresenta as variveis de entrada da rede, da ao Petrobrs PN, com valores normalizados no intervalo [-1,1].

34

Grfico 4.1: Variveis de entrada (Petrobrs PN) normalizadas entre [-1,1] A mdia mvel uma ferramenta bastante utilizada em previses no mercado financeiro. Nela os preos dos ltimos n perodos so utilizados para filtrar um pouco eventuais variaes excessivas de um perodo para outro e visualizar mais claramente a possvel tendncia do mercado. Utiliza-se neste trabalho a mdia mvel ponderada, na qual os ltimos preos coletados adquirem maior importncia, de acordo com a seguinte frmula:
M(n) = (P[t]*n + P[t-1]*(n-1) + P[t-2]*(n-2) +...+ P[t- (4.1) n+1]*1) /(n + (n-1) + (n-2) +...+ 1)

Os preos de fechamento dos perodos t, (t-1), (t-2) e (t-3) foram utilizados com o objetivo de fornecer rede uma memria de curto e mdio prazo. O ndice BOVESPA (Ibovespa) o ndice da Bolsa de Valores de So Paulo, que mede a lucratividade de uma carteira terica de aes [BOV 99]. Ele retrata o comportamento dos principais papis negociados na bolsa de valores, constituindo o mais importante indicador do desempenho mdio das cotaes do mercado de aes brasileiro [BOVESPA apud VIE 00]. A taxa Selic atualmente a taxa de referncia dos juros no mercado financeiro [UCP 01].

4.4 Rede Neural


4.4.1 Introduo A utilizao de uma rede neural artificial exige que uma srie de escolhas, no triviais, sejam feitas na busca de um modelo que apresente um resultado considerado satisfatrio. Dentre as principais escolhas esto: a topologia da rede, o algoritmo de

35

aprendizagem, a funo de ativao, a taxa de aprendizagem, a taxa de momentum e o nmero ideal de pocas. Optou-se pelo modelo de rede neural feedforward, freqentemente utilizado em aplicaes financeiras, com algoritmo de treinamento backpropagation, no qual os pesos so ajustados baseados na regra de aprendizagem por correo de erro. A rede, modelada e executada no software Matlab, foi estruturada em trs camadas, ou seja, apenas uma camada oculta foi utilizada, pois, de acordo com Fausett (1994), duas ou mais camadas ocultas podem beneficiar determinadas aplicaes, mas uma nica camada oculta considerada suficiente. A camada de entrada formada por dezesseis neurnios, um para cada varivel de entrada da rede. O nmero de neurnios na segunda camada foi sendo modificado ao longo dos testes. Na terceira camada h apenas um neurnio que representa a varivel de sada da rede: o preo de fechamento da ao para o ms seguinte Alm do nmero de neurnios da camada oculta, a taxa de aprendizagem, a taxa de momentum e o nmero de pocas tambm foram sendo modificados durante a realizao de inmeros testes na busca da combinao que produzisse o melhor resultado. A funo tangente hiperblica (tanh) foi definida como a funo de ativao para os neurnios da camada oculta. Ela assuma valores em um intervalo contnuo entre 1 e 1. Sua frmula dada por: tanh( x) = 1 exp( x) 1 + exp( x) (4.2)

A funo de ativao aplicada ao neurnio da camada de sada a seguinte funo linear: 1 x f ( x) = m 0 se x > m se 0 < x m se 0 (4.3)

onde m assume valores diferentes dependendo da combinao dos parmetros e da ao para a qual a rede est sendo treinada. importante ressaltar que a combinao que resulta na melhor previso para uma ao no a mesma combinao que gera o melhor resultado para outra. Portanto, necessrio configurar uma rede neural com parmetros diferentes para cada ao. 4.4.2 Inicializao da Rede

Como j mencionado anteriormente, os dados utilizados na rede neural foram obtidos a partir do software Economtica e posteriormente organizados no Excel. Os dois conjuntos de dados, de treinamento e de teste, so armazenados em um mesmo arquivo xls da seguinte maneira: cada linha representa um padro de entrada (referente a um dado ms) e cada coluna representa uma varivel de entrada, excluindo a ltima que contm a resposta desejada.

