Uma ferramenta computacional eficiente para identificação de

melhores gatilhos de compra e venda de ativos financeiros

Bruno C. Barroso1,Gustavo P. Hanaoka1,Felipe D. Paiva 1,Rodrigo T. N. Cardoso1
1
CEFET MG – Centro Federal de Ensino Tecnológico de Minas Gerais (CEFET
MG)
30.421-169 – Belo Horizonte – MG – Brazil
{bbarrosobh@gmail.com,gustavopph@gmail.com,fpaiva@dcsa.cefetmg.br,
rodrigoc@des.cefetmg.br}

Abstract. This paper presents a computational tool for identifying best

purchase and sale triggers of financial assets based on three graphical
analysis techniques: candlesticks, whose objective is the perception of
reversing trends (high or low) or continuity ones in the prices; stop, tool that
protects your investment in case of identification error of signals, and support
and resistance lines, which are values on which the asset price tends not to be
exceeded. An artificial neural network is used to predict future values with the
intention of confirming the signals. The methodology is validated by
simulating purchases and sales only at the instants specified by the algorithm,
using historical series of the stock exchange.

Resumo. Este artigo apresenta uma ferramenta computacional para

identificação de melhores gatilhos de compra e venda de ativos financeiros
baseada em três técnicas da análise gráfica: candlesticks, cujo objetivo é a
percepção de tendências de reversão (de alta ou de baixa) ou de continuidade
nos preços; stop, ferramenta que protege o investimento em caso de erro nas
identificações de sinais; e linhas de suporte e resistência, que são valores nos
quais o preço do ativo tende a não ultrapassar. Uma rede neural artificial é
utilizada para a previsão de valores futuros com a intenção de se confirmar os
sinais emitidos. A metodologia é validada simulando compras e vendas apenas
nos momentos indicados pelo algoritmo, utilizando séries históricas da bolsa.

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.

Figura 1. Representação gráfica de um candle.

Nison (1991), considerado o introdutor das técnicas de candlestick no ocidente,

relata que estes surgiram no Japão Feudal, desenvolvidas por Munehisa Homma, filho
de uma rica família de produtores. Ainda hoje os gráficos de candlesticks são muito
utilizados e sua principal finalidade é de prever tendências de preços (Ferreira, 2009).

2.1.2. Indicação de tendência através de Candlesticks

No fim do século passado surgiram vários estudos no Ocidente analisando a capacidade
dos candles de retratar o andamento do mercado. Foram identificados sequências que,
historicamente quando apareciam, indicavam forte tendência previsão. Um dos estudos
mais conhecidos foi realizado por Nison (1991), em que mais de 50 padrões de candles
são identificados e explicados, servindo de base para o presente trabalho.
Por exemplo, um corpo preto significa que o preço esteve em queda no período
analisado, pois a abertura foi maior que o fechamento. Um corpo branco mostra o
contrário, o mercado está em crescimento, pois o fechamento foi maior que a abertura.
Candles “pequenos”, ou seja, valor máximo próximo do valor mínimo indica que houve
pouca movimentação nesse ativo durante o período analisado.
Entretanto, a maioria dos padrões de identificação de tendência são compostos
por mais de um candle. Por exemplo, um bebê abandonado (ver Figura 2) mostra que
após uma queda de preço, as compras se equipararam às vendas, estabilizando o preço.
Após isso, o mercado começa a subir, e possivelmente continuará assim, pois finalmente
as compras conseguiram se sobressair às vendas. A idéia é, a cada padrão, associar um
indicativo de reversão ou continuidade de tendência, de modo que a identificação de
uma futura tendência de alta gera sinais de compra e a identificação de futura tendência
de baixa gera sinais de venda.

Figura 2. Alguns padrões de candlesticks (os da esquerda indicam tendência de

baixa e os da direita, tendência de alta).

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. Redes neurais artificiais

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.

