Processamento Digital de Sinais Aplicado em Finanças

P ROCESSAMENTO D IGITAL DE S INAIS A PLICADO EM F INANÇAS
Análise Técnica Objetiva
Prof. Marcelino Andrade
Faculdade UnB Gama
September 27, 2018
1 / 26
Contents
Introdução
Análise Técnica Subjetiva
Modelo Estocástico do Preço
Portfólio de Markowitz
Estratégias de Trading
Ali N. Akansu and Mustafa U. Torun. 2015. A Primer for Financial Engineering:
Financial Signal Processing and Electronic Trading (1st ed.), Academic Press.
2 / 26
Introdução
Introdução
A certificado CNPI (Certificado Nacional do Profissional de Investimento) é exigido para
os profissionais que necessitam do credenciamento da Apimec para exercer a atividade
de Analista de Valores Mobiliários, conforme estabelecido na Instrução nº 598/18.
♣ Fase Comum: Sistema Financeiro Nacional, Mercado de Capitais, Mercado de

Renda Fixa, Mercado de Derivativos, Conceitos Econômicos, Conduta e
Relacionamento, Governança Corporativa, Relações com Investidores e
Sustentabilidade.
♣ Certificado CNPI: Análise e Avaliação de Ações e Finanças Corporativas,
Contabilidade Financeira e Análise de Relatórios Financeiros.”
♣ Certificado CNPI-T: Fundamentos de Análise Técnica, Teoria de Dow, Conceito de
Tendência, Figuras Gráficas,Teoria das Ondas de Elliott, Padrões de Candlestick,
Indicadores, Gerenciamento de Risco, Estratégias Operacionais e Trading
Systems.
3 / 26
Introdução
Posição Investidor (XP Educação)

»Investidor Pessoa Física
4 / 26
Introdução
Posição Investidor (XP Educação)

»Investidor Extrangeiro
5 / 26
Fundamentos da Análise Técnica (XP Educação)

Entre 1900 e 1902, o jornalista americano Charles Dow, criador e editor do Wall Street
Journal, escreveu uma série de artigos para o jornal que se transformaria nos princípios
básicos da Teoria de Dow, a espinha dorsal da análise dos gráficos.
Princípios da Teoria de Dow: ♣ Princípio do volume: o volume

♣ Os preços descontam tudo. confirma a tendência.
♣ Os preços se movem em ♣ Princípio da inércia: uma tendência
tendências. está valendo até que haja sinais
efetivos de reversão.
♣ As tendências primárias são
divididas em três fases. Quais? ♣ Princípio da utilização dos preços
de fechamento.
6 / 26
Tendências Primárias segundo Dow (XP Educação)

Fases do mercado de alta: Fases do mercado de baixa:
♣ Acumulação: os investidores sentem que o
♣ Distribuição: os investidores mais preparados
mercado pode virar, mas as notícias ainda são
continuam a se desfazer de suas posições.
ruins, o que gera receio.
♣ Pânico: os compradores começam a escassear e
♣ Alta: verifica-se um avanço firme e uma
os vendedores se tornam mais urgentes.
crescente atividade, com notícias e lucros
melhorando. ♣ Baixa lenta: O movimento para baixo se torna
mais lento, mas é mantido por vendedores que
♣ Euforia: investidores bastante seguros, seguidos
precisam fazer caixa para outras necessidades. O
pela grande massa. As notícias são favoráveis, o
volume despenca.
mercado está fervilhando, volume crescendo etc.
7 / 26
Book e Tipos de Gráficos

Principais tipos de gŕaficos: barras, candle e fechamento.
a) Book de ofertas b) Gráfico de Candles c) Gráfico de Barras d) Gráfico de Fechamento
8 / 26
Definições Adicionais da Análise Técnica

