Você está na página 1de 10

Sistema Fuzzy tipo 2 para operaca o day-trade no mercado forex

Me. Adelino Pinheiro Silva


Instituto de Criminalistica - MG

Seca o de Percias em Audio


e Vdeo
Belo Horizonte, Brasil
Email: adelino@cpdee.ufmg.br

ResumoEste trabalho tem como objetivo estudar o uso de


sistemas fuzzy do tipo-2 para auxiliar em operaco es de daytrade, no mercado forex. Inicialmente as series temporais do
mercado foram estudas com a metodologia classica para previsao de series temporais. Os resultados foram discutidos antes
da aplicaca o de um sistema nebuloso do tipo-2 na tentativa
re realizar a mesma previsao. Inicialmente sao apresentados
conceitos e caractersticas do mercado em questao seguido por
uma breve introduca o teorica sobre sistemas nebulosos do tipo encia e
2 e de analise estatstica de series temporais. Na sequ
apresentada a modelagem utilizada para predica o das series
temporais, tanto na abordagem classica como na abordagem
nebulosa, seguido dos resultados de erros avaliados com os
valores reais de mercado.
Keywords-Fuzzy tipo-2, Neuro-Fyzzy, Forex, Series Temporias.

I. I NTRODUC AO
O mercado financeiro, dentro de uma conjectura
globalizada, apresenta um sistema de trocas financeiras entre
moedas de diferentes naco es, este mercado e conhecido
como Foreign Exchange Market (forex, FX, ou mercado corrente). O mercado forex difere em varias caractersticas dos
mercados de aco es e de commodities, o primeiro opera com
papeis de varias empreses espalhadas pelo mundo, como GE
e Petrobras, o segundo com produtos basicos, como cafe e
minerio de ferro, pois o mercado forex opera com as taxas
cambiais de moedas. Alem desta diferenca basica, o mercado
opera com grande velocidade, volumes e liquidez elevados.
Segundo relatorio do Bank for International Settlements [2],
em abril de 2010, o volume de negocios medio diario nos
mercados cambiais globais foi estimado em 3,98 trilhoes
dolares, o que equivale a mais de quinhentas vezes o recorde
diario da bovespa de 7,082 bilhoes de 12 de maio de 2010.

Esp. Augusto Sousa da Silva Filho


Universidade Federal de Minas Gerais - UFMG
Departamento de Engenharia Eletrica
Belo Horizonte, Brasil
Email: augustofilho@cpdee.ufmg.br

mercados de valores, mais especificamente as particularidades do mercado em foco. Na seque ncia realiza-se uma
revisao conceitual de sistemas fuzzy do tipo-2, seguida pela
modelagem efetuada e terminando com a apresentaca o dos
resultados.

II. C ONCEITUAC AO
A. Mercado Forex
Analise grafica e uma tecnica utilizada por operadores do mercado financeiro para tentar prever o seu
comportamento . Este tipo de analise visa simplificar os
modelos de fora a interpretar as informaco es presentes nos
valores de mercado que se alteram temporalmente com muita
velocidade. Desta forma o tempo e dividido em perodos
de observaca o, que podem variar de minutos ate horas.
Para cada perodo sao observador 5 grandezas, os preco
de abertura e fechamento do perodo, os precos maximos
e mnimos atingidos no perodo e o volume de negociaco es.
Existem basicamente duas formas de representar os quatro
precos do perodo, na forma de barras ou velas (candlestick).
Tanto nas barras como nos candlesticks as linhas verticais
representam a extensao entre os precos maximos e mnimos,
nas barras a linhas horizontais representam a` esquerda o
preco de abertura e a direita o preco de fechamento. No
candlestick nao preenchido, a base e o topo do retangulo
representam respectivamente o preco de abertura e de fechamento; o analogo para o candlestick preenchido [16].

Com base nestes numeros este trabalho busca aplicar


tecnicas de sistemas nebulosos para estimativa de valores
futuros no sistema forex. Primeiramente o desafio esta no
comportamento nao parametrico e completamente variante
no tempo deste mercado; e sequencialmente na abordagem,
de forma que para o mercado forex um valor futuro encontrase no intervalo entre um a trinta minutos do valor atual.
Inicialmente este texto expoe alguns conceitos basicos dos

Figura 1.
valores.

