Escolar Documentos
Profissional Documentos
Cultura Documentos
1. Introdução
A análise fundamentalista é o estudo dos fatores que afetam as situações de oferta e
demanda de um mercado, com o objetivo de determinar o valor intrínseco de um ativo.
(Chaves, 2004). Por meio de tal avaliação, o analista é capaz de comparar os preços
encontrados com aqueles praticados pelo mercado e assim classificá-los em sobre
avaliado, subavaliado ou condizente com o valor de mercado. Em vista disso, a análise
fundamentalista define qual o ativo deve ser vendido ou comprado.
A análise técnica é o estudo do comportamento histórico do mercado para
determinar o estado atual ou as condições futuras do mesmo (Murphy, 1986). O analista
técnico observa tendências de tal comportamento e avalia a reação do mercado a elas.
Em sua essência, a análise técnica assume que os mercados exibirão comportamentos
futuros que são condizentes com o passado, ou seja, o técnico se orienta pela repetição
de padrões de comportamento do mercado. A análise tem como objetivo a previsão de
movimentação de preços, orientando a entrada ou saída do mercado.
De acordo com Rotella (1992) a análise fundamentalista é inerentemente
profética, pois o analista faz projeções que objetivam encontrar equações futuras para as
curvas de oferta e demanda do mercado. O fundamentalista frequentemente visa obter o
dueto: causa e efeito de uma variável e seus impactos sobre o mercado, ou seja,
preocupam-se em definir o motivo pelo qual os preços se direcionarão no futuro. Rotella
(1992) destaca que a análise técnica pode ser usada tanto de maneira reativa como
profética. No primeiro método, o analista responde a uma situação ocorrida. Já através
do segundo método, o técnico tentará antecipar o que pode ocorrer no futuro, segundo
suas observações do mercado. Segundo Rotella (1992), a premissa básica para a análise
técnica está no fato de que todos os fatores que, direta ou indiretamente, afetam o
mercado, como as informações fundamentalistas, comportamento emocional ou leis
naturais, são refletidos nas duas principais fontes para a análise: o preço e volume
praticados pelo mercado.
Utilizando ferramentas da análise técnica, o presente trabalho objetiva prever
melhores momentos de compra e venda através de candlesticks, uma técnica japonesa de
reconhecimento de padrões em séries temporais financeiras, com o suporte de previsões
realizadas através de redes neurais. Dessa maneira, reconhecido um padrão indicativo de
tendência através dos candles, uma rede neural é chamada para realizar a previsão do
valor do ativo três dias após o indicativo fornecido. Caso a rede neural confirme a
tendência indicado pelos candles, um sinal é enviado para o investidor. Além disso,
outras ferramentas da análise técnica são utilizadas, como as linhas de resistência e
suporte e o stop. Caso sejam identificadas linhas de resistência ou suporte, no momento
que o preço atingi-las um sinal de compra ou de venda é enviado para o investidor. No
caso do stop, caso o preço atinja o seu valor determinado automaticamente no momento
da compra, um sinal de venda é automaticamente enviado.
Nessa mesma linha, Mizuno et al (1997) propuseram a utilização de redes
neurais para determinar melhores momentos de compra e venda. A previsão da rede
neural servia como auxílio a medias móveis, outra ferramenta da análise técnica.
Marques (2010) apresenta um procedimento para a parametrização do indicador de
análise técnica do mercado financeiro chamado Moving Average Convergence
Divergence (MACD), propondo a criação de uma nova ferramenta de auxílio à tomada
de decisão em investimentos O sistema desenvolvido ainda utiliza algoritmos genéticos
na busca dos melhores fatores de alisamento que compõem o MACD e incorpora uma
máquina de inferência fuzzy de forma a tornar o indicador mais seguro nas ordens de
compra e venda. Ferreira (2009) propõe um trading system que realiza a análise gráfica
aprendendo de forma autônoma a reconhecer padrões em séries e determinando
automaticamente gatilhos de compra e venda de uma determinada ação. Em seu
trabalho, utiliza redes neurais na intenção de prever padrões de candlesticks. Dessa
forma, não se limita apenas aos padrões já catalogados, pois a rede neural pode prever
algum outro tipo de sequencias de candles que determinam algum padrão.