O que são? Topos, fundos, suporte, resistência, canais, LTA e gaps.
a) Topos e Fundos b) Suporte e Resistência c) Canais de Alta e Baixa d) Gaps
9 / 26
Padrões Gráficos
https://www.investimentonabolsa.com/2015/06/o-que-sao-os-padroes-da-analise-tecnica.html
10 / 26
Padrões de Candles
http://capitalevalor.com.br/artigo.php?id=35 http://capitalevalor.com.br/artigo.php?id=36
11 / 26
Metodos Quantitativos
É fundamentado em resultados estatísticos para tomada de decisão.
12 / 26
Estatísticas do Robô de Algotrading (VWAPV01) aplicado no mini-contrato de índice (WIN$N) em 5 anos
13 / 26
Curva de Capital do Robô de Algotrading (VWAPV01) aplicado no mini-contrato de índice (WIN$N) em 5 anos
14 / 26
Modelo Estocástico do Preço
Atividade Python 01: A Modelagem do Preço

Definições: Movimento Browniano Geometrico, Expectativa de Retorno, Volatilidade ou Risco e Correlação.
a) Browniano Geometrico b) Expectativa de Retorno c) Volatilidade ou Risco d) Correlação Cruzada
dp(t) p(n) − p(n − 1) 1

E{r1 (n)r2 (n)} − µ1 µ2
= µdp(t) + σdw(t) ρ=
p(t) µ = E{r(n)} = E{
p(n − 1)
} σ = (E{r2 (n)} − µ) 2 σ1 σ2
15 / 26
Portfólio: Risco e Retorno

i) Retorno para 2 Investimentos: i) Retorno para N Investimentos:
PN
rp (n) = q1 (n)r1 (n) + q2 (n)r2 (n) rp = qT r = i=1 qi ri
ii) Retorno Médio do Portfólio: ii) Retorno Médio do Portifolio:
µp (n) = E{q1 (n)r1 (n) + q2 (n)r2 (n)} µp = E{qT r} = qT E{r}

PN
µp (n) = q1 (n)E{r1 (n)} + q2 (n)E{r2 (n)} µp = qT µ = i=1 qi µi
iii) Risco Médio do Portfólio: iii) Risco Médio do Portifolio:

1 1
σp (n) = (E{r2p (n)} − E2 {rp (n)}) 2 σp = (E{r2p (n)} − E2 {rp (n)}) 2
1 1
σp (n) = (q21 σ12 + q22 σ22 + 2q1 q2 ρσ1 σ2 ) 2 σp = (qT Cq) 2
1
σp (n) = (q21 σ12 + q22 σ22 + 2q1 q2 cov(r1 , r2 )) 2 C = E{rrT } − µµT , Matriz de Covariância
16 / 26
Portfólio: Risco e Retorno

i) Retorno para N Investimentos:
PN
rp = qT r = i=1 qi ri
ii) Retorno Médio do Portfólio:
µp = E{qT r} = qT E{r}
PN
µp = qT µ = i=1 qi µi
iii) Risco Médio do Portfólio:

1
σp = (E{r2p (n)} − E2 {rp (n)}) 2
1
σp = (qT Cq) 2
C = E{rrT } − µµT , Matriz de Covariância
17 / 26
Portfólio Markowitz
i) Considerando um determinado retorno do Portfólio:
PN
qT µ = i=1 qi µi = µ,
PN
qT 1 = i=1 qi = 1, qual o menor risco?
ii) Lagrangeano e Otimização:
L(q, λ1 , λ2 ) = 12 qT Cq + λ1 (µ − qT µ) + λ2 (1 − qT 1)
∂L(q,λ1 ,λ2 ) ∂L(q,λ1 ,λ2 ) ∂L(q,λ1 ,λ2 )
∂q
= 0, ∂λ1
= 0, ∂λ2
= 0.
iii) Solução:
1T C−1 µ −1
T −1
µ µ C µ µ −1

−1 C µ +
µT C−1 1 C 1
1 1T C 1 1
q∗ = T −1
µ C µ 1T C−1 µ

µT C−1 1 T −1
1 C 1
18 / 26
Portfólio de Menor Risco

i) Considerando para o Portfólio:
PN
L(q, λ) = 12 qT Cq + λ(1 − qT 1)
∂L(q,λ) ∂L(q,λ)
∂q
= 0, ∂λ
= 0.
iii) Solução:
C−1 1
qmin = 1T C−1 1
19 / 26
Portfólio de Maior Sharpe

i) Considerando para o Portfólio:
PN
qT µ−rf
L(q, λ) = 1 + λ(1 − qT 1)
(qT Cq) 2
∂L(q,λ) ∂L(q,λ)
∂q
= 0, ∂λ = 0.
iii) Solução:
C−1 (µ−rf 1)
qmin = 1T C−1 (µ−rf 1)
20 / 26
Atividade Python 02: Otimização de Portfólio
21 / 26
O Trader, Investidor ou Especulador?