36

Aps a leitura dos dados a partir do arquivo xls, a primeira tarefa a ser realizada a separao dos dados de entrada da rede das respostas desejadas. Em seguida os dados de entrada so normalizados no intervalo [-1,1] e as respostas desejadas so normalizadas no intervalo [0,1]. Antes de serem apresentados rede, os dados so mais uma vez separados. Nesta etapa faz-se a diviso dos grupos de dados em dois conjuntos: de treinamento e de teste. O conjunto de treinamento formado por 48 vetores de entrada, referentes aos 48 meses de janeiro de 1995 a dezembro de 1998. J o conjunto de teste formado por 24 vetores, referentes aos 24 meses de janeiro de 1999 a dezembro de 2000. Antes de iniciar o processamento da rede, tambm feita a escolha dos valores iniciais para os pesos, que foram definidos de forma randmica dentro do intervalo [1,1]. 4.4.3 Treinamento

Considerando que o objetivo da rede neural neste trabalho realizar a previso do preo das aes para o ms seguinte, seu treinamento foi realizado da maneira descrita a seguir. Tendo definido o nmero de pocas p para o treinamento, realiza-se a apresentao dos 48 pares entrada-sada de treinamento p vezes para que a rede seja treinada. Aps o treinamento, feito o teste com o primeiro padro do conjunto de teste. Guarda-se o resultado obtido (a resposta da rede e o erro gerado) em um vetor, adiciona-se o padro testado ao conjunto de treinamento e treina-se novamente a rede p vezes, agora com um padro a mais. Depois deste treinamento realiza-se o teste com o prximo padro do conjunto de teste. Adiciona-se o novo resultado ao vetor de resultados, adiciona-se o padro ao conjunto de treinamento voltando a treinar a rede p vezes, com o novo conjunto de treinamento. Este processo repete-se at que todos os padres de teste tenham sido testados. Os passos para o treinamento da rede, listados anteriormente, so demonstrados no fluxograma ilustrado na Figura 4.2, de acordo com a seguinte nomenclatura: i = 16 (nmero de variveis de entrada); t = 1 (padro de entrada atual para teste); TR = 48 (nmero de padres de entrada para treinamento); TT = 24 (nmero de padres de entrada para teste);

37

Figura 4.2: Fluxograma do processo de treinamento da rede

4.5 Resultados
Nesta seo so apresentados alguns resultados obtidos com a rede backpropagation aplicada s aes Eletrobrs ON, Petrobrs PN e Vale Rio Doce PNA. Alm dos testes propriamente ditos (realizados com os dados de teste), foram realizados testes com os dados de treinamento para verificar se a rede realmente estava aprendendo. Os testes foram realizados para cada ao separadamente com o objetivo de encontrar valores para os parmetros que combinados realizassem a melhor previso. Os parmetros que tiveram seus valores alterados durante os testes so: o nmero de neurnios da camada oculta, a taxa de aprendizagem, a taxa de momentum, o nmero de pocas de treinamento e o valor m da funo linear. Uma boa medida de desempenho para uma rede com aprendizado supervisionado o clculo do erro quadrtico mdio, dado pela seguinte frmula: erro = 1 n (erro j ) 2 n j (4.3)

Esta foi umas das medidas utilizadas para realizar a avaliao da rede desenvolvida neste trabalho. As Tabelas 4.1, 4.2 e 4.3 demonstram alguns resultados, destacando as combinaes de parmetros que geraram os menores erros para cada uma das aes. Mais resultados podem ser encontrados nos apndices A, B e C.

