Escolar Documentos
Profissional Documentos
Cultura Documentos
Relatório Final
14 de dezembro de 2014
Sumário
1 Problema 2
2 Objetivos 4
3 Metodologia 4
9 Conclusão 15
1
1 Problema
2
tornam-se instáveis, estabelecendo uma situação quase impossı́vel de prever os
seus movimentos. Por esse motivo, quem consegue prever algum movimento do
mercado pode conseguir realizar lucros de enorme dimensão. Sabendo disso,
em diversos momentos da história recente do mercado financeiro diferentes
métodos vem sendo criados e acolhidos, quando apresentam algum resultado
pertinente, e quando começam a perder o poder de previsão, devido as mu-
danças do mercado, são desprezados.
Simultaneamente, a Inteligência artificial ou particularmente, o aprendi-
zado de máquinas vem se popularizando na comunidade cientı́fica. Sendo
que nos dias atuais se observa um crescimento exponencial no número de pu-
blicações em torno do assunto.
O aprendizado de máquina é um sub-campo da inteligência artificial dedi-
cado ao desenvolvimento de algoritmos e técnicas que permitam ao computador
aprender, isto é, que permitam ao computador aperfeiçoar seu desempenho em
alguma tarefa. O aprendizado de máquina está, em grande parte, ligado à mi-
neração de dados e estatı́stica, utilizando-os para extrair regras e padrões de
grandes conjuntos de dados.
Quando associado o aprendizado de máquina com séries financeiras, este
campo da inteligência artificial pode ser utilizado a fim de conseguir extrair al-
gum padrão registrado pela série no passado. Para, então, fazer uma previsão
com o maior grau de precisão para pontos futuros desta mesma série. As-
sim o investidor pode tomar melhores decisões e alcançar melhores resultados
econômicos.
3
2 Objetivos
3 Metodologia
Como já citado anteriormente, faz parte do escopo deste projeto traçar
um comparativo entre diferentes idéias e métodos a fim de qualificar o melhor
método para realizar previsões acerca de preços e ı́ndices futuros do mercado
financeiro. O primeiro objetivo é desenhar este comparativo entre os campos
da estatı́stica e da inteligência artificial e posteriormente traçar um paralelo
entre o método estatı́stico tradicional dos modelos ARIMA e SARIMA com o
método de Redes Neurais.
4
Após apresentados os resultados para ambas as metodologias para todas
as séries propostas no projeto inicial, o relatório final tratará de fazer a com-
paração entre os resultados obtidos com os diferentes métodos, a qual será feita
através de meios quantitativos, como as diferentes medidas de erro de previsão
apresentadas nos relatórios anteriores, como por meios qualitativos como os
gráficos de previsão. Após a comparação para cada ativo ou ı́ndice, será feita
uma consideração final para que seja eleito um método mais consistente e que
possa gerar maior rentabilidade para o usuário.
A previsão da técnica ARMA foi revisada do segundo relatório parcial, pois
a previsão estava sendo feita apenas com os dados de treinamento, enquanto
que para a técnica de redes neurais estava sendo usado até o ponto anterior
da previsão, o que tornou a comparação injusta. Portanto, agora a previsão
com a técnica de Box-Jenkins utilizará todos os dados anteriores ao ponto de
previsão.
banco
5
Tabela 1: Tabela dos erros para as ações do banco Itaú-Unibanco
6
Figura 1: Gráfico da previsão dos preços das ações ITUB4
ITUB4.SA
34 "Observado"
Limites ARIMA
Observado
Observado
32 Predito ARIMA
Predito NN
30
7
um resultado expressivo para o usuário de qualquer um dos métodos.
Como qualitativamente não foi encontrado diferenças significativas, então
a técnica de aprendizado de máquina apresenta leve superioridade por obter
os menores erros de previsão para o papel ITUB4.
8
exceção do erro quadrático médio. Podendo ser colocado em destaque o erro
percentual médio que para as redes neurais tem uma dimensão de 57% quando
comparado com o mesmo erro para a outra técnica. Para confirmar a pequena
superioridade segue o gráfico para comparação das previsões.