Representaca o de Candlesticks utilizados para mercados de

O mercado forex e um mercado internacional de divisas,


e esta associado ao cambio de moedas [2], neste mercado o
operador trabalho com uma taxa de relaca o entre duas moedas, sendo possvel lucrar com a valorizaca o/desvalorizaca o
de qualquer uma delas. Como ferramenta auxiliar foram
desenvolvidas diversas tecnicas de analise grafica dos valores
do mercado [16], que nao fazem parte do escopo deste texto,
entretanto tais tecnicas variam desde o reconhecimento de
padroes graficos ate a utilizaca o de medias na construca o
de indicadores [16]. Um exemplo aplicado neste texto e o
papel que indexa a variaca o entre a libra esterlina (Great
Britain Pound) e o dolar americano (United States Dollar)
representado por GBPUSD em um perodo de 5 minutos.

Stop loss (Perda Maxima) - limite de perda de uma


ordem (em pontos), ao atingir o valor de ganho maximo
a ordem e executada com o prejuizo corrente.
Volume (Lots) - Volume do papel comprado/vendido
para a ordem. O lucro/prejuzo do operador e diretamente proporcional o produto entre o volume e a
variaca o de pontos entre a entrada da ordem e sua
execuca o.

B. Sistema Nebulosos do Tipo-2


Os sistemas nebulosos do tipo-1 foram inicialmente propostos por Zadeh [7] em 1965, e a teoria foi utilizada
com sucesso em diferentes aplicaco es. Diferentemente dos
conjuntos euclidianos, nos conjuntos nebulosos (ou fuzzy) os
elementos estao includos em um conjuntos de acordo com
um grau de pertinencia, sendo que para conjuntos contnuos
o grau de pertinencia pode ser representado por uma funca o
de pertinencia (FP ou MF- membership function). Nos conjuntos nebulosos do tipo-1, o grau de pertinencia resultante
de funco es de pertinencia e um valor u nico, como o sistema
nebuloso X, apresentado a figura 3, o grau de pertinencia
do valor 3, 2 e 0, 75, x = 0, 75/2, 3.

Figura 2. Exemplo da representaca o de precos do mercado forex. Papel


GBPUSD

Basicamente, as operaco es no mercado forex definem-se


em alguns conceitos basicos abaixo relacionados:
Day-trade (negociac
a o do dia) - forma de negociaca o
no mercado de valores com o objetivo de ganhar com
a oscilaca o do preco ao longo do dia.
Prec
o de venda (Ask) - valor pelo qual um papel e
comprado no mercado.
Prec
o de compra (Bid) - valor pelo qual um papel e
vendido no mercado.
Spread - Diferenc
a entre os precos de compra e de
venda, e um valor estipulado pela corretora. Boas
corretoras possuem baixos spreads.
Ponto (Point) - valor fracion
ario da taxa entre as medas.
E a referencia de ganho e perda do operador.
Ordem de Compra (Buy Order) - Ordem que efetua
compra do papel, esta ordem e lucrativa quando o preco
aumenta.
Ordem de Venda(Sell Order) - Ordem que efetua venda
do papel, esta ordem e lucrativa quando o preco diminui.
etrica a uma
Ordem de Hedge (Barreira) - Ordem sim
ordem corrente que tem como objetivo manter a perda
constante com a variaca o do preco.
aximo) - limite de ganho de uma
Take profit (Ganho M
ordem (em pontos), ao atingir o valor de ganho maximo
a ordem e executada com o lucro corrente.

Figura 3.

Funca o de pertinencia de um conjunto fuzzy tipo-1.

A extensao apresentada pelos sistemas nebulosos do tipo2 (IT2 FS - Interval Type-2 Fuzzy Set) esta no grau de
pertinencia, que e estendido de um valor u nico para uma
funca o de pertinencia, desta forma o grau de pertinencia
de um elemento do conjunto possui uma nova funca o de
pertinencia. Um exemplo de uma funca o de pertinencia do
, e apresentado na figura
de um sistema nebuloso tipo-2, X
4 em tres dimensoes. Fica claro que diferentemente dos
sistemas nebulosos do tipo-1 o valor de pertinencia e agora
um intervalo [0,25, 0,85]. Representando o sistema em duas
coordenadas (figura 5), observa-se tambem que o sistema
nebuloso do tipo-2 possui em suas fronteiras suas funco es
de pertinencia do tipo-1, neste caso X, e X sao chamadas
de funca o de pertinencia superior (FPS ou UMF - upper
member function) e funca o de pertinencia inferior (FPI ou
LMF -lower member function), A a rea entre as duas funco es
de pertinencia e chamada de mancha de incerteza [12] (MI
ou FOU- footprint of iuncertainty).

