UM ESTUDO DE CASO DE PREVISÃO DE TENDÊNCIA EM UMA SÉRIE

TEMPORAL FINANCEIRA UTILIZANDO ANÁLISE TÉCNICA

Marcus Cabral Adrião

Dissertação de Mestrado apresentada ao Programa

de Pós-graduação em Engenharia Civil, COPPE, da
Universidade Federal do Rio de Janeiro, como parte
dos requisitos necessários à obtenção do título de
Mestre em Engenharia Civil.

Orientador: Alexandre Gonçalves Evsukoff

Rio de janeiro
Outubro de 2009
 UM ESTUDO DE CASO DE PREVISÃO DE TENDÊNCIA EM UMA SÉRIE
TEMPORAL FINANCEIRA UTILIZANDO ANÁLISE TÉCNICA

Marcus Cabral Adrião

DISSERTAÇÃO SUBMETIDA AO CORPO DOCENTE DO INSTITUTO ALBERTO

LUIZ COIMBRA DE PÓS-GRADUAÇÃO E PESQUISA DE ENGENHARIA (COPPE)
DA UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE DOS
REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE MESTRE EM
CIÊNCIAS EM ENGENHARIA CIVIL.

Aprovada por:

__________________________________________
Prof. Alexandre Gonçalves Evsukoff, D.Sc.

__________________________________________
Prof. Nelson Francisco Favilla Ebecken, D.Sc.

__________________________________________
Prof. Heloisa Márcia Pires, D.Sc.

RIO DE JANEIRO, RJ - BRASIL

OUTUBRO DE 2009
Adrião, Marcus Cabral
Um estudo de caso de previsão de tendência em uma
séries temporal financeira utilizando analise
técnica/Marcus Cabral Adrião. – Rio de
Janeiro:UFRJ/COPPE, 2009.
VI, 59 p.: il.; 29,7 cm.
Orientador: Alexandre Gonçalves Evsukoff
Dissertação (mestrado) – UFRJ/ COPPE/ Programa
de Engenharia Civil, 2009.
Referencias Bibliográficas: p. 57-59.
1. Análise Técnica . 2.Previsão. 3. Mercado
Financeiro I. Evsukoff, Alexandre Gonçalves. II.
Universidade Federal do Rio de Janeiro, COPPE,
Programa de Engenharia Civil. III. Titulo.

iii
Resumo da Dissertação apresentada à COPPE/UFRJ como parte dos requisitos
necessários para a obtenção do grau de Mestre em Ciências (M.Sc.)

UM ESTUDO DE CASO DE PREVISÃO DE TENDÊNCIA EM UMA SÉRIE

TEMPORAL FINANCEIRA UTILIZANDO ANÁLISE TÉCNICA

Marcus Cabral Adrião

Outubro/2009

Orientador: Alexandre Gonçalves Evsukoff

Programa: Engenharia Civil

Este Trabalho tem como objetivo identificar tendências em série de preços de

ativos financeiros para definir estratégias de investimento. Escolheu-se a serie horária

de preços das ações da Petrobrás PN (PETR4) para um estudo de caso. Foram

avaliadas regras da Análise Técnica (cruzamento de médias móveis, rompimento de

suporte e resistência, rompimento de bandas de Bollinger), comparando com uma

regra híbrida proposta. Foram realizadas simulações de forma a encontrar parâmetros

capazes de gerar estratégias lucrativas. Concluiu-se que descontando os custos

operacionais, somente a regra hibrida proposta apresentou retornos acima do

benchmark buy and hold no período analisado.

iv
Abstract of Dissertation presented to COPPE/UFRJ as a partial fulfillment of the
requirements for the degree of Master of Science (M.Sc.)

A CASE STUDY OF A FINACIAL TIME SERIES TRENDS FORECAST USING

TECHNICAL ANALISYS

Marcus Cabral Adrião

October/2009

Advisor: Alexandre Gonçalves Evsukoff

Department: Civil Engineering

This work aims to identify trends in financial time series and investment

strategies. It used serie of prices on shares of Petrobras PN (PETR4) for a case study

using some rules of technical analysis (moving averages crossover, breakout support

and resistance, and breakout of Bollingerer bands) compared with a hibrid rule

suggested. Simulations were carried out in order to find parameters to generate

profitable strategies. The work concluded that discounting the operating costs, only the

hybrid rule suggested submitted returns above the benchmark buy and hold during the

period.

v
 Sumário

1 - Introdução ............................................................................................................... 1

2 - Hipótese do Mercado Eficiente – HME .................................................................... 3

3 - Análise Técnica ....................................................................................................... 7

3.1 – Gráficos ........................................................................................................................ 11

3.2 – Tendências .................................................................................................................. 12

3.3 - Suporte e Resistência................................................................................................. 15

3.4 – Volume ......................................................................................................................... 17

3.5 - Indicadores Técnicos .................................................................................................. 18

3.5.1 - Médias Moveis .......................................................................................... 19

3.5.2 - Hilo Activator ............................................................................................ 20
3.5.3 - Bandas de Bollinger .................................................................................. 21
4 - Estudo de Caso ..................................................................................................... 23

4.1- Base de Dados ............................................................................................................. 23

4.2 - Pré- Processamento dos Dados ............................................................................... 25

4.3- Seleção dos Atributos ................................................................................................. 28

5 - Estratégias de Investimento................................................................................... 29

5.1 - Custos Operacionais .......................................................................................... 31

5.2 - Benchmark Utilizado ........................................................................................... 32

5.3 - Regras de Analise Técnica ................................................................................. 32

5.3.1 - Regra de Cruzamento de Médias Móveis ................................................. 32

5.3.2 - Regra de Rompimento de Suporte e Resistência ..................................... 34
5.3.3 - Regra de Rompimento Bandas de Bollinger ............................................. 36
5.3.4 - Regra Híbrida Proposta ......................................................................................... 38

6- Resultados ............................................................................................................. 42

7 – Conclusão ............................................................................................................. 51

APÊNDICE A: Histograma dos retornos das regras propostas ................................... 53

8 – Referências Bibliográficas..................................................................................... 57

vi
1 - Introdução

A capacidade de se prever o comportamento do mercado financeiro é tema

de grande interesse. Dentre os beneficiados, podem-se destacar os agentes

econômicos públicos e privados tais como Bancos Centrais, Bancos de Investimento,

Corretoras de Valores e outros em suas respectivas áreas de atuação. Porém, devido

à complexidade do comportamento de preços, a área de estudo em questão ainda é

um desafio. A complexidade é fruto da falta de compreensão dos fatores que

determinam uma serie de preços. Os fatores externos não apresentam lineariedade e

o comportamento dos preços são não estacionários.

O estudo do comportamento de uma série temporal de preços pode ser

realizado através da identificação do conjunto de fatores exógenos que interagem

entre si. Para realizar esse trabalho, são necessárias inúmerais informações que

muitas vezes não são possíveis. Muitos economistas utilizam modelos econométricos

com o objetivo de encontrar relações entre séries econômicas relevantes, tais como

juros, cambio e os resultados financeiros de países e empresas. Os estudiosos desta

área de interesse são conhecidos como fundamentalistas.

Outra forma de abordar o mesmo problema é estudar diretamente o

movimento da série de preços, sem tentar compreender os fatores externos que o

causam. Nesse caso, são realizados testes para a identificação de variáveis na própria

série que possam explicar o movimento observado. São realizadas diversas análises

estatísticas na série financeira com o objetivo de encontrar correlação não linear do

seu comportamento com suas variáveis transformadas e defasadas.

Recentes estudos (LISE e MEDIO, 1997), (LO e MACKINLEY, 1998) e

(MANDELBROTe HOTSON, 2004) têm evidenciado que a hipótese do mercado

eficiente e do caminho aleatório dos preços dos ativos financeiros é questionável.

1
Esses trabalhos evidenciaram padrões não lineares nos preços, capazes de colaborar

para a predição do comportamento futuro dos mesmos.

Para tal, uma das abordagens mais utilizadas é a analise técnica ou

quantitativa do movimento de preços da série em questão (COOPER, 1999). Análise

Técnica ou quantitativa pode ser definida como o estudo de ações individuais e do

mercado, com base na oferta e procura. Baseia-se na idéia de que os preços se

movem de acordo com padrões não estacionários, porém identificáveis. A Análise

Técnica utiliza-se de dados históricos para compreender as oscilações dos preços,

através de simples padrões gráficos até redes neurais.

No final do século XX, áreas interdisciplinares passaram a estudar o

movimento dos preços. Estudos e teorias no campo da física, matemática, estatística e

ciência da computação foram introduzidas com o objetivo de modelar o

comportamento do mercado.

O Trabalho proposto tem como objetivo identificar tendências na série de

preços em horas das ações da Petrobrás PN (PETR4) para definir estratégias de

investimento. O estudo de caso contribui para tomadas de decisão de investimento em

Instituições Financeiras (Bancos, Assets e Corretoras) e investidores em geral,

sugerindo estratégias capazes de gerar retornos acima do benchmark buy and hold.

2
2 - Hipótese do Mercado Eficiente – HME

A hipótese do Mercado Eficiente consiste na teoria de que a variação dos

preços de um ativo financeiro qualquer se comporta como uma variável aleatória de

distribuição normal. Também conhecida pela teoria do random walk (teoria do passeio

aleatório), os seus seguidores acreditam que as séries temporais dos retornos dos

ativos financeiros não apresentam nenhuma capacidade preditiva. Baseados nessa

teoria, acadêmicos do meio econômico e financeiro, desenvolveram trabalhos que

originaram os primeiros conceitos sobre mercado eficiente que deu início a teoria de

finanças moderna.