38

Tabela 4.1: Resultados da rede neural para a ao Eletrobrs ON Neurnios pocas Momentum 16 15 13 19 75 100 100 75 0.6 0.1 0.5 0.6 Taxa de Aprendizagem 0.1 0.8 0.01 0.01 m 6000 6000 1000 5000 Erro Treinamento 0.0424 0.0937 0.0378 0.0368 Erro Teste 0.0072 0.0200 0.0069 0.0068

Tabela 4.2: Resultados da rede neural para a ao Petrobrs PN Neurnios pocas Momentum 6 6 10 8 30 30 35 30 0.1 0.8 0.01 0.8 Taxa de Aprendizagem 0.8 0.8 0.8 0.8 m 2000 6000 1500 6000 Erro Treinamento 0.2870 0.0895 0.3091 0.0915 Erro Teste 0.0128 0.0141 0.0103 0.0144

Tabela 4.3: Resultados da rede neural para a ao Vale Rio Doce PNA Neurnios pocas Momentum 10 10 7 10 20 20 20 20 0.3 0.5 0.5 0.9 Taxa de Aprendizagem 0.7 0.5 0.8 0.5 m 2000 2000 2500 2000 Erro Treinamento 0.2447 0.1152 0.2364 0.1076 Erro Teste 0.0187 0.0227 0.0140 0.0583

Ao avaliar a performance de uma rede neural, aconselhvel a utilizao de uma segunda medida de desempenho, alm do clculo do erro. Neste trabalho, a performance da rede desenvolvida foi avaliada a partir de sua capacidade de prever os preos das aes. Alm da avaliao do erro mdio, foi feita a anlise de grficos com o resultado obtido pela rede e o resultado desejado (com a utilizao de dados de teste e dados de treinamento). Os Grficos 4.2 e 4.3 apresentam o resultado obtido pela rede em comparao com o resultado desejado para a ao Eletrobrs ON.

39

Grfico 4.2: Resultado com dados de teste

Grfico 4.3: Resultado com dados de treinamento

Os Grficos 4.4 e 4.5 apresentam o resultado obtido pela rede em comparao com o resultado desejado para a ao Petrobrs PN.

Grfico 4.4: Resultado com dados de teste

Grfico 4.5: Resultado com dados de treinamento

Os Grficos 4.6 e 4.7 apresentam o resultado obtido pela rede em comparao com o resultado desejado para a ao Vale Rio Doce PNA.

40

Grfico 4.6: Resultado com dados de teste

Grfico 4.7: Resultado com dados de treinamento

41

5 CONCLUSES

O problema da seleo de carteiras de investimentos tem atrado o interesse tanto de simples investidores quanto de profissionais que atuam no dia a dia das instituies financeiras. A disponibilidade de recursos computacionais tem possibilitado o desenvolvimento de mtodos capazes de alcanar resultados importantes, como por exemplo a capacidade de realizar previses no comportamento do mercado de aes, estabelecendo novos rumos para pesquisas no mercado financeiro. O presente trabalho foi motivado pela possibilidade de desenvolvimento de uma ferramenta de auxlio ao investidor de aes, que proporcionasse maior segurana na sua tomada de deciso. A escolha das redes neurais artificiais justifica-se, principalmente, pela sua capacidade de captar no-linearidades no sistema sem qualquer interveno humana e pelo fato delas superarem as dificuldades encontradas pelos mtodos tradicionalmente utilizados neste campo de aplicao. A aplicao de redes neurais no processo de seleo de carteiras est na parte da previso dos preos das aes (primeiro passo do processo) para que a seleo das aes ideais que faro parte da carteira possa ser feita. Mesmo no sendo perfeitas nas suas previses, as redes superam todos os outros mtodos (superando suas dificuldades) permitindo que se realizem previses sobre as estimativas de retornos com certa confiabilidade nos resultados. Estes resultados so de extrema importncia para o processo de seleo de carteiras, pois quanto melhores forem as previses, mais acertadas sero as alocaes das aes dentro de carteiras escolhidas e melhores sero os investimentos realizados. Os resultados obtidos com a rede desenvolvida neste trabalho demonstram que ela consegue captar as tendncias dos preos, conseguindo algumas vezes aproximar a estimativa de retorno do valor real. Isto confirma a idia de que as redes neurais podem facilitar o trabalho dos investidores de aes, proporcionando grandes possibilidades de obteno de ganhos, que hoje um dos maiores objetivos no s do investidor, mas tambm de todo ser humano. A grande contribuio deste trabalho foi mostrar que a unio de duas reas de conhecimento, Administrao Financeira e Cincia da Computao, pode ser de grande benefcio tanto para estudantes quanto para profissionais de ambas as reas. O desenvolvimento do presente trabalho confirma o crescente destaque da administrao financeira como uma rea de aplicao para a informtica e, ao mesmo tempo, demonstra a importncia dos resultados atingidos com tcnicas computacionais (em especial as redes neurais) no desenvolvimento de pesquisas em reas financeiras,