Onde Xin (para i = 1,...,I) e um conjunto nebuloso do tipo


2 e y n e a sada do n-esima regra SE-ENTAO,
como um
valor u nico. Essas regras apresentamos valores de incerteza
ocorrem nos antecedentes.

Figura 4. Vista tridimensional de um funca o de pertinencia de um conjunto


fuzzy tipo-2.

Desta forma, adotanto como entrada o vetor x =


x1 , x2 , ..., xI computa-se a funca o membro de x para cada
n da forma (x) = [ (x), X (x)] e o intervalo de nX
i
X
X
e sima regra F n (x) da forma:
#
" I
I
Y
Y
n
(1)
F (x) =
X ni (x)
X n (x),
i

i=1
n

i=1
n

F n (x) = [f , f ], n = 1...N

(2)

Para esta aplicaca o foi utilizado o operador de produto


para o calculo da T-norma. Dentro das formas de combinas
F n (x) a utilizada no modelo de TSK (Takagi-Sugeno-Kang)
tambem e denominada de centro do conjunto (CC ou COS
- Center of Set) [7].
Ycc (x) =
Figura 5.
Vista bidimensional de uma funca o de pertinencia de um
conjunto fuzzy tipo-2.

Um sistema nebuloso do tipo-2 e semelhante ao seu


equivalente do tipo-1, com a adica o de um redutor de
tipo, que converte o conjunto nebuloso do tipo-2 em um
conjunto nebuloso do tipo-1, como apresentado no diagrama
esquematico da figura 6.

Figura 6.

Sistema de inferencia nebulosa do tipo-2

Na pratica o sistema pode ser significativamente simplificado, considerando um sistema nebuloso do tipo-2 que
consiste em um vetor de entrada x = x1 , ..., x1 0 , sendo que
cada entrada e dividida em N regras nebulosas de entrada
da forma:
1n e . . . e xI e X
In ,
Rn : SE x1 e X
y n = q + p1 x1 + . . . + pI xI n = 1, 2, ..., N
EN T AO

PN
n=1

PN
f n F n (x)
y n Y n

f n yn

n=1

fn

= [yl , yr ]

(3)

A sada desfuzzificada pode ser calculada como a media


aritmetica entre as saidas [yl , yr ]:
y=

yl + yr
2

(4)

C. Modelagem estatstica de series temporais


Em linhas gerais, ha quatro abordagens da previsao
economica baseada em dados de series temporais: (1) modelos de regressao de equaca o u nica; (2) modelos de regressao
de equaca o simultaneas; (3) modelos auto-regressivos integrados de media movel (ARIMA); e (4) modelos de autoregressao vetorial (VAR).
A publicaca o por G.E.P. Box e G.M.Jenkins de Time
Series Analysis: Forecasting and Control, abriu caminho
para uma nova geraca o de ferramentas para previsao. Conhecida como metodologia de Box-Jenkins, mas tecnicamente
conhecida como metodologia ARIMA, a e nfase desses novos metodos de previsao nao esta em construir modelos
de equaca o u nica ou de equaco es simultaneas, mas em
analisar as propriedades probabilsticas de series temporais
economicas. Ao contrario dos modelos de regressao, nos
quais Yt e explicado por k regressores X1 , X2 , X3 , . . . , Xk ,
nos modelos de serie temporal do tipo Box-Jenkins, Yt
pode ser explicado por valores passados (ou defasados) do
proprio Y e dos termos de erro estocasticos. Por esta razao,
os modelos ARIMA sao chamados a` s vezes de modelos
ateoricos, pois nao podem ser derivados de nenhuma teoria