Segundo Fama (1965) a hipótese do mercado eficiente assume que o

comportamento dos preços no futuro é semelhante ao de uma série sintética a partir

de números aleatórios. Desta forma, a teoria do random walk assume duas Hipóteses,

os retornos não apresentam autocorrelação e comportam-se como um distribuição

normal.

Para o autor a probabilidades de lucro/prejuízo são iguais e que a esperança

média dos retornos, em uma amostra significativa de negociações, seria zero, não

apresentando memória, mesmo que possíveis perdas ou ganhos sucessivos possam

ocorrer em um período relativamente curto.

A hipótese de mercados eficientes fundamenta a impossibilidade dos

investidores obterem ganhos acima da média pela variação dos preços em função das

novas informações. A contínua incorporação de informações novas, desloca a curva

de oferta e demanda, provocando um novo preço de equilibro, apresentando sempre

constante mutação. A variação dos preços em função de novas notícias e expectativas

torna o mercado imprevisível e aleatório, como fundamenta a teoria do random walk.

3
 Fama (1970), contribuiu muito para sustentar a teoria de mercados eficientes

inserindo-a definitivamente aos estudos de finanças. O mercado é eficiente quando os

preços sempre refletem todas as informações disponíveis. Nessa hipótese, a

probabilidade de obter retornos extraordinários é pequena ou nula.

O autor considera que em um mercado eficiente algumas condições devem

ser satisfeitas: não há custos operacionais e de transação; as informações são

acessíveis a todos os participantes do mercado; existe um consenso sobre o impacto

da informação nos preços de um ativo. Ele ressalta que a eficiência do mercado pode

ser classificada em três formas: fraca, semi-forte e forte. Cada qual representada pelo

nível de informação incorporada nos preços.

A forma fraca assume que os preços atuais apresentam memória, sendo

função dos preços passados. A forma semi-forte assume que os preços atuais são

função de toda informação, não somente de preços passados, como também de toda

informação disponível aos investidores, tais como, notícias e demonstrações contábeis

e financeiras. Na forma forte, os preços dos ativos contêm toda informação, inclusive

informações privadas.

Segundo Fama (1965) a utilização da análise técnica, sob a hipótese do

mercado eficiente na forma fraca, não gera valor, pois se as informações dos preços

passados estão contidas nos atuais, não seria possível através de padrões passados

obter retornos no mercado.

Na forma fraca de eficiência de mercado, segundo Damodaran (2003), a

procura por ações sub-avaliadas utilizando gráficos, padrões de preços passados e

outras ferramentas da Análise Técnica seriam inúteis e incapazes de gerar retornos

extraordinários. Na eficiência semi-forte, nenhuma análise proporcionaria retornos

acima da média do mercado, pois a propagação da informação pelos agentes do

mercado levam os preços de um ativo para um novo ponto de equilíbrio rapidamente.

4
Na eficiência forte de mercado, até mesmo os agentes possuidores de informações

privilegiadas, também não seriam capazes de gerar retornos extraordinários.

Para Damodaran, em condições de mercado eficiente nenhum investidor é

capaz de lucrar consistentemente no mercado. Como as probabilidades em um

mercado eficiente são iguais, a análise de investimento seria inútil e qualquer

estratégia com diversificação aleatória de ativos, sem qualquer informação seria

superior a outra estratégia qualquer.

Nos estudos realizados por Lo Mackinley (1988) e Fama e French (1988)

foram encontradas assimetrias temporais nos preços, contrariando a eficiência do

mercado.

No Brasil, Capobianco, Cister e Maceió (2002) estudaram o comportamento

do principal Indice do mercado acionário (IBOVESPA). Foram realizadas previsões

com redes neurais utilizando dados mensais do Índice Ibovespa com o objetivo de

verificar eficiência do mercado. Neste trabalho foram realizadas previsões mensais do

valor do fechamento do IBOVESPA durante o período de Janeiro de 1968 a Dezembro

de 2001 com o objetivo de identificar tendencia. Foram escolhidas 17 variáveis de

entrada para um modelo com o algoritimo backpropagation, sendo as 371 primeiras

observações da base de dados (80%) utilizadas para treinamento e as 81 últimas

(20%) para realisar o teste. Observou-se que durante o período de treinamento a

capacidade preditiva atingiu 85% enquanto que no período de teste este valor

alcançou no máximo 61%. Concluiu-se neste trabalho que a utilização de redes

neurais não foi capaz prever a tendência do IBOVESPA, confirmando assim a

Hipótese do Mercado Eficiente.

5
 Recentemente, autores como (LISE e MEDIO, 1997), (LO e MACKINLEY,

1998) e (MANDELBROTe HOTSON, 2004) vêm publicando trabalhos contrariando a

teoria do mercado eficiente dos preços de séries financeiras. Portanto, o assunto

abordado ainda encontra-se aberto a discusões e estudos futuros.

6
3 - Análise Técnica

A análise técnica surgiu no final do século XIX quando Charles H. Dow

publicou um artigo no Wall Street Journal descrevendo suas análises feitas a respeito

da variação dos preços dos ativos na bolsa de Nova York. Neste trabalho, Charles

Dow concluiu que na maior parte do tempo, os preços seguiam uma tendência. Logo

em seguida, ele criou um índice (Dow Jones Industrial Average) com as ações mais

negociadas na época, sendo capaz de representar a média da evolução de preços na

Bolsa de Nova York. Desde então, diversos estudos foram baseados em sua teoria

mais conhecida como Dow Theory.

O índice Dow Jones, até hoje continua sendo um dos índices mais

importantes do mercado americano, sendo referência para sinalizar a tendência dos

preços das empresas industriais.

Ao longo do tempo, a análise técnica desenvolveu-se através de diversos

indicadores com base na estatística e matemática com o objetivo de encontrar

padrões e tendências no mercado financeiro.

No final do século XX, áreas interdisciplinares de estudo passaram a estudar

o movimento dos preços. A Análise Técnica utiliza-se de dados históricos para

compreender as oscilações dos preços, através de simples padrões gráficos até redes

neurais (YANG e SATCHELL, 2003).

Com uma grande quantidade de trabalhos publicados nesta área, um novo

conceito sobre finanças vem sendo aplicado. Junto com a evolução da análise técnica

surge a finanças comportamental, que explica a dinâmica dos preços em função do

comportamento dos investidores.

7
 A teoria de finanças comportamental acredita que o que move os preços são

as expectativas dos investidores, que muitas vezes não tomam decisões racionais,

como no caso de comportamento de manada. O comportamento de manada ocorre

quando uma série de preços inicia uma tendência de alta ou de baixa e os

investidores acompanham o movimento independente da expectativa racional do

investimento.

O uso da análise técnica ajuda na compreenção e modelagem da finanças

comportamental buscando quantificar as expectativas irracionais dos investidores

através de indicadores.

Atualmente, a análise técnica é amplamente utilizada entre os players do

mercado financeiro tais como corretores, especuladores, bancos e investidores

individuais. Brorsen e Irwin (1987) em uma pesquisa com fundos de investimento

constataram que mais de 50% dos entrevistados utilizavam análise técnica para

tomada de decisão. O estudo também demonstra que estes fundos controlavam 23%

dos mercados futuros.

Taylor e Allen (1992) realizaram uma pesquisa sobre a utilização da análise

técnica por traders de câmbio no mercado de Londres. Os resultados mostraram que

64% dos traders utilizavam rastreadores de tendência tais como médias móveis e 40%

utilizavam outras regras. A grande maioria (90%) dos participantes da pesquisa

respondeu utilizar algum tipo de análise técnica para tomadas de decisão no curto

prazo e 60% responderam que a análise técnica é tão importante quanto a

fundamentalista.

8
 Visto que os modelos de análise técnica no mercado financeiro vêm sendo

utilizados por muitos participantes, é natural o grande interesse dos investidores em

evidenciar sua lucratividade. Os primeiros estudos sobre a eficácia da análise técnica

utilizavam poucas regras, enquanto que atualmente inúmeras combinações de regras

são testadas.

Um dos primeiros estudos sobre o assunto foi realizado por Fama e Blume

(1966). Foram testadas regras de filtro para os preços diários de 30 ações do índice

Dow Jones (DJIA) entre 1956 e 1962. Foram analisadas 24 regras e os resultados

foram comparados com a estratégia de buy and hold. Ao considerar os custos

operacionais, apenas quatro regras geraram resultados positivos, porém nenhum

modelo apresentou retorno significativamente acima do benchmark utilizado.

Lukac, Brorsen e Irwin (1988) pesquisaram regras de análise técnica para

mercados futuros de metais e moedas. Foram testados modelos de médias móveis,

osciladores, filtros, canais e suas diversas combinações no período de 1975 a 1984. A

parametrização de cada modelo foi feita por otimização em períodos de três anos e a

que gerava o melhor resultado era escolhida e testada no ano seguinte.

Wilcox e Crittenden (2005) estudaram o comportamento de mais de 24000

ações do mercado americano entre janeiro de 1983 e dezembro de 2004. Foram

realizados backtests com diversas estratégias de trend following considerando liquidez

e custos operacionais de corretagem e slippage Os autores concluíram em seus

trabalhos que as estratégias de trend following no mercado acionário americano

apresentam freqüentemente esperança matemática positiva.