42

alimentando at mesmo a esperana de que um dia ser possvel entender melhor os sistemas dinmicos e caticos tais como o mercado financeiro. A utilizao de redes neurais artificiais no mercado financeiro continuar sendo uma rea de pesquisa de grande interesse enquanto pesquisadores e investidores esforaremse para realizar previses, com o objetivo de melhorar seus retornos. Portanto, so inmeras as possibilidades de trabalhos futuros dentre as quais destacam-se: a) A implementao de outros tipos de redes neurais. A realizao de testes com diferentes topologias de rede e/ou diferentes algoritmos de aprendizagem pode vir a melhorar o desempenho do modelo, aproximando ainda mais a sada obtida do resultado desejado. b) A construo de um sistema hbrido formado por uma rede neural artificial e um algoritmo gentico. A incluso do algoritmo gentico no modelo tem como objetivo definir os pesos que as aes devem ter na carteira visando otimiz-la. As redes neurais realizam a precificao de aes para servir de base para a escolha daquelas que faro parte da carteira. A funo do algoritmo gentico seria otimizar esta escolha, definindo quanto o investidor deve investir em cada ao dentro da carteira.

43

REFERNCIAS BIBLIOGRFICAS

[ALV 01] ALVES, C. A. M. Uma Ferramenta de Extrao de Regras de Redes Neurais. 2001. Dissertao (Mestrado em Cincias em Engenharia Civil) COPPE, UFRJ, Rio de Janeiro. [BER 00] BERNSTEIN, P.; DAMODARAN, A. Administrao de Investimentos. Traduzido por Cyro C. Patarra e Jos Carlos B. Santos. Porto Alegre: Bookman, 2000.

[BOV 99] BOVESPA. Mercado de Capitais Introduo. 1999. Disponvel em: <http://www.bovespa.com.br>. Acesso em: mar. 2004. [BRU 98] BRUNI, A. L.; FAM, R. Eficincia, Previsibilidade dos Preos e Anomalias em Mercados de Capitais: Teoria e Evidncias. Caderno de Pesquisas em Administrao, So Paulo, v.1, n.7, 1998. [CAB 02] CABRAL, Mercados Financeiros: Uma Metodologia de Ensino de Estratgias de Investimento. 2002. Tese (Doutorado em Engenharia de Produo) UFSC, Florianpolis. [CAR 01] CARTACHO, M. S. A utilizao de um modelo hbrido Algoritmo Gentico/Redes Neurais no processo de seleo de carteiras. 2001. Dissertao (Mestrado em Administrao) Faculdade de Cincias Econmicas, UFMG, Belo Horizonte. [CAS 02] CASTRO Jr, F. H. F. C.; FAM, R. As Novas Finanas e a Teoria Comportamental no Contexto da Tomada de Deciso sobre Investimentos. Caderno de Pesquisas em Administrao, So Paulo, v.9, n. 2, p. 25-35, abr/jun. 2002.

[DAM 97] DAMODARAN, A. Avaliao de Investimentos. Traduzido por Bazn Tecnologia e Lingstica (Carlos Trieschmann e Ronaldo Rego). Rio de Janeiro: Qualitymark Ed., 1997. [DAN 97] DANDOLINI, G. A. Um procedimento para avaliao da sade financeira de pequenas empresas: estudo de um caso usando redes

44

neuronais artificiais. 1997. Dissertao (Mestrado em Engenharia de Produo) UFSC, Florianpolis. [FAU 94] FAUSETT, L. Fundamentals of Neural Networks Architecture, Algorithms, and Applications. [S.l.]: Prentice Hall International, Inc., 1994. FRANCIS, L. The Basics of Neural Networks Demystified. Contingencies, p. 56-61, nov/dez. 2001. FREITAS, A. A. C.; SILVA, I. N. Anlise Tcnica de Ttulos Financeiros Atravs de Redes Neurais Artificiais. In: IV CONGRESSO BRASILEIRO DE REDES NEURAIS, 1999, So Jos dos Campos. Anais... So Jos dos Campos, IV SBRN, 1999. p. 067-071. FREITAS, S. O. Utilizao de um modelo baseado em Redes Neurais para a precificao de opes. 2001. Dissertao (Mestrado em Administrao) Faculdade de Cincias Econmicas, UFMG, Belo Horizonte.