economica - e teorias economicas sao frequentemente a base


de modelos de equaco es simultaneas.
1) Estacionaridade: O conceito de estacionaridade e a
principal ideia que se deve ter pra estimar uma serie temporal. Segundo [3], e fundamental a constataca o de estacionaridade que permitira proceder a inferencias estatsticas
sobre os parametros estimados como base na realizaca o
de um processo estocastico. Se nem a esperanca nem a
autocovariancia dependem do tempo, entao yt e fracamente
estacionario.1
O processo estocastico, ou a serie temporal, {yt , t
Z}, Z = {0, 1, 2, . . .} e fracamente estacionario se:
(a)
E|yt |2 < ;
(b)
E(yt ) = , para todo t Z, e
(c)
E(yt )(ytj ) = j .
2) Rudo Branco: Um processo fundamental das series
temporais estocasticas discretas e o rudo branco. Segundo [3], uma seque ncia {t } e um rudo branco se cada
valor nela tiver media zero, variancia constante e nao for
correlacionada com qualquer realizaca o da propria serie.
O processo sera um rudo branco se:
(a)
E(t ) = 0; t
(b)
E(2t ) = 2 ; t
(c)
E(t tj ) = 0; todo j 6= 0.
Desta forma, diz-se que o processo e um rudo branco,
cuja representaca o e RB(0, 2 ).
3) Modelo de Medias Moveis - MA(q): No processo de
medias moveis de ordem q cada observaca o de yt e gerada
por uma media ponderada de perturbaco es aleatorias que vao
para tras q perodos. Esse processo e denotado como MA(q)
e e escrito da seguinte forma:
yt = + t 1 t1 2 t2 . . . q tq

(5)

onde os i sao erros aleatorio nao correlacionados, nao observaveis, com media zero e variancia constante e2 . As constantes , 1 , 2 , . . . , q sao constantes desconhecidas que
podem assumir valores positivos ou negativos. No modelo
de media movel devemos considerar que as perturbaco es
aleatorias sejam distribudas independentemente ao longo
do tempo, isto quer dizer que deveremos trabalhar com um
processo de rudo branco.

1 O conceito de estacionaridade fraca tamb


em e conhecido como estacionaridade, covariancia estacionaria, estacionaridade lato sensu ou estacionaridade de segunda ordem.

4) Processo Auto-Regressivo - AR(p): Considerando que


t e um processo puramente aleatorio com media zero e
variancia 2 , entao, o processo Yt dado por:
Yt = 1 Xt1 + 2 Xt2 + . . . + r Xtr + + t

(6)

e chamado de processo auto-regressivo de ordem p e e


denotado por AR(p). Como a expressao acima e parecida
com uma equaca o de regressao multipla, ela e chamada de
regressiva. Contudo, ela e uma regressao de Yt em seus
valores passados. Portanto, ela e auto-regressiva.
No processo auto-regressivo de ordem p a observaca o corrente yt e gerada por uma media ponderada de observaco es
passadas que recua p perodos, junto com uma perturbaca o
aleatoria no perodo corrente. Na equaca o (6), e um termo
constante que se relaciona a` media do processo estocastico.
Como o processo auto-regressivo deve ser estacionario, a
sua media, , devera ser invariavel em relaca o ao tempo; isto
e , E(y) = E(yt1 ) = E(yt2 ) = . . . = . Desta forma, ,
deve ser dada por:
=

1 1 + 2 . . . p

(7)

A equaca o (7), para a media do processo, nos da a condica o


para que o processo seja estacionario. Se o processo e
estacionario, a media tem de ser finita. Se isso nao se
observasse, o processo se afastaria aleatoriamente para cada
vez mais longe de qualquer ponto de referencia fixo e nao
poderia ser estacionario.
5) Modelo Misto Auto-Regressivo e de Medias Moveis ARMA(p,q): Muitos processos aleatorio estacionarios nao
podem ser modelados puramente como medias moveis ou
puramente como auto-regressivos, pois possuem qualidades
de ambos os tipos de processo. A extensao logica dos modelos apresentados anteriormente e o processo misto autoregressivo e de medias moveis de ordem(p,q). Denotaremos
esse processo como ARMA(p,q) e ele e representado por:
yt = 1 yt1 + . . . + p ytp + + t 1 t1 . . . q tq
(8)
Pressupomos que esse processo e estacionario, e assim
sua media e constante ao longo do tempo e e dada por:
=

1 1 . . . p

(9)

Isso nos da a condica o necessaria para que o processo


seja estacionario, isto e ,
1 + 2 + . . . + p < 1

(10)

III. M ODELAGEM VIA B OX -J ENKINS


0.004

Grfico para o fechamento com d=1

A. Analise Estatstica de Series Forex

0.000
0.002
0.004

diferenciao

0.002

O grafico abaixo mostra o comportamento da serie fechamento.