James (2003) realizou testes utilizando estratégias de cruzamento de medias

moveis no Mercado de moedas (Forex). Foi utilizado o índice de moedas da MSCI

(Morgan Stanley Capital International) para verificar a rentabilidade da estratégia no de

1988 até 2002. Verificou-se também o resultado das estratégias utilizadas durante os

9
três últimos anos analisados, entre 1999 e 2002. Concluiu-se neste trabalho que o

portfólio de moedas selecionado pela estratégia de cruzamento de médias móveis

apresentou resultados significativos com baixo risco, tanto no período total analisado

quanto nos três últimos anos, confirmando assim a eficácia da estratégia de trend

following utilizando médias móveis até o ano de 2002.

Wong, Du e Chong (2005) testaram a capacidade preditiva e a rentabilidade

de estratégias de investimento utilizando regras de analise técnica (médias móveis

simples, cruzamento de Médias Móveis, MACD e TRIX) no mercado acionário da

China, Hong Kong e Tawian durante o período de 1992 a 2004. Em um estudo

empírico com dados diários dos mercados analisados os autores encontraram retornos

anormais acima do benchmark buy and hold utilizando estratégias de cruzamento de

médias móveis (exceto TRIX), concluindo que analise técnica é uma ótima ferramenta

para determinar o timinig da compra e venda no mercado de ações. Portanto, a

lucratividade das regras utilizadas indica que os mercados analisados no artigo

publicado não apresentam eficiência de forma fraca.

Chaudhuri e WU (2003) investigaram a eficiência de mercado em dezessete

índices de ações de mercados emergentes. Foram utilizadas técnicas de rompimento

de suporte e resistência para determinar estratégias de entrada e saída dos mercados

analisados. No trabalho os autores encontraram evidencias de que em dez mercados

a hipótese nula de randow walk pode ser rejeitada em pelo menos 5% de significância.

Portanto, concluiu-se que a maioria dos mercados analisados apresentam tendência

nos preços, contrariando trabalhos que evidenciam o comportamento de reversão à

media dos preços nos mercados de ações.

Outros autores, Frankel e Froot (1990), Lui e Mole (1998) e Cheung e Chinn

(2001) também apresentaram estudos sobre regras de análise técnica nos mercados

de ações, moedas e futuros.

10
3.1 – Gráficos

Através das séries de preços, os analistas técnicos fazem uso das mais

diversas representações gráficas para identificar padrões e comportamentos. O uso

dos gráficos tem grande relevância e muitas análises são realizadas apenas

interpretando-os.
os. Na maioria das vezes os estudiosos da análise técnica combinam

análises gráficas e quantitativas para auxiliar na tomada de decisão. Os gráficos

podem ser de preços, volumes, médias e desvios, com o objetivo de identificar o início

de uma
a tendência ou o fim da mesma.

Os gráficos de preços podem ser representados através da evolução do

preço de fechamento do ativo financeiro em questão. O gráfico de Candlestick utiliza,

além do preço de fechamento, valores de abertura, máxima e mínima durante

dura um

determinado período de negociação, sendo muito popular entre os traders.

traders

Candlestick

Sua visualização é caracterizada pela fácil interpretação através de cores para

identificar os valores de abertura, máxima, mínima e fechamento conforme a figura 1.

Figura 1: Gráfico de Candlestick

11
Candlestick de Alta - Quando a variação for de alta, o preço de abertura é indicado

no canto inferior esquerdo, o preço de fechamento é indicado no canto superior direito,

o preço de máxima é indicado na extremidade de cima, o preço de mínima é indicado

pela extremidade de baixo e o corpo é indicado pela cor verde.

Candlstick de Baixa - Quando a variação for de baixa, o preço de abertura é indicado

no canto superior esquerdo, o preço de fechamento é indicado no canto inferior direito,

o preço de máxima é indicado na extremidade de cima, o preço de mínima é indicado

pela extremidade de baixo e o corpo é indicado pela cor verde.

3.2 – Tendências

As tendências ocorrem quando os preços de um determinado ativo financeiro

apresentam crescimento ou diminuição contínua. Uma tendência de alta é

caracterizada pela sucessão de preços ascendentes, assim como uma tendência de

baixa apresenta redução sucessiva das cotações.

De acordo com Noronha (1995), uma tendência de alta é identificada quando

ocorre a formação da sucessão de topos e fundos cada vez maiores aparentes nos

gráficos, representando a evolução dos preços em relação ao tempo, apresentando

uma linha de tendência ascendente. Uma tendência de baixa é identificada pela

formação da sucessão de topos e fundos cada vez menores aparentes nos gráficos,

apresentando uma linha de tendência descendente.

Para Elder (2004), a tendência existe quando os preços continuam subindo

ou descendo ao longo do tempo. A tendência de alta é formada pelo mercado cuja um

topo mais alto que o anterior é formado sucessivamente e a queda posterior fica acima

do topo precedente. Na figura 2 abaixo pode-se observar o grafico da seríe de preços

em horas das ações da Petrobrás PN (PETR4) apresentando tendência de alta e de

baixa conforme explicado anteriormente.

12
 Figura 2: Gráfico de Tendências (PETR4)

Segundo Kaufman (2005), as tendências de longo prazo capturam um

grande movimento de preço causado por fatores econômicos, como políticas de

governo que refletem nas taxas de juros, câmbio e balança comercial. Para Kaufman

os preços não apresentam uma distribuição normal e sim fat tail. A fat tail significa que

existem algumas situações não usuais de movimento direcional de preços que são

maiores que o esperado por uma distribuição nornal, se apresentando como uma

distribuição exponencial assimétrica.

As fat tais são fenômenos estatísticos causados pela combinação de

fundamentos do mercado e comportamento humano, gerando um movimento de

preços que persiste em uma direção durante um período muito maior do que pode ser

explicado pela teoria do random walk. Como exemplo, o caso clássico de lançamento

de moeda produz uma distribuição uniforme. Em uma distribuição do lançamento de

100 moedas espera-se:

- 50% dos lançamentos será cara ou coroa seguido pelo oposto, coroa ou cara.

- 25% dos lançamentos será cara e cara seguidos ou coroa e coroa seguidos.

13
- 12,5% dos lançamentos será cara, cara e cara seguidos ou coroa, coroa e coroa

seguido.

- Aproximadamente 6% dos lançamentos serão cara ou coroa seguidos quatro vezes.

- Aproximadamente 3% dos lançamentos serão cara ou coroa seguidos cinco vezes.

- 1% ou 2% dos lançamentos serão cara ou coroa seguidos seis vezes.

Se o movimento de preços for substituído pelo lançamento de moedas, então

cara pode ser considerada alta de preço e coroa ser queda de preço. Se o padrão de

alta e baixa do movimento de preços seguissem uma distribuição normal e se os

movimentos de alta e baixa tivessem a mesma freqüência, então não existiriam

tendências nos preços. Mas os preços não apresentam uma distribuição normal. A

dinâmica de preços tem fat tail, o que significa que, ao invés de seis movimentos de

alta ou baixa seguidos de 100, pode-se observar 12 ou mais movimentos direcionais

seguidos. Essa distribuição já é suficiente para que as estratégias de investimento

baseadas em tendências apresentem expectativas positivas.

14
3.3 - Suporte e Resistência

Suporte em análise técnica pode ser definido como um nível de preço de um

ativo qualquer no qual a pressão compradora supera a pressão vendedora. Quando o

ativo atinge o nível de preço de um suporte, a demanda costuma ser maior que a

oferta fazendo com que os preços parem de cair e voltem a subir.

Resistência é o oposto de suporte, ou seja, é uma região do gráfico na qual o

nível preço de um ativo qualquer a pressão vendedora supera a pressão compradora.

A oferta supera a demanda, fazendo com que os preços parem de subir e voltem a

cair.

Elder (1993) define um suporte como o nível de preço cujo movimento de

compra de um determinado ativo pelos investidores é forte o suficiente que interrompe

momentaneamente uma tendência de baixa. De forma análoga e contrária, resistência

caracteriza-se pelo nível de preços, cujos investidores tendem a intensificar vendas,

interrompendo uma tendência de alta.

Existem diversas maneiras de identificar um suporte e uma resistência. Os

valores de máxima e mínima dos preços são considerados bons níveis de suporte e

resistência, que também são conhecidos como topos e fundos de uma série histórica.

Os fundos dos movimentos anteriores ajudam a identificar regiões no gráfico onde

costuma ocorrer um aumento da demanda, assim como nos topos anteriores ocorre

aumento da oferta. A figura 3 apresenta exemplos de suporte e resistência.

15
 Resistência

Resistência

Suporte

Figura 3: Gráfico 1 de Suporte/ Resistência

Importa ressaltar um aspecto muito interessante dos suportes e resistências.

Um suporte, após ser superado pelo preço de fechamento transforma-se em

resistência e vice-versa.

Suportes e resistências existem porque os investidores costumam comprar e

vender em níveis de preços de máximas e mínimas, considerando o aspecto da

psicologia de mercado.

Além do que foi mencionado acima sobre suporte e resistência, outras

características também devem ser consideradas:

1 - Quanto mais tempo os preços são negociados, mais relevante se torna a

resistência ou o suporte. Se os preços são negociados em um nível de preço durante

alguns dias, por exemplo, a quebra do suporte ou da resistência neste período é muito

mais importante e intensa que a quebra do suporte de um movimento de gráficos de

curto prazo.

2 - Um volume de negócios acima da média sinaliza a importância de suportes e

resistências, significando que nesta faixa de preço existe um grande interesse de

negociação.