[FRA 01] [FRE 99]

[FRE 01]

[GON 02] GONALVES Jr, C.; PAMPLONA, E. O.; MONTEVECHI, J. A. B. Seleo de Carteiras Atravs do Modelo de Markowitz para Pequenos Investidores (Com o Uso de Planilhas Eletrnicas). In: IX SIMPEP, 2002, Bauru. [HAY 01] HAYKIN, S. Redes Neurais, Princpios e Prtica. 2.ed. Porto Alegre: Bookman, 2001. [JUD 03] JDICE, J. J.; RIBEIRO, C. O.; SANTOS, J. P. J. Anlise Comparativa dos Modelos de Seleo de Carteiras de Aces de Markowitz e Konno. 2003. Disponvel em: <http://dragao.co.it.pt/~judice/Articles/JudSantosRibeiro2003.pdf >. Acesso em: set. 2004.

[LAW 97] LAWRENCE, R. Using Neural Networks to Forecast Stock Market Dez. 1997. Disponvel em: Prices. <http://www.cs.uiowa.edu/~rlawrenc/research/Papers/nn.pdf >. Acesso em: nov. 2003. [LAZ 00] LAZO, J. G.; VELLASCO, M. M.; PACHECO, M. A. A Hybrid GeneticNeural System for Portfolio Selection and Management. In: SIXTH INTERNATIONAL CONFERENCE ON ENGINEERING APPLICATIONS OF NEURAL NETWORKS EANN, 2000. Proceedings Kingston Upon Thames, UK 17-19, jul. 2000.

[MAR 02] MARTINS, R. X. Redes Neurais, O Aprendizado Reproduzido em Mquinas. Tpicos Avanados em Cincia da Computao Inteligncia Artificial, Varginha, v.5, n.5, mai. 2002. Disponvel em: <http://www.rxmartins.pro.br/interest.htm >. Acesso em: nov. 2003.

45

[MIL 01]

MILANI, L. H. P. Uma Contribuio para o Entendimento do Mercado de Aes, Atravs de um Teste Emprico do CAPM na BOVESPA no Perodo de 1996 a 2000. 2001. Dissertao (Mestrado em Engenharia de Produo) UFSC, Florianpolis. NILSSON, N. J. Artificial Intelligence: A New Synthesis. San Francisco: Morgan Kaufmann Publishers, Inc. 1998. ORGANIZAO INTERNACIONAL DO CAF. Diversificao nos Pases Exportadores de Caf. Londres, 2002. RICH, E.; KNIGHT, K. Inteligncia Artificial. 2. ed. So Paulo: Makron Books do Brasil, 1994. ROSS, S. A.; WESTERFIELD, R. W.; JAFFE, J. F. Administrao Financeira. [S.l.]: Atlas, 1995. SCHAEDLER, C. A. et al. Redes Neurais. So Leopoldo: UNISINOS, 2003. TAFNER, M. A.; XEREZ, M.; FILHO, I. R. Redes Neurais Artificiais: Introduo e Princpios de Neurocomputao. Blumenau: EKO, 1995. TAFNER, M. A. Redes Neurais Artificiais: Aprendizado e Plasticidade. Revista Crebro & Mente, n.5, mai. 1998. Disponvel em: <http://www.cerebromente.org.br/n05/tecnologia/rna.htm>. Acesso em: set. 2004. UNIVERSIDADE CATLICA DE PELOTAS. Escola de Cincias Econmico-Empresariais. Administrao Financeira: O Ambiente Financeiro Apostila 01. Pelotas: UCPel, 2003. VIEIRA, R. S.; THOM, A. C. G. Avaliao de Redes Neurais Aplicadas Previso de ndices de Mercados de Aes. Rio de Janeiro: UFRJ, 2000.