Este trabalho está organizado da seguinte forma: a Seção 2 apresenta uma
revisão bibliográfica com os principais conceitos, a Seção 3 explica a metodologia do
trabalho, a Seção 4 apresenta os resultados e sintetiza algumas conclusões, e a Seção 5
faz as considerações finais, apresentando sugestões de trabalhos futuros.
2. Revisão Bibliográfica
2.1. Ferramentas da análise técnica
As ferramentas da análise técnica têm como objetivo comum indicar gatilhos de compra
ou de venda de ativos. O presente trabalho considera os candlesticks, as linhas de
resistência e suporte e ainda o stop como proteção de investimento.
2.1.1. Candlesticks
De acordo com Elder (1993), os gráficos de candlesticks, ou simplesmente candles, são
constituídos por fileiras de corpos que apresentam sombras em ambos os lados. O corpo
representa a distância entre os preços de abertura e de fechamento de um ativo em um
determinado período. Se o preço de fechamento for maior que o preço de abertura, então
o corpo será branco; caso contrário, o corpo do candle será preto. O extremo livre da
sombra superior indica o preço máximo do dia e, por sua vez, o extremo livre da sombra
inferior representa o preço mínimo do dia.
Cada padrão possui sua própria eficiência de acerto, assim como sua frequência
de aparecimento. Dessa forma, alguns se tornam mais confiáveis para a tomada de
decisão, enquanto outros precisam de outras formas de confirmação. Nison (1991)
mostra em seu livro essa frequência e eficiência, medida através de inúmeros estudos
com milhares de dados. É importante ressaltar que todos os padrões, segundo o livro e
também através dos testes, possuem eficiência maior que 50%, ou seja, acertam mais
previsões do que erram.
2.1.3. Stop
O conceito de stop é muito utilizado no mercado financeiro devido à sua grande
capacidade de reduzir perdas (Espindola, 2011). O stop é uma ferramenta que realiza a
venda do ativo quando o preço da ação ultrapassar o preço pré-determinado pelo cliente
como preço de disparo da ordem. Esse preço geralmente corresponde de 5% a 10% de
perda do valor original do ativo. Dessa maneira, caso ele ultrapasse, o stop será utilizado
e o ativo será vendido.
O objetivo do seu uso, num primeiro momento, é resguardar o capital mesmo
que com uma pequena perda, para que se possa voltar ao mercado em outro momento.
Num segundo momento, se a operação inicial estiver evoluindo favoravelmente, sua
função passa a ser a de proteger uma parte dos lucros auferidos até então (Noronha,
1997).
2.1.4. Linhas de suporte e de resistência
Segundo Noronha (1995) suportes são níveis de preços onde as compras feitas pelos
investidores são fortes o suficiente para interromper durante algum tempo e,
possivelmente, reverter um processo de queda, gerando um ponto de retorno. Já
resistências são níveis de preços onde as vendas feitas pelos investidores podem gerar
um processo de subida. Dessa maneira, as linhas de suporte e resistência atuam como
valores prováveis de mudança de tendência do mercado, se tornando momentos
interessantes para a realização de transações.
O valor do ativo pode, porém, ultrapassar esse valor, geralmente acarretando
uma extinção desse valor de resistência ou suporte antigo, e possibilitando a criação de
uma nova barreira. Um ponto importante que os analistas técnicos costumam ressaltar é
que quando uma resistência ou um suporte é rompido existe uma tendência destes
pontos se reverterem, ou seja, no caso de um suporte este poderá virar uma resistência e
vice-versa. Entretanto, a significância será tão relevante quanto mais significante for o
rompimento.