16
3.4 – Volume

O volume é a quantidade financeira negociada por um ativo em um intervalo

de tempo. O volume precisa ser interpretado junto ao contexto do movimento dos

preços, sendo muito importante para sustentar a consistência de uma tendência, não

tendo significado se analisado isoladamente. Desta forma, quando os preços de um

ativo sobem com volume superior à média, existe uma maior probabilidade de uma

consistente tendência de alta. Se o volume for inferior a média, a tendência costuma

ser de curta duração. Se o preço sobe com volume crescente, significa que há

demanda. O mesmo ocorre em uma tendência de baixa, volumes negociados acima

da média sinalizam continuidade da tendência e abaixo da média representa seu

enfraquecimento.

Wang (1994) examinou a correlação do volume negociado de um

determinado ativo financeiro e a variação do preço do mesmo e concluiu que o volume

tem correlação positiva com a variação de preços e dividendos.

Hiemstra e Jones (1994) realizaram testes de causalidade de Granger

lineares e não lineares para analisar a relação dinâmica entre preços e volume. Foram

aplicados testes na série de retornos do Dow Jones Industry Average comparada com

a variação do volume negociado de todas as ações da NYSE – New York Stock

Exchange durante o período de 1915 até 1990. Nos resultados encontrou-se evidencia

significativa de causalidade não linear de Granger na relação entre volume negociado

e retorno dos preços das ações analisadas.

17
 De acordo com Pring (1991), a correlação entre volume e preço ocorre da

seguinte maneira:

1- Em uma tendência de alta, o volume apresenta correlação positiva com os

preços.

2- Em uma tendência de baixa, o volume apresenta correlação negativa com os

preços.

Pring menciona também que a variação do volume deve ser comparada em

relação a sua média em um determinado período.

Cooper (1999) descobriu em seus estudos, que o alto crescimento do volume

esta correlacionado com a continuidade de uma tendência, e que de forma análoga e

contrária, um baixo crescimento do volume tem correção com a reversão de uma

tendência. Cooper utilizou 300 empresas do mercado acionário americano durante

1962-1993 para análise de seu trabalho.

3.5 - Indicadores Técnicos

Os indicadores técnicos são baseados em cálculos estatísticos de uma série

temporal do preço de um ativo. A partir de dados de preços de abertura, máxima,

mínima e fechamento, além do volume financeiro negociado, pode-se calcular médias,

desvios e outras características da série.

Os indicadores técnicos podem ser divididos em duas categorias: indicadores

de tendência e os osciladores. A primeira tem como o objetivo sinalizar se os preços

de um ativo financeiro estão em tendência de alta ou de baixa. Na segunda categoria,

os osciladores tentam indicar se os preços estão superestimados ou subestimados,

18
com potencial de reversão a média. Visto que este trabalho tem como objetivo analisar

somente regras de análise técnica capazes de identificar tendências, serão somente

abordados estes indicadores.

3.5.1 - Médias Moveis

As Médias móveis são muito utilizadas no mercado financeiro com a

finalidade de identificar tendências, sejam elas de curto ou de longo prazo. As médias

moveis podem ser calculadas de diversas maneiras (simples, exponencial, ponderada

e outras). Muitos estudos e estratégias fazem uso de médias móveis para confirmar

uma tendência, seja ela de alta ou de baixa. Geralmente, utiliza-se o cruzamento dos

preços com uma média móvel qualquer ou o cruzamento de duas médias móveis com

janela de tempo distintas para sinalização de compra ou de venda. Segue, abaixo a

fórmula para o cálculo da média móvel simples (aritimética).

Média Móvel= ∑Fech[t-n:t]/n

Onde :

Fech[t-n:t] = Preços de fechamento entre o intervalo t-n até t

n = parâmetro da janela da média móvel

t= período no tempo

Segundo Brock e Le Baron (1992) a média móvel é considerada um dos

indicadores técnicos mais utilizados no mercado financeiro.

Para Murphy (1999) a média móvel destaca-se por ser o indicador mais

utilizado e versátil entre todos os outros indicadores técnicos. Este indicador é de fácil

interpretação e possui diversas formas para aplicação prática no mercado.

19
3.5.2 - Hilo Activator

Este indicador técnico foi desenvolvido por Robert Krausz e consiste na

média móvel simples de máximas ou mínimas. Geralmente este indicador é calculado

com uma janela móvel das três últimas máximas e mínimas, indicando se o mercado

está em uma tendência de curto prazo, seguindo o mercado em alta ou em baixa.

O Hilo Activator não costuma ser usado isoladamente, para utilizá-lo é

importante identificar a principal tendência através de outros indicadores. Quando o

preço está acima do Hilo Activator, ele pode ser usado como filtro de confirmação de

compra. Quando os preços estão abaixo do indicador, ele pode ser usado como um

filtro de confirmação de venda. Segue abaixo a fórmula para o cálculo dos hilos de alta

e baixa:

Hilo de alta= (Máxima(t)+ Máxima(t-1)+ Máxima(t-2))/3

Hilo de alta= (Mínima(t)+ Mínima(t-1)+ Mínima(t-2))/3

Onde :

t= período no tempo

20
3.5.3 - Bandas de Bollinger

É um sistema de bandas das quais se localiza a região em que o preço

costuma oscilar. A definição deste estudo é simples e consiste em somar e subtrair ao

redor de uma média móvel desvios padrão. A soma estabelece a banda superior e

subtração a inferior, sendo a linha central a média móvel utilizada.

Considerando uma distribuição normal, quando a banda de bolliger tem como

parâmetro um desvio padrão, a probabilidade dos preços permanecerem entre as

bandas é de sessenta e seis porcento (66%). Geralmente, as bandas são

parametrizadas com dois desvios padrão, apresentando probabilidade de noventa e

cinco porcento (95%) das variações de preços ocorrerem neste intervalo.

Esse indicador identifica uma tendência de alta quando os preços atingem

valores acima da banda superior, caracterizando a dispersão dos preços acima da

média. A identificação da tendência de baixa ocorre quando os preços registram

valores abaixo da banda inferior, caracterizando a dispersão dos preços abaixo da

média.

Quando o mercado segue uma tendência definida, o comportamento

esperado é do preço flutuar entre a linha central e a banda superior quando a

tendência for de alta e entre a linha central e a banda inferior quando essa for de

baixa. Segue, abaixo a fórmula para o cálculo das bandas de Bollinger:

21
Banda Superior= ∑Fech[t-n:t]/n + (f*desvio (Fech[t-n:t]))

Banda Superior= ∑Fech[t-n:t]/n - (f*desvio (Fech[t-n:t]))

Onde :

Fech[t-n:t] = Preços de fechamento entre o intervalo t-n até t

n = parâmetro da janela da média móvel e desvio padrão

desvio (Fech[t-n:t]) = Desvio padrão do fechamento entre o intervalo t-n até t

t= período no tempo

f=parâmetro multiplicador do desvio Padrão

22
4 - Estudo de Caso

O estudo de caso proposto consiste em aplicar regras da análise técnica para

verificar a sua capacidade preditiva. Para realizar a pesquisa escolheu-se as ações da

Petrobras (PETR4) com o objetivo de encontrar tendências significativas que

maximizem o retorno das operações.

4.1- Base de Dados

Foram realizadas diversas análises para encontrar a frequência temporal

utilizada. Importa ressaltar que as análises com séries temporais lentas (diárias,

semanais e mensais) geram sinais muito atrasados em relação às variações de

preços. Já as análises com séries temporais rápidas (1 minuto, 5 minutos, 15 minutos

e 30 minutos) geram muito ruído de informação, resultando em muitas operações com

prejuízo e aumentando os custos operacionais com ordens de compra/venda

desnecessárias. Portanto, escolheu-se a série de 60 minutos, visto que o ruído da

informação diminui e os sinais são gerados antes dos sinais das séries mais lentas.

Os dados utilizados neste trabalho foram retirados da série horária das ações

da Petrobras (PETR4) entre 25/08/2004 e 18/03/2009, totalizando 9950 observações.

Na figura 4 observa-se a série no período analisado com as respectivas janelas de

treinamento (2/3) e teste (1/3). No estudo de caso utilizou-se uma janela de 3000

horas, sendo 2000 horas para treinamento e otimização dos parâmetros de cada uma

das estratégias e 1000 horas de teste para verificar e validas os parãmetros ótimos

23
 Figura 4: Série de preços em horas das ações da Petrobrás PN (PETR4)

Portanto, utilizou-se 08 amostras de treinamento e teste para cada uma das

estratégias sugeridas ao longo da base de dados utilizada conforme a tabela 01

abaixo:

Tabela 1: Intervalo das amostras de treinamento e teste

Amostra Treinamento Teste

1 [1: 2000] [2001:3000]
2 [1001: 3000] [3001:4000]
3 [2001: 4000] [4001:5000]
4 [3001: 5000] [5001:6000]
5 [4001:6000] [6001:7000]
6 [5001:7000] [7001:8000]
7 [6001:8000] [8001:9000]
8 [7001:9000] [9001:9950]

24
4.2 - Pré- Processamento dos Dados

Na tabela 2 se encontram as variáveis brutas de entrada para o trabalho

sugerido. A séria tem registro dos preços de abertura, máxima, mínima, fechamento e

volume financeiro negociado a cada hora do dia, representados pelas variáveis x1 ,x2

,x3, x4 e x5 respectivamente. Utilizou-se o provedor de dados CMA para obter a série

estudada. Importa também ressaltar que todos os valores da séria de preços foram

minuciosamente comparados com os mesmos dados disponíveis pela Bovespa, não

encontrando nenhum erro ou falta de registro.