500

1000

1500

2000

Observaes

Figura 8.
Visualizaca o da serie inicial

Augmented Dickey-Fuller Test


data: a Dickey-Fuller = -13.0227,
Lag order = 12 p-value = 0.01
alternative hypothesis: stationary
Logo, como o p-valor associado ao Teste Aumentado de
Dickey-Fuller foi de 0,01, isto nos fornece evidencias amostrais suficientes para rejeitarmos a hipotese nula ao nvel de
5% de significancia, ou seja, a serie pode ser considerada
estacionaria.
O grafico para a serie estacionaria com uma diferenciaca o
e mostrado a seguir.
Os graficos da funca o de autocorrelaca o e da funca o
de autocorrelaca o parcial serao usados para determinarmos
as defasagens dos modelos M A(q) e AR(p), respectivamente. Logo, atraves da analise do grafico da funca o
de autocorrelaca o e da funca o de autocorrelaca o parcial,
poderemos trabalhar com um modelo AR(1) e MA(1). O

0.6

Autocorrelao

0.0

10

15

20

Lag

FACP para d=1

0.00

O teste de Dickey-Fuller, e dado a seguir:

0.06

Para utilizarmos a metodologia de Box-Jenkins, deveremos usar uma serie estacionaria. Logo, a serie acima foi
diferenciada uma vez e o teste Aumentado de Dickey-Fuller,
foi usado para mostrar que a nova serie obtida pode pode
ser considerada estacionaria.

H0 : Nao estacionaridade;
H1 : Estacionaridade.

FAC para d=1

Autocorrelao Parcial

Figura 7.

Grafico da serie original com uma diferenciaca o

10

15

20

Lag

Figura 9.

Correlogramas para d=1

modelo do processo auto-regressivo de ordem 1 - AR(1), e


dado a seguir:
yt = 0, 0581577yt1 + t

(11)

Apos a obtenca o do modelo, o passo natural e a previsao


com o modelo obtido. No entanto, deveremos primeiramente
efetuar o estudo do t e testar se o mesmo e um rudo branco.
O outro modelo obtido e MA(1), descrito a seguir:
yt = 0, 0000244 + 0, 0626691t1 + t
Em que t deve ser um rudo branco.

(12)

B. Teste de Normalidade dos Resduos


Uma maneira de testar a serie e verificando se, alem de
rudo branco, os resduos sao normalmente distribudos. Para
se testar a normalidade dos resduos um dos testes utilizados
e o Teste de Anderson Darlin para verificarmos a adequaca o
dos resduos para o modelo AR(1).
A estatstica de Anderson-Darling mede quao bem os
dados seguem uma distribuica o particular. Quanto melhor a
distribuica o se ajustar aos seus dados, menor esta estatstica
sera. Dada a hipotese abaixo:

H0 : Distribuica o Normal;
H1 : Outra distribuica o.
No modelo AR(1), a Estatstica de Anderson Darling foi
de AD = 11, 072 e um p-value=< 0, 005 para testar se os
dados sao provenientes da distribuica o normal. Como o pvalor e menor do que o valor alfa escolhido (5%), entao
rejeitaremos a hipotese nula, ou seja, os dados nao sao
provenientes de uma distribuica o normal, desta forma, nao
poderemos utilizar o modelo para realizar previsoes, visto
que o mesmo nao se mostrou um rudo branco.

Figura 11.

Valores previsto versus Resuos

Ressalta-se, entretanto, que tal teste nao e muito poderoso


e pode levar a` nao rejeica o da hipotese de homocedasticidade
quando, na verdade, ha heterocedasticidade.
D. Teste de Autocorrelaca o nos resduos
Se houver independencia, a magnitude de um resduo nao
influencia a magnitude do resduo seguinte. Neste caso, a
correlaca o entre resduos sucessivos e nula ( = 0). As
hipoteses do teste, para aferir se a relaca o entre dois resduos
consecutivos e estatisticamente significativa, e dada a seguir:

H0 : = 0 (Existe independencia)
H1 : 6= 0 (Existe dependencia).