[NIL 98] [OIC 02] [RIC 94] [ROS 95] [SCH 03] [TAF 95] [TAF 98]

[UCP 03]

[VIE 00]

46

APNDICE A RESULTADOS DA REDE NEURAL PARA A AO ELETROBRS ON


Tabela A.1: Backpropagation aplicada ao Eletrobrs ON Taxa de Neurnios pocas Momentum Aprendizagem Inicial 20 100 0.1 0.8 15 100 0.1 0.8 15 100 0.3 0.5 10 100 0.3 0.8 10 150 0.3 0.6 12 150 0.9 0.6 12 125 0.9 0.6 12 50 0.9 0.1 17 50 0.9 0.1 18 35 0.9 0.1 18 35 0.5 0.1 18 50 0.5 0.1 18 100 0.5 0.5 8 50 0.5 0.5 8 30 0.5 0.5 13 30 0.5 0.8 13 50 0.5 0.8 10 50 0.9 0.1 10 50 0.9 0.7 11 80 0.1 0.9 9 60 0.3 0.8 20 30 0.9 0.1 17 30 0.3 0.8 20 25 0.5 0.5 20 35 0.3 0.7 19 50 0.3 0.7 19 75 0.6 0.01 19 75 0.8 0.01 15 80 0.9 0.1 15 60 0.5 0.5 15 50 0.7 0.01 10 35 0.5 0.01 10 100 0.6 0.01 13 100 0.5 0.01 14 60 0.5 0.01 14 40 0.3 0.8 16 35 0.4 0.9 16 75 0.6 0.1 m 6000 6000 5000 5000 5500 5000 10000 10000 4500 3000 3000 2000 2000 2000 2500 2500 6000 8000 8000 6000 5000 10000 6000 5500 6000 6000 5000 3000 10000 5000 4500 3000 1500 1000 800 1200 3500 6000 Erro Treinamento 0.0947 0.0937 0.0727 0.0741 0.0918 0.1887 0.1345 0.0790 0.0729 0.0668 0.0350 0.0316 0.1616 0.1611 0.1234 0.1674 0.1283 0.0595 0.1693 0.1039 0.1159 0.1177 0.1134 0.1243 0.0978 0.0981 0.0368 0.0431 0.0520 0.1023 0.0359 0.0398 0.0426 0.0378 0.0371 0.2781 0.1574 0.0424 Erro Teste 0.0243 0.0200 0.0410 0.0396 0.0639 0.3252 0.2786 0.0273 0.0333 0.0265 0.0092 0.0202 0.1971 0.1987 0.1549 0.2853 0.1072 0.0368 0.2901 0.0353 0.0880 0.0222 0.0243 0.0329 0.0192 0.0202 0.0068 0.0063 0.0371 0.0658 0.0072 0.0074 0.0075 0.0069 0.0118 0.3629 0.1956 0.0072