Tabela 2: Dados de Entrada

X1 X2 X3 X4 X5
DATA HORA ABERTURA MÁXIMA MÍNIMA FECHAMENTO VOLUME

27/08/2004 10:00 8,31 8,31 8,24 8,26 63100

27/08/2004 11:00 8,26 8,27 8,24 8,25 102100
27/08/2004 12:00 8,25 8,28 8,25 8,27 65800
27/08/2004 13:00 8,28 8,29 8,27 8,28 24600
27/08/2004 14:00 8,28 8,29 8,28 8,29 50500
27/08/2004 15:00 8,28 8,29 8,26 8,28 41300
27/08/2004 16:00 8,28 8,28 8,23 8,24 110300
27/08/2004 17:00 8,27 8,27 8,23 8,23 51900

A figura 5 demonstra o máximo, mínima, mediana e os quartiles de todas as

variáveis padronizadas. As cruzes em vermelho podem ser consideradas outliers por

se distanciarem muito da média (geralmente define-se como outlier registros com três

desvios padrão para mais ou para menos da média). As variáveis de entrada x1, x2,

x3 e x4 apresentam grande semelhança estatística após a padronização. Já a variável

volume (x5) apresenta alguns valores muito acima da mediana, isto pode ser explicado

pela elevação do volume financeiro negociado acima da média em momentos de

maior volatilidade.

25
 Figura 5: Gráfico de Box Plot

Na tabela 3 abaixo, observa-se a matriz de correlação das variáveis x1,x2, x3, x4 e x5:

Tabela 3: Matriz de Correlação

x1 x2 x3 x4 x5
x1 1 0.9999 0.9999 0.9998 0.3806
x2 0.9999 1 0.9998 0.9999 0.3871
x3 0.9999 0.9998 1 0.9999 0.3738
x4 0.9998 0.9999 0.9999 1 0.3804
x5 0.3806 0.3871 0.3738 0.3804 1

26
 Na figura 6, percebe-se que as variáveis x1, x2, x3, x4 apresentam elevado

grau de correlação, ou seja, os preços de máxima, mínima e fechamento comportam-

se de maneira muito semelhante. Somente a variável x5 apresenta correlação

diferente das demais, concluindo que embora a correlação entre preços e volume seja

positiva, a mesma não é perfeita.

Mesmo com elevado grau de correlação entre algumas variáveis de entrada,

não eliminou-se nenhuma delas da base utilizada, visto que todas apresentam alguma

informação relevante para modelar este tipo de série.

Figura 6: Matriz de Correlação das Variáveis

27
4.3- Seleção dos Atributos

Na Análise Técnica, os atributos são mais conhecidos como indicadores

técnicos. A partir dos dados brutos das variáveis de abertura, máxima, mínima,

fechamento e volume (x1, x2, x3, x4, x5) foram realizados diversos cálculos

estatísticos e matemáticos para selecionar novos atributos de acordo com cada

modelo e estratégia sugerida. Foram calculadas médias móveis, desvios-padrão,

máximos locais, mínimos locais e outros indicadores sugeridos pela bibliografia da

Análise técnica. Ao longo do estudo de caso serão detalhados quais foram os

atributos (indicadores técnicos) utilizados para cada modelagem ou estratégia

analisada.

28
5 - Estratégias de Investimento

Estratégias de investimento têm como objetivo a geração de sinais de entrada

e saída de determinado ativo, em determinado nível de preço. Nas estratégias de

investimento, o que se deseja modelar são os momentos de compra e venda, onde os

custos de transação têm que ser levados em conta. Modelos de séries temporais são

bem sucedidos quando identificam uma tendência duradoura, sem gerar muitos sinais,

senão os custos de transação inviabilizariam a lucratividade. Estudos científicos sobre

o assunto admitem a dificuldade de encontrar estratégias capazes de apresentar

resultados positivos. Ao avaliar uma estratégia não podem ser consideradas somente

medidas erro, tais como a raiz do erro quadrático médio (REQM) e outras similares. O

que importa é a capacidade de gerar retornos significativos com baixa variabilidade.

De acordo com McMillan (2007), teoricamente a quantificação do erro de

previsão total é importante, mas na prática é mais relevante a previsão correta do sinal

da mudança de tendência dos preços. A previsão correta de uma tendência costuma

ser mais importante para avaliar a qualidade de determinada estratégia. Desta forma,

nas estratégias analisadas neste estudo de caso, preocupou-se com a identificação de

tendências, quantificando os retornos acumulados nas operações de compra e venda,

comparados à estratégia de comprar e manter (buy and hold).

Neste estudo, foram analisados os resultados das principais regras de análise

técnica utilizadas no mercado financeiro (média móvel, rompimento de suporte e

resistência e rompimento de bandas de Bollinger) comparada com uma regra hibrida.

A regra hibrida proposta consiste em combinar algumas das regras citadas acima de

acordo com o conhecimento heurístico. Das regras de análise técnica que serão

utilizadas, duas delas (médias móveis e rompimento de suporte e resistência) foram

29
adotadas nos estudos de Sullivan, Timmermann et al.(1999) e de Qi e Wu (2006). A

regra de rompimento de bandas de Bollinger foi amplamente investigada por Kaufmam

(2005). Todas as estratégias têm como objetivo identificar tendências, seguindo-as

seja em mercados de alta ou em mercados de baixa.

Cabe destacar que em todos os testes realizados os modelos estão sempre

com todo o capital investido, comprado ou vendido. Quando é dado um sinal de

compra, a estratégia permanece comprada até que apareça um sinal de venda,

encerrando assim a operação de compra e simultaneamente iniciando uma operação

de venda. Quando é dado um sinal de venda, a estratégia encerra a operação

comprada como mencionado acima, além de “vender descoberto” de forma a obter

ganhos também com a queda dos preços do ativo em uma tendência de baixa. Vender

descoberto significa vender um determinado ativo sem tê-lo em carteira. Sendo assim,

pode-se alugar um ativo e vende-lo com o objetivo de recomprá-lo mais barato,

auferindo lucro na operação. Desta forma as estratégias operaram através dos sinais

de compra/venda ao longo do período de teste. Sendo assim os ganhos e perdas

auferidos no estudo realisado serão calculados da seguinte maneira:

Capital=Capital*(1+ganho/perda)

Tendência de Alta

Ganho/perda(%) ={[(compra-venda)/compra]-1}* (1-custos_operacionais)

Tendência de Baixa

Ganho/perda(%) = {[(venda- compra)/venda]-1}* (1-custos_operacionais)

Onde:

Capital= Valor (R$) investido

Compra= Valor (R$) do sinal de ordem de compra

Venda= Valor (R$) do sinal de ordem de venda

Ganho= Valor(%) quando o retorno é positivo

30
Perda= Valor(%) quando o retorno é negativo

Custos_Operacionais= Valor (%) dos custos por operação realizada

5.1 - Custos Operacionais

A maioria das estratégias de investimento apresenta resultados satisfatórios

ao desconsiderar os custos operacionais, porém ao considerá-los dificilmente os

resultados encontrados são superiores ao benchmark buy and hold. Para contemplar

essa questão, em todas as estratégias foram analisados resultados com e sem os

custos operacionais. Os custos operacionais são compostos por três fatores distintos:

Corretagem – Valor fixo ou percentual pago a uma Corretora de Valores para que a

mesma compre e venda determinado ativo.

Emolumentos – Valor fixo e percentual pago a Bolsa de Valores para cada compra e

venda realizada.

Slippage – Valor percentual estimado para que a operação seja efetuada. Este valor

significa a diferença do percentual do preço teórico de compra/venda sugerido por

uma estratégia e o preço real auferido de compra/venda.

Segue, abaixo, os custos operacionais utilizados para auferir resultados teóricos

próximos a realidade:

- Corretagem 0,2% por operação

- Emolumentos 0,035% do valor negociado por operação

- Slippage 0,2% por operação

- Custo Total = Corretagem + Emolumentos + Slippage = 0,435%

31
 Visto que todas as estratégias utilizadas nesse estudo são focadas em

identificar tendências, sempre que surge um sinal de compra/venda ocorre uma

demanda muito grande pelo ativo, ocasionando uma variação significativa de preço em

poucos segundos entre o sinal gerado e a ordem executada, provocando o custo

slippage.

5.2 - Benchmark Utilizado

Para comparar a eficácia do modelo utilizou-se como benchmark a própria

série de preços da Petrobrás com a estratégia buy and hold. No período de teste, o

benchmak buy and hold comprou no dia 26/07/2005 às 13h por R$ 11,30 e vendeu no

dia 18/03/2008 às 10h por R$ 27,30, registrando um retorno de aproximadamente

141,60%.

5.3 - Regras de Analise Técnica

5.3.1 - Regra de Cruzamento de Médias Móveis

Nesta estrátégia, a média móvel de preços para um determinado período é

computada como média simples dos preços nos últimos n períodos. Esta estratégia

consiste em calcular duas médias móveis simples, sendo uma lenta e a outra mais

rápida. Para que a estratégia sugerida não seja sensível a qualquer ruído da série de

preços, utiliza-se um filtro percentual f de forma a reduzir falsos sinais de compra e

venda. Os sinais de compra são gerados quando a média mais rápida cruza de baixo

para cima com a média mais lenta, somado o filtro f(%). Os sinais de venda são

gerados quando a média mais rápida cruza de cima para baixo com a média lenta,

subtraído o filtro f(%).