O teste utilizado sera o de Durbin-Watson:


DW = 1.9721, p value = 0.387

Figura 10.

Grafico de Probabilidade Normal - Resduos

A estatstica de Durbin-Watson foi igual a 2.003 e o pvalor e 0.5276. Logo nao rejeitamos a hipotese nula ao nvel
de 5% de significancia, indicando que existe independencia
nos resduos, o que e visto na figura 13.

C. Teste de Breusch-Pagan
O teste de Breusch-Pagan detecta a presenca de Homocedasticidade nos resduos, logo temos:

H0 : i2 = 2
H1 : i2 6= 2
Onde temos as seguintes estatsticas de teste de BreuschPagan:
BP = 1.8156, df = 1, p value = 0.1778
Logo como o p-valor acima e maior do que 5% nao
possumos evidencias amostrais para rejeitarmos a hipotese
nula, ou seja, os resduos sao constantes.

Figura 12.

Grafico de independencia nos Resduos

Logo, foi possvel observar que os resduos para o modelo


AR(1) nao se comporta como um rudo branco, nao sendo
possvel realizarmos previsoes para a serie fechamento,
utilizando este modelo.
Para a o modelo de MA(1), veremos o grafico dos seus
resduos e uma tabela com os valores das estatstica de testes
e os seus respectivos p-valores.

Figura 15.

FACP dos Resduos da MA(1)

E. Sistemas Nebulosos para Predica o de Series Temporais

Figura 13.

Graficos de Resduos para MA(1)

Teste
Anderson-Darling
Breush-Pagan
Durbin-Watson

Estatstica
11,122
1,7599
1,9985

P-valor
< 0, 005
0,1846
0,4865

Logo, assim como o modelo AR(1), o modelo MA(1),


nao possuem resduos considerados como um rudo branco.
Desta forma, nao poderemos proceder as previsoes com os
modelos obtidos para a serie fechamento, o que poderia ter
sido visto tambem pelo grafico da funca o de autocorrelaca o
e funca o de autocorrelaca o parcial para os resduos, que
mostra LAG, fora do intervalo de confianca ao nvel de 95%.

Varios trabalhos [17] ja demonstraram a compatibilidade dos sistemas nebulosos para modelagem de equaco es
lineares e nao lineares incluindo sistemas caoticos. Basicamente a utilizaca o de sistemas neuro-fuzzy para predica o de
series temporais esta na utilizaca o de valores passados para
a predica o de um valor futuro. No caso de series temporais
discretas, pode-se definir os parametros como o numero
de entradas passadas, o numero de perodos adiantes que
deseja-se prever, e o espacamento entre as entradas passadas.
Sobre o espacamento entre as entradas passadas pode-se
escolher um espacamento homogeneo ou nao [17].
Desta forma tem-se: o valor de entrada futura n+P, onde n
e o valor atual da amostra e P o numero de amostras adiante
que se deseja prever; e D o vetor de espacamentos para as
entradas passadas. Por exemplo para D = [0,1,2,3,5,8] e P
=1 temos o vetor x de entrada e y de sada como sendo:
x = [x(n 8), x(n 5), x(n 3), x(n 2), x(n 1), x(n)]0
y = x(n + 1)

A topologia do tipo TSK (Takagi-Sugeno-Kang) para um


sistema neuro-fuzzy do tipo-2 ter-se-ia topologia da figura
14. Onde e o mecanismo de fuzzificaca o das variaveis
de entrada, resultando em nos limites F i (n) que combinado
com yi do modelo de TSK. R representa o redutor de tipo.
F. Modelo para as Series Forex

Figura 14.

FACP dos Resduos da AR(1)

Como apresentado anteriormente existem varios


parametros para se operar no mercado de valores, sendo
que para cada perodo pode-se contar com cinco variaveis
(precos de abertura, maximo, mnimo e fechamento e volume) mais uma gama de indicadores de mercado. Entretanto, como o objetivo deste trabalho e a realizaca o do
day-trade faz-se necessario encontrar os pre-perodos de

IV. R ESULTADOS

Figura 16.