47

APNDICE B RESULTADOS DA REDE NEURAL PARA A AO PETROBRS PN


Tabela A.2: Backpropagation aplicada ao Petrobrs PN Taxa de Neurnios pocas Momentum Aprendizagem Inicial 6 30 0.1 0.8 6 30 0.8 0.8 10 35 0.01 0.8 8 30 0.8 0.8 8 20 0.6 0.8 8 40 0.01 0.8 10 20 0.01 0.8 10 50 0.01 0.8 10 30 0.8 0.8 5 40 0.01 0.8 15 20 0.01 0.8 12 30 0.1 0.8 12 20 0.5 0.1 12 30 0.9 0.1 17 25 0.9 0.1 17 20 0.5 0.5 18 20 0.5 0.1 19 15 0.5 0.01 20 25 0.5 0.01 20 50 0.5 0.05 20 35 0.7 0.05 9 35 0.9 0.1 9 20 0.9 0.1 11 25 0.5 0.5 11 20 0.5 0.5 13 20 0.5 0.9 13 20 0.2 0.9 15 25 0.7 0.3 15 35 0.5 0.5 15 40 0.9 0.1 11 30 0.9 0.1 10 15 0.9 0.1 10 10 0.5 0.01 18 30 0.9 0.1 18 25 0.3 0.8 17 15 0.3 0.8 17 15 0.1 0.8 m 2000 6000 1500 6000 2500 2000 2000 2000 6000 2000 2000 2000 2500 1500 1500 1000 1000 1500 800 500 250 200 100 300 700 700 4000 4000 4000 3000 1000 1000 800 5000 1000 2000 2500 Erro Treinamento 0.2870 0.0895 0.3091 0.0915 0.2073 0.2732 0.2730 0.2999 0.0881 0.2825 0.2673 0.2598 0.0272 0.0255 0.0286 0.1953 0.0232 0.0194 0.0197 0.0236 0.0285 0.1055 0.1019 0.2818 0.2645 0.3223 0.1669 0.0505 0.0569 0.0396 0.0269 0.0627 0.0191 0.0377 0.3595 0.2783 0.2034 Erro Teste 0.0128 0.0141 0.0103 0.0144 0.0143 0.0177 0.0227 0.0140 0.0171 0.0188 0.0249 0.0156 0.1043 0.0735 0.0731 0.0158 0.0866 0.1346 0.0808 0.0676 0.0496 0.0771 0.0604 0.0586 0.0284 0.0718 0.0653 0.0744 0.0574 0.1040 0.0827 0.0679 0.1109 0.1049 0.0529 0.0127 0.0373

48

APNDICE C RESULTADOS DA REDE NEURAL PARA A AO VALE RIO DOCE PNA


Tabela A.3: Backpropagation aplicada ao Vale Rio Doce PNA Taxa de Neurnios pocas Momentum Aprendizagem Inicial 10 20 0.3 0.7 10 20 0.5 0.5 10 20 0.9 0.5 10 50 0.3 0.7 10 100 0.9 0.1 7 20 0.5 0.8 8 30 0.9 0.1 8 20 0.5 0.5 9 15 0.1 0.8 9 15 0.7 0.3 12 10 0.7 0.3 12 10 0.5 0.1 12 30 0.5 0.1 13 25 0.3 0.6 14 20 0.6 0.2 14 15 0.3 0.01 14 25 0.3 0.01 15 20 0.9 0.1 15 20 0.7 0.3 15 25 0.7 0.3 16 15 0.5 0.01 16 30 0.9 0.01 17 30 0.5 0.5 17 20 0.5 0.3 17 20 0.1 0.7 18 20 0.5 0.5 18 10 0.7 0.2 19 10 0.8 0.1 19 20 0.3 0.01 19 20 0.2 0.8 20 15 0.1 0.8 20 10 0.7 0.5 20 10 0.9 0.8 20 20 0.6 0.9 11 25 0.9 0.7 11 20 0.5 0.8 11 15 0.1 0.3 m 2000 2000 2000 2000 5000 2500 5000 1500 1500 2000 1800 2000 450 200 1500 1000 180 5000 500 2500 400 6000 1000 1600 1200 1500 600 1000 300 1500 1500 1700 10000 8000 5000 5000 500 Erro Treinamento 0.2447 0.1152 0.1076 0.2447 0.0289 0.2364 0.0286 0.2183 0.3385 0.0831 0.1111 0.0096 0.0236 0.3454 0.0462 0.0082 0.0084 0.0247 0.1277 0.0615 0.0082 0.0379 0.2453 0.0836 0.3372 0.1948 0.0775 0.0265 0.0082 0.4170 0.3514 0.1466 0.0358 0.0861 0.0288 0.1424 0.0771 Erro Teste 0.0187 0.0227 0.0583 0.0187 0.1240 0.0140 0.1237 0.0334 0.0306 0.0761 0.0665 0.1456 0.0589 0.0756 0.1110 0.2184 0.0880 0.0931 0.0346 0.0816 0.1048 0.2061 0.0263 0.0678 0.0262 0.0347 0.0321 0.0561 0.0989 0.0290 0.0340 0.0277 0.0371 0.0619 0.0472 0.0950 0.0563

49