32
Ou seja:

Compra

Se MM1[t-1-n1: t-1] <MM2[t-1-n2: t-1] *(1+f ) e Se MM1[t-n1:t] >MM2[t-n2:t] *(1+f )

Vende

Se MM1[t-1-n1: t-1] >MM2[t-1-n2: t-1] *(1-f ) e Se MM1[t-n1:t] <MM2[t-n2:t] *(1-f )

Sendo:

MM1[t-n1: t] = média móvel rápida com janela de tempo [t-n1: t]

MM2 [t-n2: t] = média móvel lenta com janela de tempo [t-n2: t]

n1 = parâmetro da janela da média móvel rápida

n2 = parâmetro da janela da média móvel lenta

f = filtro (%)

Onde:

n1 =0 até 50, com variação de 5

n2 =(n1*2) até 100, com variação de 5

f=0% até 5%, com variação de 0,1%

33
 A figura 7 apresenta os preços em horas das ações da Petrobras PN (PETR4)

no período com as médias móveis de 40 e 80 horas, filtro percentual (f=0) e os sinais

de compra/venda baseados na regra de cruzamento de médias móveis.

Figura 7: Gráfico de Cruzamento de Médias Móveis (40x80)

5.3.2 - Regra de Rompimento de Suporte e Resistência

Nesta estratégia, os suportes e resistências são definidos como os preços

mínimos e máximos durante o intervalo [t-n:t-1]. O sinal de compra ocorre quando o

preço de máxima é maior do que o preço de resistência, somado um filtro f(%). O sinal

de venda é dado quando o preço de mínima é menor do que o preço de suporte,

subtraído um filtro f(%).

34
Ou seja:

Compra

Se Máx (t) > Máx [t-1-n:t-1] *(1+f)

Venda

Se Mín(t) < Mín [t-1-n:t-1]*(1-f)

Sendo:

Máx(t) = Máxima no instante de tempo t

Mín (t) = Mínima no instante de tempo t

Máx[t-1-n: t-1]= Máxima no período de tempo [t-1-n: t-1]

Mín [t-1-n: t-1] = Mínima no período de tempo [t-1-n: t-1]

n = parâmetro da janela de tempo utilizada para encontrar valores máximos e mínimos

f = filtro (%)

Onde:

n =2 até 20, com variação de 1

f=0% até 5%, com variação de 0,1%

A figura 8 abaixo apresenta os preços em horas das ações da Petrobras PN

(PETR4), com as máximas e mínimas no período calculado com o parâmetro de janela

n=20 e filtro f=2%, e os sinais de compra/venda baseados na regra de rompimento de

suporte e resistência.

35
 Figura 8: Gráfico da Regra de Rompimento de Suporte/Resistência

5.3.3 - Regra de Rompimento Bandas de Bollinger

A regra de rompimento de bandas de Bollinger consiste em comprar ou

vender quando o preço de fechamento é maior ou menor que uma das bandas. As

bandas são calculadas por uma média móvel simples, somando e subtraíndo valores

do desvio padrão multiplicados por um filtro f. O sinal de compra ocorre quando o

preço de fechamento em (t) é maior que a banda superior. O sinal de venda ocorre

quando o preço de fechamento em (t) é menor que a banda inferior.

Ou seja:

Compra

Se Fech (t) > MM[t-n:t]+ (Desvio[t-n:t]*f)

Venda

Se Fech (t) < MM[t-n:t]- (Desvio[t-n:t]*f)

Sendo:

MM [t-n: t] = média móvel com janela de tempo [t-n: t]

36
Desvio[t-n:t] = desvio padrão com janela de tempo [t-n: t]

n = parâmetro da janela de tempo em horas utilizada para encontrar valores de média

móvel e desvio padrão

f = parâmetro multiplicador do desvio padrão

Onde:

n =5 até 100, com variação de 1

f=1 até 3, com variação de 0,1

A Figura 9 apresenta os preços em horas das ações da Petrobras PN

(PETR4) com bandas de Bollinger calculadas com o parâmetro de janela n=20 e f=2.

Observam-se no gráfico os sinais de compra/venda baseados na regra de

rompimento de bandas de Bollinger.

Figura 9: Gráfico da Regra de Rompimento de Bandas de Bollinger

37
5.3.4 - Regra Híbrida Proposta

A partir da experiência heurística, buscou-se uma regra com a combinação

regras de análise técnica e desenvolveu-se uma regra híbrida para confirmação dos

sinais. A regra híbrida consiste em verificar rompimento de máximos e mínimos no

intervalo [t-n1:t-1] combinada com a manutenção de preços de fechamentos de [t-

n1+1:t-1] acima ou abaixo do preço de fechamento em (t-n1), preços de fechamentos

de (t-1) acima do Hilo_Alta ou abaixo do Hilo_Baixa, além de obter um filtro de volume

mínimo, onde volume em (t-1) deve ser maior que o volume da média móvel com

parâmetro (n2) multiplicado pelo parâmetro (f). O sinal de compra ocorre quando a

máxima (t) é maior que a máxima do período [t-n1:t-1], os preços de fechamento [t-

n1+1:t-1] devem ter valores acima do preço de fechamento (t-n1), o preço de

fechamento de (t-1) acima do Hilo_Alta e o volume (t-1) deve ser maior que a média

móvel do volume [t-n2: t-1] multiplicado pelo filtro (f). O sinal de venda ocorre quando

a mínima (t) é menor que a mínima do período [t-n1:t-1], os preços de fechamento [t-

n1+1:t-1] dever ter valores abaixo do preço de fechamento (t-n1), o preço de

fechamento de (t-1) abaixo do Hilo_Baixa e o volume (t-1) deve ser maior que a média

móvel do volume [t-n2: t-1] multiplicado pelo filtro (f).

38
Ou seja:

Compra

Se Fech[t-n1+1:t-1] > Fech(t-n1) e se Fech(t-1) > Hilo_Alta e se Max(t) > Max [t-n1:t-

1] e se Vol(t-1)> MM_Vol(t-n2:t-1)*f

Vende

Se Fech[t-n1+1:t-1] < Fech(t-n1) e se Fech(t-1) |< Hilo_Baixa e se Min(t) < Max [t-n1:t-

1] e se Vol(t-1)> MM_Vol(t-n2:t-1)*f

Sendo:

Hilo_Alta = médía móvel simples das três últimas máximas

Hilo_Baixa = médía móvel simples das três últimas mínimas

n1= parâmetro de lag das variáveis Fechamento, Máxima e Mínima

n2= parâmetro de janela da média móvel do volume

f = parâmetro percentual multiplicador da média móvel do volume

Onde:

n1=2 até 5, com variação de 1

n2= 10 até 30, , com variação de 1

f=1 até 2, , com variação de 0,1

39
Regra Híbrida – Sinal de Compra

Os dados que satisfazem e exemplificam a regra de compra acima com os

parâmetros (n1=3, n2=12 e f=2) podem ser visualizados na figura 10. Observa-se que

às 17h do dia 28/10/2008 o modelo gerou um sinal de compra no valor de R$ 18,74.

Os Candlesticks em verde apresentam 3 horas seguidas com preço de

fechamento acima do preço de fechamento do Candlestick em vermelho das 17h. O

terceiro Candlestick em verde apresenta o preço de fechamento acima do Hilo_Alta

(média móvel da máxima dos três Candlestick anteriores (linha azul)). O histograma

abaixo representa o volume financeiro da hora e a linha em vermelho representa a

média móvel dos últimos doze volumes anteriores. Pode-se observar que o volume

financeiro referente ao terceiro Candlestick em verde é maior que 200% do valor da

média móvel dos últimos doze volumes anteriores. Por fim, o quarto Candlestick verde

(seta verde) apresenta preço de abertura abaixo do preço de máxima do Candlestick

anterior e seu preço de máxima acima do preço de máxima dos três Candlesticks

anteriores, confirmando assim o sinal de compra e a tendência de alta.

Figura 10:Gráfico de Sinal de compra da Regras Híbrida

40
Regra Híbrida – Sinal de Venda

Os dados que satisfazem e exemplificam a regra de venda acima com os

parâmetros (n1=3, n2=12 e f=2) podem ser visualizados na figura 11. Observa-se que

às 13h do dia 12/11/2008 o modelo gerou um sinal de venda no valor de R$ 20,99.

Os Candlesticks apresentam 3 horas seguidas com preço de fechamento

abaixo do preço de fechamento do Candlestick anterior. O terceiro Candlestick

apresenta o preço de fechamento abaixo do Hilo_Baixa (média móvel da mínima dos

três Candlestick anteriores (linha amarela)) . O histograma abaixo representa o volume

financeiro da hora e a linha em vermelho representa a média móvel dos últimos doze

volumes anteriores. Pode-se observar que o volume financeiro, referente ao segundo

Candlestick em vermelho, é maior que 200% do valor da média móvel dos últimos

doze volumes anteriores. Por fim, o terceiro Candlestick vermelho (seta vermelha)

apresenta preço de abertura acima do preço de mínima do Candlestick anterior e seu

preço de mínima abaixo do preço de mínima dos três Candlesticks anteriores,

confirmando assim o sinal de venda e a tendência de baixa.

Figura 11:Gráfico de Sinal de venda da Regra Híbrida

41
6- Resultados

Nesta etapa do trabalho foram

f analisadas as estratégias com regras de

análise técnica e a regras hibrida proposta considerando e desconsiderando os custos

operacionais.

A figura 12 demonstra a evolução dos retornos no período de cada uma das

estratégias sugeridas e também do benchmark buy and hold desconsiderando os

custos operacionais.