Diagrama do neuronio fuzzy modelo de TSK do tipo-2.

tendencia e realizar os lucros o maior numero de vezes ao


dia sem permanecer com nenhum papel, principalmente para
nao sofrer as oscilaco es indesejadas de precos.
Com base nisto o presente trabalho propoe um modelo
nebuloso do tipo-2 para prever o preco de fechamento de
um perodo a` frente utilizando os valores de precos passados
e mais dois indicadores, o ndice de forca relativa (IFR RSI
- Relative Strengh Index) calculado para 14 perodos, as
diferencas entre duas medias moveis simples, uma rapida de
dez perodos e uma lenta de cinquenta perodos. Para cada
variavel sera agrupada com tres valores passados homogeneamente espacados de dois perodos, sendo que o vetor
final de entrada possuira dezoito posico es. O intervalo de
entrada foi dividido em tres conjuntos nebuloso do tipo-2,
modelados por funca o membro gaussiana de largura variavel
(figura 15), igualmente espacadas.

s
s

Figura 17.
variavel.

Exemplo de funca o de pertinencia gaussiana com largura

Tal funca o membro pode ser interpretada como a


composica o de funco es gaussianas de centro c e largura entre
1 e 2 . O motivo da escolha desta funca o foi a facilidade
de diferencia-la em toda sua extensao, o que permite a
utilizaca o do metodo do gradiente para o treinamento. Os
parametros de TSK de y n = q + p1 x1 +. . . + pI xI foram
calculados por regressao linear multipla.

O modelo anteriormente sugerido foi avaliado em


seis papeis diferentes, sendo eles o EURCFH (Euro vs Swiss
Franc), EURNZD (Euro vs Neo Zelland Dollar), EURUSD
(Euro vs US Dollar), GBPUSD (Great Britain Pound vs UD
Dollar) e USDTRY (US Dollar vs Turkish Lira). O perodo
de precos adotado foi de cinco minutos,com um total de
2048 amostras por papel, coletados por volta das 16 horas
(GMT) em quinze de novembro do ano de dois mil e oito.
Para um determinado perodo o modelo era treinado buscando minimizar o erro quadratico medio para prever o preco
de fechamento de um perodo a` frente. Para cada perodo
treinado o modelo foi avaliado por um intervalo de duraca o
e para cada intervalo foram calculados o erro quadratico
medio (EQM ou MSE - Mean Square Error), o desvio
absoluto medio (DAM ou MAD - Mean Absolute Deviation)
e o erro percentual absoluto medio (EPAM ou MAPE Mean Absolute Percentage Error). Apos a avaliaca o de um
treinamento o modelo foi treinado novamente cinquenta
amostras a frente para avaliar a durabilidade do modelo para
varios treinamentos diante da variaca o dos precos.
Como a referencia para os papeis e uma grandeza denominada ponto, ou dgitos, e a variaca o de pontos que reflete o
lucro ou prejuzo do operador. Para os papeis selecionados
o valor do ponto e 104 . Desta forma e desejavel que o
resultado do modelo desvie em poucos pontos do valor
esperado.
O sistema foi avaliado entao para avaliar a dispersao em
relaca o a` duraca o do modelo, para 3, 5, 6, 12, 18, 20, 24
e 30 perodos por um intervalo de 1300 perodos espacados
de 50 no total de 26 treinamentos. Para cada perodo foram
calculados os valores do MAPE, MAD e MSD. Os valores
medios e o desvio padrao dos erros foram calculados para
cada um dos papeis em estudo. A figura 16 apresenta os
graficos com os valores encontrados, exceto para o USDJPY,
pois como o ponto possui um valor diferente (102 conta
104 dos demais) os valores apresentam-se fora da escala
de comparaca o.
Quanto aos resultados primeiramente e notorio que as
medias dos treze experimentos nao sao representativas
quanto a uma tendencia central, pois o desvio padrao possui
valores da mesma ordem de grandeza da media. Entretanto
os valores de erro apresentados sao muito pequenos, mesmo
apresentando tamanha dispersao em torno da media, exceto
para EURNZD, que apresentou os maiores resultados de erro
e dispersao.
Para ilustrar como os valores previstos se dispersao a
figura 17 apresenta as sequencias de previsao do EURUSD
em 6, 18 e 30 perodos. O desempenho do sistema nebuloso

Figura 18.