2.2.1. Definição
Redes neurais artificiais são modelos matemáticos e computacionais que se assemelham
às estruturas neurais biológicas e que tem capacidade computacional de aprendizado e
generalização. A habilidade de aprendizado se dá pela adaptação de parâmetros ao meio
externo e pela melhora gradativa de seu desempenho, já a capacidade de generalização
se dá a partir da utilização dos parâmetros ótimos após a fase de aprendizagem estar
concluída (Braga et al., 2003).
Por volta da década de 1940, estudos a respeito de máquinas de aprendizagem
resultaram na representação do neurônio artificial, cuja autoria é atribuída a MacCulloch
e Pitts (1943), e na regra de aprendizagem, utilizada para estimativas de erros residuais.
Os neurônios são unidades de processamento que após realizar operações matemáticas
com os valores recebidos, sejam de entrada ou de camadas anteriores, propagam o sinal,
valor ajustado, para que a rede retorne uma saída calculada.
De acordo com Haykin (2001), o aprendizado da rede neural pode ser obtido de
três formas distintas de treinamento, supervisionado, existem resultados desejados que
serão comparados com os calculados para a realização do ajuste dos pesos nos
neurônios, por reforço, quando um examinador externo pune ou incentiva determinada
saída da rede para obter pesos ótimos e não supervisionado, quando o ajuste de pesos é
feito exclusivamente considerando as entradas, pois não existem valores desejados para
comparação. As redes neurais Perceptron, ADALINE e MLP (Multilayer Perceptron)
realizam sua aprendizagem por treinamento supervisionado. O algoritmo utilizado para
o aprendizado deve adaptar os parâmetros (pesos) buscando convergir para um resultado
dentro um número finito de iterações. A determinação de pesos ótimos para qualquer
problema estudado caracteriza o fit, que significa dar a modelagem mais precisa possível
ao problema estudado observada sua complexidade.
4. Resultados e conclusões
Os resultados representam a média das 13 simulações realizadas para cada ativo,
considerando a duração de cada uma como aproximadamente um ano de investimentos.
É de se esperar que os valores apresentem um desvio-padrão grande, pois cada ano de
um ativo possui momentos de compra e valores de preços diferentes entre si.
Inicialmente é importante analisar o lucro obtido por cada tipo de investimento.
Para tal, foram considerados quatro investimentos diferentes. O primeiro representa os
lucros do programa utilizando a rede neural para validar os sinais dos candles, além das
linhas de resistência e suporte e do stop. O segundo indica os lucros obtidos utilizando
os candles, as linhas de resistência e de suporte e o stop, ou seja, apenas não utiliza a
rede neural como auxílio às previsões. O terceiro representa os lucros obtidos aplicando
o montante inicial (correspondente ao dinheiro inicial mais o dinheiro investido em
ações) em um investimento com renda fixa, simulando uma poupança (investimento 1).
Este é um investimento muito utilizado por pessoas que temem a grande variação da
bolsa de valores, preferindo um investimento fixo e mais seguro. Para tal, foi
considerada uma taxa de 0,6% ao mês de rentabilidade. Finalmente, o quarto indica os
lucros obtidos aplicando o dinheiro no investimento de renda fixa, novamente à taxa de
0,6% ao mês, e não fazendo movimentações com as ações, ou seja, deixando as ações à
mercê de sua valorização (investimento 2). Esse investimento também é feito por muitos
investidores da bolsa de valores, que por não terem tempo ou conhecimento acabam
comprando ações e não efetuando transações. A tabela mostra a média dos 13 resultados
de 300 dias para cada investimento, e também seu desvio padrão. O montante inicial
totalizou R$ 2.000,00 sendo R$ 1.000,00 como dinheiro e outros R$1.000,00 investidos
em ações.
Tabela 1. Média e desvio-padrão de lucro dos investimentos em quarto
cenários, para cinco ativos da Bolsa. A primeira linha representa a média, e a
segunda o desvio-padrão, ambos em porcentagem do valor inicial investido.