VALE5
36
34 "Observado"
Limites ARIMA
Observado
Observado
Predito ARIMA
32
Predito NN
30
9
VALE5, ambas as técnicas conseguiram prever precisamente os movimentos
com maior volatilidade do ativo. O que deixa dúvida quanto a escolha do
método para previsão dos preços do ativo da Vale, mas analogamente ao papel
do banco Itaú, os erros inferiores induz a escolha, ainda que com diferenças
pequenas, da técnica de aprendizado de máquina.
Traçando um paralelo às análises feitas nos itens anteriores, pode-se con-
cluir que mais uma vez a técnica de Box-Jenkins não consegue captar alguns
pontos que a série tem maior volatilidade, enquanto que a técnica de inte-
ligência artificial tem uma capacidade de prever com muita precisão mesmo
em momentos com maiores variações de preço, como se pode ver na tabela 3 e
confirmar através do gráfico 3.
10
mais interessante para qualquer que seja o perfil do usuário, já que possui uma
assertividade maior do que o método concorrente, vide o erro percentual médio
que representa um pouco mais de 20% em relação ao mesmo erro de previsão
do método ARMA.
PETR4
22
"Observado"
20 Limites ARIMA
Observado
Observado
Predito ARIMA
18 Predito NN
16
430 440 450 460 470
Tempo.PETR4
11
7 Modelagem do ı́ndice Bovespa
Para a previsão dos ı́ndices, o cenário se altera, pois por ter havido a
necessidade de transformação dos dados para a previsão das redes neurais, os
erros acabam aumentando e muito após a transformação inversa, enquanto que
a técnica ARMA consegue manter a regularidade que havia demonstrado na
previsão dos preços de ações.
Para o ı́ndice Bovespa, a magnitude dos erros para a técnica das redes
neurais é muito maior do que para as ações estudadas anteriormente. Enquanto
que os erros da técnica estatı́stica de séries temporais são muito inferiores,
basta visualizar o erro quadrático médio que representa cerca de 15% do mesmo
erro para a técnica concorrente. Isto acontece porque a grandeza do ı́ndice é
muito maior do que as ações, então a magnitude do erro de forma absoluta
aumenta.
12
das, pois conhecendo o futuro do principal ı́ndice da Bolsa de Valores de São
Paulo, pode-se ter uma idéia muito relevante em relação ao rumo do mercado
financeiro e da macroeconomia como um todo. Trazendo, assim, diferentes
percepções sobre o mercado e possibilitando ampliar o leque de opções de in-
vestimentos, facilitando a tomada de decisões.
Bovespa
56000
54000 "Observado"
Limites ARIMA
Observado
Observado
52000
Predito ARIMA
Predito NN
50000
13
8 Modelagem do ı́ndice Dow Jones
14
podendo resultar em um lucro menor do que poderia ser obtido.
Dow Jones
16500
16200 "Observado"
Limites ARIMA
Observado
Observado
15900
Predito ARIMA
Predito NN
15600
15300
450 460 470 480 490
Tempo.DJIA
9 Conclusão
15
quando se trata de previsão de séries que apresentam preços de ações da Bolsa
de Valores de São Paulo, enquanto que o método ARMA é muito superior
quando se trata de previsão de séries que apresentam os valores dos ı́ndices
da principal bolsa brasileira e de uma das principais bolsas de valores norte
americana.
O trabalho não deixou dúvidas sobre esta questão, pois a técnica de séries
temporais também é notável para indicar a previsão dos preços das ações, to-
davia a técnica concorrente tem um desempenho melhor para prever séries de
preços de ações por obter erros invariavelmente menores. Entretanto, os mo-
delos ARMA obtiveram uma superioridade ampla em relação a outra técnica
na previsão dos ı́ndices.
Dado estes fatos, pode-se estudar a utilização de ambos os métodos para
obter resultados mais expressivos, já que para prever o cenário macroeconômico
a previsão dos ı́ndices é fundamental, além de se poder obter lucros operando
contratos de mini-ı́ndice. Enquanto isso, podem ser utilizadas as técnicas de
redes neurais para prever os preços dos ativos e operar a compra e venda de
ações ou opções, resultando na maximização de lucratividade.
16
Referências
[6] Shumway, R. H. and Stoffer, D. S. Time Series Analysis and Its Applicati-
ons. New York: Springer Verlag, 2010.
17
Jesus Enrique Garcia Vinı́cius Réa Saurin
Orientador Aluno
18