Diagrama de barras com os valores de erro medio e desvio padrao.

Figura 19.

Exemplo do resultado da estimaca o de precos para EURUSD.

foi satisfatorio, considerando a natureza da serie e que seu


erro de previsao excursiona-se por um limite menor que
10 pontos, entretanto, como as previsoes sao para poucos
minutos as variaco es mais abruptas ainda sao bastante imprevisveis com base apenas no modelo adotado.

V. C ONCLUS AO
Primeiramente, uma proposta de continuidade seria
avaliar a utilizaca o do modelo agregando diferentes indicadores ao vetor de entrada como indicador de tendencia
MACD (Moving Averenge Convergence Divergence), indi-

cador de momento estocastico, indicador de volatilidade de


Bollinger ou o ndice de acumulaca o/distribuica o de volume.
Complementarmente, o modelo de mercado baseado em
logica nebulosa apresentou um bom desempenho com valores de erro pequeno e com capacidadede seguir a tendencia
que o mercado apresenta, entretanto, mesmo com todo trabalho estatstico realizado, o modelo apresentado no presente
trabalho nao e definitivo, frente aos seguintes motivos: O
modelo ainda paresenta um desempenho ruim para variaco es
bruscas no mercado e seu custo computacional ainda e
elevado; e por tratr de um sistema nao parametrico e

variante no tempo, um conjunto de especialistas, incluindo


um sistema nebuloso, seria mais apropriado para operar
automaticamente em day-trade.
R EFER E NCIAS
[1] Aguirre, L.A. Introduca o a` Identificaca o de Sistemas Tecnicas Lineares e Nao-Lineares Aplicadas a Sistemas Reais. Belo Horizonte: Editora UFMG, 2007.
[2] Bank for International Settlements - Triennial Central Bank
Survey; Foreign exchange and derivatives market activity
in April 2010. Preliminary results. Monetary and Economic
Department, September 2010.
[3] Bueno,R.L.S. Econometria de Series Temporais. Sao Paulo:
Cengale Learning, 2008.
[4] Gujarati, D.N. Econometria Basica. Sao Paulo: Makron Books, 2000.
[5] Hill, C. & Griffiths, W. & Judge, G. Econometira. Sao Paulo:
Saraiva, 2000.
[6] J. M. Mendel & R. I. John, Type-2 Fuzzy Sets Made Simple,
IEEE Trans. on Fuzzy Systems, vol. 10, pp. 117-127, April
2002.
[7] L. A. Zadeh, The concept of a linguistic variable and its application to approximate reasoning-1, Information Sciences,
vol. 8, pp. 199-249, 1975.
[8] Minitab 15, Minitab 15 for Statistical Computing.
[9] Morettin, P.A. & Toloi, C. M.C. Analise de Series Temporais.
Sao Paulo: Egard Blucher, 2006.
[10] Pindyck, R.S. & Rubinfeld, D.L. Econometria - Modelos e
Previsoes. Rio de Janeiro: Elsevier, 2004.
[11] R version 2.11 for Windonws Copyright - The R Foundation
for Statistical Computing, 2010.
[12] R J Contreras Modelos Neuro-Fuzzy Hierarquicos BSP do
Tipo-2, Tese de Doutorado, Programa de Pos-graduaca o em
Engenharia Eletrica do Departamento de Engenharia Eletrica
da PUCRio.
[13] N N. Karnik, J M. Mendel Operations on type-2 fuzzy sets
- Fuzzy Sets and Systems 122 (2001) pp. 327-348, Eliever,
2001.
[14] Q Liang, J. M. Mendel, A Introdution to Type-2 TKS Fuzzy
Logic Systems IEEE International Fuzzy Systems Conference
Proceedings, pp. 1534-1539, Seul, Korea, August 1999.
[15] O Castillo, P Melin Type-2 Fuzzy Logic: Theory and Applications (Studies in Fuzziness and Soft Computing), Springer,
2008.
[16] S Achelis Technical Analysis from A to Z , 2nd Edition,
McGraw-Hill, 2000.
[17] J-S R Jang, C-T Sun, E Mizutani Neuro-Fuzzy and Soft
Computing: A Computational Approach to Learning and
Machine Intelligence patience Hall, 1997.

Você também pode gostar