Verifica-se
se que as regras de médias móveis, rompimento
rompimento de suporte e

resistência, rompimento de bandas de bolliger e a regra híbrida proposta

apresentaram resultados positivos ( 141%, 150%, 773% e 1516% ) respectivamente,

valores acima do benchmark buy and hold no período (126%).

2000%

1500%

1000%

500%

0%

-500%
Média Móvel Suporte/Resistência Bandas de Bollinger Hibrido Benchmarck (Buy and Hold)

Figura 12:Gráfico
:Gráfico dos retornos acumulados das estratégias desconsiderando os

custos operacionais

A regra hibrida proposta

propos a foi a que realizou o menor número de operações

(149), sequida pelas estrategia baseada na regra de rompimento de suporte e

resistência (185), cruzamento de médias móveis (201) e rompimento de bandas de

bolliger (518).

42
 Desconsideranto os custos de transação
transação todas as estratégias analisadas

apresentaram resultados satisfatórios, porém o mesmo não ocorreu ao quantificar os

custos de corretagem, emolumentos e slippage. Observa-se

Observa na figura
ura 13 que somente

a regra hibrida proposta gerou lucros acumulados (582%) acima do benchmark no

período e que as estratégias de rompimento de suporte e resistência, cruzamento de

médias móveis e rompimento de bandas de bolliger apresentaram resultados

negativos ( -28%, -34% e -13%)

- respectivamente.

700%

600%

500%

400%

300%

200%

100%

0%

-100%
Média Móvel Suporte/Resistência Bandas de Bollinger Hibrido Benchmarck (Buy and Hold)

Figura 12:Gráfico
:Gráfico dos retornos acumulados das estratégias considerando os custos

operacionais

Cabe destacar que ao considerar os custos operacionais o número de

operações realisadas no período em cada uma das estratégias

estratégias propostas reduziu

significativamente. A estratégia de rompimento de bandas de bolliger realizou

somente 23 operações, a estrategia baseada na regra de rompimento de suporte e

resistência foi a que executou a maior quantidade de ordens (104), a regra

regr de

cruzamento de médias móveis gerou 54 sinais e o modelo híbrido proposto totalizou

81 operações.

43
 O desempenho de cada estratégia pode ser avaliado a partir de um simples

critério que consiste em verificar o retorno acumulado de cada uma das regras de

análise técnica e suas simulações das operação de compra e venda. Porém, retorno

financeiro não é a única medida para avaliar o desempenho de um sistema de

negociação. Uma medida mais adequada para a comparação entre sistemas de

trading deve considerar a relação risco-retorno das estratégias.

Para tal, pode-se utilizar uma medida consagrada de risco-retorno, o Índice

Sharpe (IS), que é definido na sua forma reduzida, como sendo:

Onde:

R = média dos retornos de uma estratégia

σR = desvio padrão dos retornos.

A conceito básico do IS é que o desvio padrão representa uma medida de

risco. Ou seja, quanto maior for desvio padrão, maior o risco da estratégia proposta.

Portanto, quando menor o desvio-padrão maior o IS e melhor é o desempenho da

estratégia de compra/venda, visto que o retorno médio aparece no numerador e o

desvio-padrão é o denominador da fórmula. Segundo Kaufman (2005) o índice de

Sharpe é a medida clássica para medir a performance de uma estratégia de

investimento.

Importa destacar que o IS utiliza dados passados para prever a relação

risco/retorno de uma estratégia. Porém a utilização do índice como medida de

avaliação é limitada visto que ele pode gerar medidas viesadas de desempenho, dado

o desconhecimento do comportamento futuro dos preços.

44
 Porém, para avaliação do desempenho das estratégias propostas neste

estudo, o índice de Sharpe é uma boa medida de avaliação, visto que gera uma

mesma base de comparação do desempenho simulado dos modelos analisados, em

termos da relação risco-retorno observada.

Um outro método estatístico muito utilizado para avaliar a significância dos

resultados de uma estratégia de investimento é o teste T de Student . O teste indica o

viés de uma amostra de dados, mostrando se a média dos retornos de uma estratégia

é significativamente diferente de zero com determinado nível de significância. Para

Kaufman (2005) o método é útil por analisar os resultados de um sistema de trading

com poucas operações, sendo capaz de avaliar a eficácia do mesmo. Para uma série

de retornos de uma estratégia o teste T de Student pode ser representado pela

seguinte fórmula:

T= (R/σR ) * √

Onde:

R = média dos retornos de uma estratégia

σR = desvio padrão dos retornos.

N= número de operações

A tabelas 4 e 5 abaixo apresentam as medias dos retornos (%), desvios-

padrão (%), Índices de Sharpe (IS) e a estatística T de Student das estratégias

propostas considerando e desconsiderando os custos operacionais respectivamente.

45
 Tabela 3: Estatísticas dos retornos das estratégias

desconsiderando o custo operacional

Média Suporte Bandas de Regra

Móvel Resistência Bollinger Híbrida
Media dos retornos (%) 0,0065 0,0068 -0,0211 0,0207
Desvio-padrão (%) 0,0668 0,0615 0,0135 0,0638
Índice de Sharpe (IS) 0,0970 0,1099 -1,5679 0,3248
T-Student 1,3745 1,4955 -35,6852 3,9653

Tabela 4: Estatísticas dos retornos das estratégias

considerando o custo operacional

Média Suporte Bandas de Regra

Móvel Resistência Bollinger Híbrida
Media dos retornos (%) 0,0015 -0,0011 0,0057 0,0276
Desvio-padrão (%) 0,1258 0,0771 0,1580 0,0973
Índice de Sharpe (IS) 0,0119 -0,0142 0,0360 0,2838
T-Student 0,0872 -0,1453 0,1725 2,5538

Observa-se nas tabelas 3 e 4 acima que a regra hibrida proposta apresentou

o melhor índice de Sharpe (IS) comparado com as demais estratégias analisadas. Ao

desconsiderar os custos de transação as estratégias que apresentaram o melhor

índice de Sharpe foram cruzamento de médias móveis, rompimento de suporte e

resistência e rompimento de bandas de bolliger respectivamente. Já quando

considerados todos os custos operacionais o índice de Sharpe apresenta resultado

diferente perante as regras utilizadas, sendo o rompimento de bandas de bolliger com

maior valor seguido pelo cruzamento de médias móveis e rompimento de suporte e

resistência.

46
 Ainda nas tabelas 3 e 4 pode-se verificar os valores da estatística T de

Studant das estratégias analisadas neste trabalho. As regras de cruzamento de

médias móveis, rompimento de suporte e resistência e rompimento de bandas de

bolliger rejeitaram a hipótese nula de média dos retornos negativa para um nível de

significância de 95%, mesmo desconsiderando os custos operacionais. A regra híbrida

proposta aceitou a hipótese nula para o mesmo teste T de Student proposto já

considerando os custos de transação.

No Apêndice A, pode-se observar os histogramas dos retornos das operações

das estratégia propósta desconsiderando e considerando os custos operacionais.

Operações da Regra Hibrida Proposta

No período analisado, a regra híbrida realizou 81 operações, sendo que 42

foram lucrativas e 39 operações resultaram em perda. Importa ressaltar que embora a

regra proposta no período obter somente três operações ganhadoras a mais que

perdedoras, a média dos ganhos foi de 9,74% enquanto que a média das perdas foi de

-4,02% e a média total registrou 3,11%. O modelo gerou quase a mesma quantidade

de operações com lucro e perda, porém a média dos lucros é mais que o dobro da

média das perdas.

47
 Segue, na figura 13,, o gráfico de ganho/perda (%) de todas as operações

realizadas e a média percentual dos retornos no período.

períod

Figura 13:: Gráfico de Ganho/Perda (%) por operação realizada

Uma análise que também deve ser considerada é o fator de ganho/perda que pode

ser calculado pela relação entre o percentual de acertos multiplicada pela média de

lucros percentuais, assim como pela relação de percentual de erros multiplicada pela

média de prejuízo percentual.

ual.

Percentual de acerto = 51,8%

Média dos ganhos = 9,74%

9,74

Fator de ganho = Percentual de acerto x Média dos ganhos = 0,518

0,518*0,0974 = 0,05

Percentual de erro = 48,2%

48

Média das perdas= 4,02

,02%

Fator de perda = Percentual de erro x Média das perdas= 0,482*

0, 0,04 = 0,019
0,0402

Relação (Fator de ganho /Fator de perda) = 2,61

48
 Pode-se
se observar pela análise acima que o fator de ganho maior que o fator

de perda e que a Relação (Fator de ganho /Fator de perda) apresenta valor muito

superior a um.

Durante grande parte do

do periodo de alta das ações da petrobrás a estratégia

hibrida acompanhou a estratégia buy and hold,, aproveitando a tendencia de alta,

extraindo as oportunidades de compra geradas. A figura 14 apresenta as 41

operações de compra realizadas, sendo que 21 operações

rações foram lucrativas e 20

operações com perda,, apresentando média de aproximadamente 4,4%

% por operação.

Figura 14:: Gráfico de Ganho/Perda (%) por operação de compra

Quando as ações começaram a cair em função da crise imobiliária

americana, a estratégia híbrida operou vendida, auferindo lucro na tendencia de baixa.

A figura 15 apresenta as 40 operações de venda realizadas, sendo que 21 operações

foram lucrativas e 19 operações

perações resultaram em perda.