5. Considerações finais
O estudo dos candlesticks têm se mostrado bastante eficiente, e cada vez se torna mais
conhecido. Utilizar uma inteligência computacional para se aliar ao estudo histórico dos
movimentos nas bolsas de valores é algo interessante e, sem dúvidas, existem várias
formas de conciliá-las. Através deste trabalho foi possível concluir que esta combinação
é bastante proveitosa, já que se mostrou superior a outros investimentos realizados pelos
investidores em geral, e em todos os testes, foi superior ao estudo utilizando apenas os
candles.
Dessa forma, um dos projetos futuros é a integração da metodologia à outras
inteligências artificiais, como por exemplo, o uso de algoritmos genéticos para a
identificação de porcentagens ótimas de investimentos de compra e venda. Além disso,
outra possibilidade é a montagem de uma carteira de investimentos on-line, com as
transações sendo realizadas no mercado diariamente. Ainda é necessário adicionar os
valores de custos de transações na bolsa de valores. Por fim, existem diversas
ferramentas da análise técnica que podem ser integradas e verificadas através de uma
previsão de rede neural, sendo assim interessante integrar outras formas de indicativos
de tendências da análise técnica.
6. Referências bibliográficas
Abelém, A. J. G. (1994) “Redes Neurais Artificiais na Previsão de Séries Temporais”,
Dissertação (Mestrado em engenharia elétrica), Pontifícia Universidade Católica do Rio
de Janeiro, Rio de Janeiro, Brazil.
Amorin Neto, M. C. de. (2008) “Previsão Séries Temporais Usando Séries Exógenas e
Combinação de Redes Neurais Aplicada ao Mercado Financeiro”, Dissertação
(Mestrado em ciência da computação). Universidade Federal de Pernambuco,
Pernambuco, Brazil.
Braga, A. de P. e Carvalho, A. C. P. de P. L. F. de, Ludemir, T. B. (2007) “Redes
neurais artificiais: teoria e aplicações”, 2ª ed., LTC, Rio de Janeiro, Brasil.
Chaves, D. A. T. (2004), “Análise técnica e fundamentalista> divergências,
similaridades e complementariedades”, Monografia, São Paulo, Brasil.
Espindola, R. (2011), “Estratégia de venda coberta de opções “dentro do dinheiro” no
mercado acionário brasileiro.” Monografia, Florianópolis, Brasil.
Feddersen, P. C. (2008), “Clube de investimentos: como criar e gerir com Sucesso.”,
Saraiva, São Paulo, Brasil.
Ferreira, L. N. (2009), “Um trading system autônomo baseado em redes neurais
Artificiais”, Monografia, Lavras, Brasil.
Hanaoka, G. P., Barroso, B. C., Paiva, F. D., Cardoso, R. T. N. (2011), “Um estudo
comparativo utilizando Redes Neurais na previsão de tendências em séries temporais
financeiras para composição ótima de carteiras”, em Encontro Mineiro de Modelagem
Computacional, Brasil.
Haykin, S. (2001), “Redes Neurais: princípios e prática”, 2ª ed., Bookman, Porto
Alegre, Brasil.
Koskela, Timo et al. (1996), “Times series prediction with multilayer perceptron, FIR
and Elman neural networks” In: Proceedings of the World Congress on Neural
Networks, INNS Press.
Macculoch, W. S. e Pitts, W. (1943), “A logical calculus of ideas immanent in nervous
activity”, Bulletin of the Mathematical Biophysics.
Marques, F. C. R.; Gomes, R. M.; Almeida, P. E. M. (2009) “Maximização de Lucros
em Investimentos: uma abordagem a partir do MACD com emprego de algoritmos
genéticos e lógica fuzzy”, IX Congresso Brasileiro de Redes Neurais / Inteligência
Computacional (IX CBRN), Brasil.