Tradicionalmente, investidores adquirem ações por períodos longos para obterem lucros, e passam a ser
parceiros de empresas. Por outro lado, os "investidores" de curto prazo não possuem esse interesse, tendo
seu foco na especulação da variação do preço de ações ou derivativos, onde buscam identificar ineficiências no
preço para realizar operações lucrativas.
♣ O investidor de curto prazo é conhecido como ♣ Machine learning, neural networks, hidden
Trader, onde adotam estratégias ad-hoc ou Markov models, evolutionary algorithms, entre
sistemáticas. outras, são algumas das técnicas aplicadas,
comumente, pelos quants.
♣ Reversão a média e seguidores de tendência são
as categorias mais comuns de estratégias de ♣ Matlab, R, C++ e Python são os
trade. ambientes/linguagens mais regulares no universo
quant.
♣ É possivel também classificar os Traders em
fundamentalistas, técnicos ou quantitativos ♣ Entre outros cenários de aplicação, os Traders
(quants), sendo os últimos focados operações realizam atuação baseadas em técnicas de Pairs
sistemáticas fundamentadas em modelos Trading, Arbitragem Estatística, Reversão a Média
matemático, físicos e das engenharias. e os Seguidores de Tendência
22 / 26
Seguidores de Tendência
Considerando a tendência do preço, no modelo Browniano geométrico, essa pode ser entendida como o drift µ.
dp(t)
= µ(t)dp(t) + σ(t)dw(t)
p(t)
♣ Wavelets, Redes Neurais, Modelos Ocultos de ♣ Média Móvel simples SMA[n]

Markov, entre outras técnicas, são adotadas para
1 Pn
detectar tendências. SMA[n] = k=n−N p[k], onde N é o periodo da SMA
N
♣ Porém, por didática, será apresentada técnicas
seguidoras de tendência baseada em médias ♣ Média Móvel Exponencial EMA[n]
móveis.
♣ É importante salientar que médias móveis EMA[n] = αp[n] + (1 − α)EMA[n − 1]
combinadas com análise técnica subjetiva são
questionadas na comunidade quantitativa. ♣ Média Móveis VWAP
♣ Por outro lado, tendências e sazonalidades são Pn
k=n−N p[k]v[k]
conceitos bem estabelecidos em séries VWAP[n] = P n v[k]
, onde v é volume
k=n−N
temporais.
23 / 26
Sinais para Seguidores de Tendência

O método mais simples de geração de sinais de trades é conhecido como crossover, sendo concebido pelo
cruzamendo do preço com uma média móvel de referência ou considerando o cruzamento de duas médias.
»Crossover com uma média: »Crossover com duas média:
♣ A abertura ou o fechamento de posições é ♣ Considerado uma média rápida FMA e uma lenta
baseado no cruzamento do preço com uma SMA, um indicador de tendência de alta é quando
Média Móvel MA de referência FMA[n − 1] < SMA[n − 1] e FMA[n] > SMA[n]. E
♣ Assim, considerado o preço P e a média MA, um indicador da tendência de baixa é quando
caso o preço P[n − 1] < M[n − 1] e P[n] > M[n] é FMA[n − 1] > SMA[n − 1] e FMA[n] < SMA[n].
realizada uma operação de compra ♣ Nesse sentido, as compras ou vendas podem
♣ Analogamente, caso o preço P[n − 1] > M[n − 1] ocorrer quando preço estiver maior que
e P[n] < M[n] é realizada uma operação de determinado percentual acima ou abaixo da
venda, que pode ser o fechamento de um SMA, respectivamente.
operação de compra. ♣ Ou ainda, a compra pode ocorrer quando a
Entretanto, à volatilidade σ, normalmente promovem FMA[n] apresentar um distância kσ[n] acima da
ruídos que tendem a realizar fechamentos não SMA[n], após o cruzamento. E a venda em
desejados de posições. situação análoga e antagônica.
24 / 26
Crossover com duas média