49
 Embora a estratégia apresente quase a mesma quantidade de operações de

ganho e perda ao analisar somente as vendas, a média dos ganhos foi de 8,2%

enquanto que a média das perdas foi de -4,9%

% e a média total registrou 1,7%.
1 Embora

a média dos retornos das operações de venda seja menor que das operações de

compra, a estratégia também foi eficiente na identificação das tendências de baixa,

aproveitando as oportunidades geradas, enquanto o benchmark apresentava perdas

significativas.

Figura 15:: Gráfico de Ganho/Perda (%) por operação de venda

50
7 – Conclusão

A publicação de diversos trabalhos contrariando a teoria do mercado eficiente

dos preços de séries financeiras fortalece a evidência de que eles não apresentam um

comportamento random walk. Muitos são os casos que confirmam ganhos acima da

média utilizando estratégias de investimento. Embora muito difundida, a eficácia da

análise técnica ainda não está devidamente comprovada estatisticamente. Muitos

autores apresentam resultados satisfatórios utilizando regras de análise técnica em

diversos mercados. Porém, outros trabalhos publicados negaram capacidade da

análise técnica em gerar estratégias de investimento significativamente lucrativas.

Conclui-se neste trabalho que embora a maioria das estratégias, utilizando

regras de análise técnica, apresente resultados acima do benchmark buy and hold

desconsiderando os custos operacionais, o mesmo não ocorreu ao considerar os

custos de corretagem, emolumentos e sllipage.

Dentre as estratégias de investimento analisadas, somente a regra híbrida

proposta apresentou retornos significativos no período, quando descontados os custos

operacionais e comparados com o benchmark buy and hold. Comparando o resultado

da regra híbrida com as demais regras de análise técnica testadas, verificou-se que o

retorno médio acumulado foi superior. Portanto, embora estratégias de investimento

utilizando regras de análise técnica simples não apresentem resultados com

esperança matemática positiva, ao realizar uma combinação de regras pode-se obter

estratégias com algum potencial de rentabilidade.

51
 Importa ressaltar que a série de preços das ações da Petrobras PN no

período analisado apresentou elevada volatilidade. Diversos fatores contribuíram para

comportamentos atípicos, tais como a descoberta das reservas de petróleo do pré-sal,

que impactou positivamente nas cotações da empresa como também a crise

imobiliária americana, que abalou todos os mercados mundiais, derrubando o preço do

petróleo no mercado internacional e consequentemente as ações da Petrobrás PN.

Portanto, a estratégia híbrida proposta foi capaz capiturar variações de preços

anormais, tanto em tendências de alta quanto de baixa, registrando retorno financeiro

satisfatório, comparado com outros investimentos realizados no mesmo período.

Porém, o estudo proposto apresenta uma situação particular tanto do ponto de vista do

período analisado quando da série utilizada, sendo necessário realizar estudos mais

conclusivos. Por se tratar de uma estratégia de trend follow o exito da regra híbrida

proposta limita-se em mercados que apresentam tendências, não apresentando

resustados satisfatórios em mercados laterais e sem tendencias definidas.

Para verificar a capacidade preditiva da estratégia híbrida proposta, faz-se

necessário realizar outros testes estatísticos. Sulliva e Timmermann (1999) realizaram

testes de datasnooping e bootstrap em regras de análise técnica, sendo os resultados

ainda não conclusivos. Para trabalhos futuros recomenda-se aplicar a metodologia

deste trabalho em outras séries temporais financeiras em mercados distintos tais como

os de juros e cambio, aplicar algoritmos genéticos para otimização dos parâmetros,

além de realizar os testes propostos por Sulliva e Timmermann.

52
APÊNDICE A: Histograma dos retornos das regras propostas

Figura AB1: Histograma dos retornos da Regra cruzamento de médias móveis

desconsiderando os custos operacionais

Figura AB2: Histograma dos retornos da Regra de Rompimento de suporte e

resistência desconsiderando os custos operacionais

53
 Figura AB3: Histograma dos retornos da Regra de Rompimento de Bandas de

Bollinger desconsiderando os custos operacionais

Figura AB4: Histograma dos retornos da Regra híbrida proposta desconsiderando os

custos operacionais

54
Figura AB5: Histograma dos retornos da Regra de cruzamento de médias móveis

considerando os custos operacionais

Figura AB6: Histograma dos retornos da Regra de Rompimento de suporte e

resistência considerando os custos operacionais

55
 Figura AA5: Histograma dos retornos da Regra de Rompimento de Bandas de

Bollinger considerando os custos operacionais

Figura AA6: Histograma dos retornos da Regra híbrida proposta considerando os

custos operacionais

56
8 – Referências Bibliográficas

Brock, W., Lakonishok, J., Le, B.B., 1992, “Simple Technical Trading Rules and the
Stochastic Properties of Stock Returns.” Journal of Finance, v.47, n.5, pp. 173-1764.

Brorsen, B. W., Irwin, S. H., 1987, “Futures Funds and Price Volatility.” The Review of
Futures Markets, v.6, n.2, pp.118-135.

Capobianco, H., Cister, A. M., Maceió, B. F., 2002, “Market Efficiency in Brazilian Stock

Market: A Weak form Evidence”.

Chaudhuri, K., Wu, Y., 2003, “Random walk versus breaking trend in stock prices:

Evidence from emerging markets”, Journal of Banking & Finance, v.27. pp.575–592.

Cheung, Y. W., Chinn, M. D., 2001, “Currency Traders and Exchange Rate Dynamics:
A Survey of the US Market.” Journal of International Money and Finance, v.20, n.4, pp.
439-471.

Cooper, M.J., 1999,”Filter rules based on price and volume in individual security
overreaction”, The Review of Finacial Studies, v.12, n.4.

Damodaran, A., 2003, Avaliação de Investimentos: Ferramentas e Técnicas para

determinação do valor de qualquer ativo. Rio de Janeiro, Qualitmark.

Elder, A., 1993, Trading for a Living: Psychology, Trading Tactics, Money Management
New York, Wiley.

Fama, E. F., 1970, “Efficient capital markets: a review of theory and empirical work”
Journal of Finance, v. 25, pp.383-417.

Fama, E.F., 1965, “The price behavior of stock market prices.” EUA. The journal of
bussines, v.38,pp. 34-105,1965.

Fama, E.F., Blume, M., 1966, “Filter Rules and Stock Market Trading Profits”, Journal
of Business, v.39, pp. 226-241.

57
Fama, E. F., French , K. R., 1988, “Dividend yields and expected stock returns.”,
Journal of Financia Economics, v.22, pp.3–25.

Frankel, J. A., Froot, K. A., 1990, “Chartist, Fundamentalists, and Trading in the
Foreign Exchange Market.” American Economic Review, v.80, pp.181-185.

Hiemstra, C., Jones, D.J., 1994, “Testing for linear and Nonlinear Granger Causality in

the Stock Price-Volume Relation”, Journal of Finance, v.49, pp.1639-1664.

James, J., 2003, “Citigroup-Simple trend-following strategies in currency trading “

Kaufman, Perry J., 2005, New Trading Systems and Methods.4 ed. New York, Wiley

Lisi, F., Medio, A., 1997, “Is a random walk the best exchange rate predictor?”,
International Journal of Forecasting, v. 13, pp. 255-267.

Lo, A. W.; Mackinley, A. C., 1988, “Stock market prices do not follow random walks:
evidence from a simple specification test.”, Review of Financial Studies, v. 1, pp. 41-66.

Lui, Y. H., Mole, D., 1998, “The Use of Fundamental and Technical Analysis by Foreign
Exchange Dealers: Hong Kong Evidence.” Journal of International Money and Finance,
v.17, n.3, pp. 535-545.

Lukac, L. P., Brorsen, B. W., Irwin, S. H., 1988, “A Test of Futures Market
Disequilibrium Using Twelve Different Technical Trading Systems.” Applied Economics,
v.20, n.5, 623-639.

Mandelbrot, B. Hudson, R.L., 2004, The (mis) Behaviour of Markets: A Fractal View of
Risk, Ruin and Reward, New York, Basic Books.

Murphy, J.J., 1999, Technical analysis of the financial markets a comprehensive guide
to trading methods and applications., New York, New York Institute of Finance.

McMillan, D.G., 2007, “Non-linear forecasting of stock returns: Does volume help?”,
International Journal of Forecasting, v.23, n.1, pp. 115-126.

58
Noronha, M, 1995, Análise Técnica: Teorias, Ferramentas, Estratégias. Rio de Janeiro,
Editec.

Pring, M.J. 2002, Technical Analysis Explained, New York, McGraw-Hill

Qi, M., Wu, Y., 2006, “Technical Trading-Rule Profitability, Data Snooping, and Reality
Check: Evidence from the Foreign Exchange Market.” Journal of Money, Credit, and
Banking, v.38, n.8. pp. 2135-2158.

Sullivan, R., Timmermann, A, White, H., 1999, “Data Snooping, Technical Trading
Rule Performance, and the Bootstrap.” Journal of Finance, v.54, n.5, pp.1647-1691.

Taylor, M. P., Allen, H., 1992, “The Use of Technical Analysis in the Foreign Exchange
Market.” Journal of International Money and Finance, v.11, n.3, pp.304-314.

Wang, C. & Chin, S., 2004, “Profitability of return and volume-based investment
strategies in China’s stock market”, Pacific-Basin Finance Journal, v.12, pp.541– 564.

Wilcox, C., Crittenden, E., 2005, “Does Trend Following Work on Stocks?”

Wong, W.K., Du, J., Chong, T.T.L, “Do technical Indicators Reward Chartists? A study

of Stock Market of China, Hong Kong and Tawian”, Review of Applied Economic, v.1,

p.p183-205.

59