♣ Considerado uma média rápida FMA e uma lenta
SMA, um indicador de tendência de alta é quando
FMA[n − 1] < SMA[n − 1] e FMA[n] > SMA[n] e
da tendência de baixa quando
FMA[n − 1] > SMA[n − 1] e FMA[n] < SMA[n]
♣ Nesse sentido, as compras ou vendas podem
ocorrer quando preço estiver maior que
determinado percentual acima ou abaixo da
SMA, respectivamente.
♣ Ou ainda, a compra pode ocorrer quando a
FMA[n] apresentar um distância kσ[n] acima da
SMA[n], após o cruzamento. E a venda em
situação análoga e antagônica.
O valor de kσ[n] e dos periodos das médias FMA e
SMA são extraídos de processo de otimização,
normalmente, considerando alguns anos e aplicados
em periodos out-of-sample (OOS) e in-sample (IS).
25 / 26
Filtros Digitais
Representando a SMA como um sistema Linear Representação da Magnitude em Frequencia da SNA
Discreto Invariante no Tempo [SLDIT]:
1 sin(Nω/2)

H(ejω ) =

P∞ N sin(ω/2)
SMA[n] = h[n] ∗ p[n] = k=−∞ h[m]p[n − m]
Representação da Magnitude em Frequencia da EMA
onde ∗ é a convolução e o h[n] a resposta ao impulso
α

unitário. H(ejω ) =
1−(1−α)e−jω
1
, se n 0<n<N-1
h[n] = N
0, se n Caso contrário
No domínio da Frequência, aplicando a transformada de
Fourier em tempo discreto:
P∞
H(ejω ) = F {h[n]} = k=−∞ h[n]e−jωn
sin(Nω/2)
H(ejω ) = e−jω(N−1)/2 N1 sin(ω/2)
26 / 26

Processamento Digital de Sinais Aplicado em Finanças

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Processamento Digital de Sinais Aplicado em Finanças

Enviado por

Direitos autorais:

Formatos disponíveis

P ROCESSAMENTO D IGITAL DE S INAIS A PLICADO EM F INANÇAS

Análise Técnica Objetiva

Prof. Marcelino Andrade

Faculdade UnB Gama

September 27, 2018

Análise Técnica Subjetiva

Análise Técnica Objetiva

Modelo Estocástico do Preço

♣ Fase Comum: Sistema Financeiro Nacional, Mercado de Capitais, Mercado de

Posição Investidor (XP Educação)

Posição Investidor (XP Educação)

Fundamentos da Análise Técnica (XP Educação)

Princípios da Teoria de Dow: ♣ Princípio do volume: o volume

Tendências Primárias segundo Dow (XP Educação)

Book e Tipos de Gráficos

a) Book de ofertas b) Gráfico de Candles c) Gráfico de Barras d) Gráfico de Fechamento

Definições Adicionais da Análise Técnica

a) Topos e Fundos b) Suporte e Resistência c) Canais de Alta e Baixa d) Gaps

Atividade Python 01: A Modelagem do Preço

a) Browniano Geometrico b) Expectativa de Retorno c) Volatilidade ou Risco d) Correlação Cruzada

dp(t) p(n) − p(n − 1) 1

Portfólio: Risco e Retorno

ii) Retorno Médio do Portfólio: ii) Retorno Médio do Portifolio:

µp (n) = E{q1 (n)r1 (n) + q2 (n)r2 (n)} µp = E{qT r} = qT E{r}

iii) Risco Médio do Portfólio: iii) Risco Médio do Portifolio:

Portfólio: Risco e Retorno

ii) Retorno Médio do Portfólio:

iii) Risco Médio do Portfólio:

C = E{rrT } − µµT , Matriz de Covariância

ii) Lagrangeano e Otimização:

Portfólio de Menor Risco

ii) Lagrangeano e Otimização:

Portfólio de Maior Sharpe

ii) Lagrangeano e Otimização:

Atividade Python 02: Otimização de Portfólio

O Trader, Investidor ou Especulador?

♣ Wavelets, Redes Neurais, Modelos Ocultos de ♣ Média Móvel simples SMA[n]

Sinais para Seguidores de Tendência

Crossover com duas média

Você também pode gostar