2.2.2. Rede Recorrente de Elman

A Rede Elman, ou rede recorrente simples, foi descrita em Elman (1990) e é uma rede
onde a realimentação capacita a realização de tarefas que se estendem no tempo
(Haykin, 2001). Esta característica das redes de Elman as torna uma opção para análise
de séries temporais, já que há a capacidade de memorização. Na rede Elman, ocorre a
recorrência de sinais, pois além do fluxo de sinais da camada de entrada para a camada
de saída, há fluxo de sinais que “realimentam” as entradas, ou seja, o sinal de saída é
tomado como entrada em dado ponto. Os neurônios ocultos contêm conexões
recorrentes para uma camada de unidades de contexto que consiste de atrasos unitários,
e assim, têm um registro das suas ativações passadas, o que capacita a rede a realizar
tarefas de aprendizagem que se estendem no tempo.
Nas redes de Elman o estado interno da rede (contexto) em um determinado
instante depende de duas coisas: da entrada da rede no momento considerado e do
próprio estado da rede no instante anterior. O papel das unidades de contexto é fornecer
memória dinâmica à rede, pois a camada de contexto tem a capacidade de codificar toda
a informação de entrada desde o começo da sequência apresentada à rede (Stoianov,
2001).
Em uma rede de Elman a realimentação (positive feedback) é usada para
introduzir na rede uma memória de grande profundidade e pouca resolução: as unidades
de contexto conservam um registro exponencialmente decrescente do valor anterior de
saída dos neurônios da camada oculta da rede. Em relação a redes com atraso de tempo
(time-lagged), as redes de Elman não impõem limites rígidos ao numero de lags de
memória e a informação apresentada mais recentemente vai se perdendo à medida que
vai ficando mais distante no passado (Koskela et al, 1996).
Dessa forma, redes do tipo recorrente são de particular interesse na previsão de séries
temporais, já que a capacidade de realimentação possibilita a elas o reprocessamento
dinâmico do erro destas saídas.

2.2.3. Uso de redes neurais em finanças

Devido a sua alta capacidade de previsão em geral, as redes neurais têm sido utilizadas
também na área de finanças. Por exemplo, Matsumoto (2008) utilizou informações
financeiras e contábeis com o objetivo de classificar a rentabilidade futura das empresas
em ruim média ou ótima. Segundo ele, os experimentos realizados evidenciam que as
redes neurais geram resultados satisfatórios e melhores que os modelos de regressão
linear e logística. Neto (2008) verificou a utilização de protótipos de vários modelos de
redes neurais para a previsão de cotações, e mostrou a relevância da utilização de séries
exógenas para melhoras na precisão das previsões geradas por redes neurais.
Em Hanaoka et al. (2011), os autores discutem a possibilidade de séries
financeiras apresentarem ligeira previsibilidade, através de técnicas de detecção de caos,
refutando a pura aleatoriedade embasada pela Hipótese do Mercado Eficiente. Nesse
trabalho, foram realizados testes com as redes neurais MLP, Narxnet e Elman para a
previsão de valores futuros de um ativo da bolsa de valores, sendo que esta última foi a
rede que obteve melhores resultados. Já Zaneti Jr. e Almeida (1998) avaliaram a
capacidade das redes neurais em prever o retorno das ações da Telebrás, mas concluíram
que a grande intensidade de oscilações diárias dificultou a adequação do modelo.
 3. Metodologia
Buscou-se com o presente trabalho desenvolver uma ferramenta computacional de apoio
à compra e venda de ativos de uma carteira de investimentos usando a técnica dos
candlesticks, com o auxílio de previsões de preços futuros feitas por uma rede neural
recorrente Elman. Como complementação, utiliza sinais de stop e análise das linhas de
resistência e suporte da série no período analisado.
A fim de validar a metodologia proposta, foram feitas simulações utilizando um
banco de dados contendo 4021 valores de fechamento, abertura, máximo e mínimo de
cinco ativos da BOVESPA( PETR4, VALE5, ELET6, USIM5, CMIG4),
correspondentes ao período entre 02/01/1995 até 28/12/2010 (contabilizando um total
de 3902 dados). O software comercial MATLAB foi utilizado para realização de todos
os cálculos e programas. Foram realizados 13 testes utilizando 300 dados para cada
ativo, percorrendo assim um total de 3900 dias para cada ativo. Cada simulação
corresponde aproximadamente a um ano de bolsa de valores aproximadamente, pois se
descontam os dias que a bolsa não abre (feriados, sábados e domingos).
Primeiramente, é realizado o cálculo das partes dos candles: sombra superior,
sombra inferior e corpo, prosseguindo com a classificação dos mesmos, identificando a
qual grupo ele pertence, bem como os padrões de reversão de tendências , de acordo
com a sequência dos candles necessária (catalogada) para a formação de cada padrão.
Neste trabalho foram utilizados 20 padrões conhecidos, sendo escolhidos os padrões
mais frequentes na prática. A identificação de uma futura tendência de alta gera sinais
de compra, e a identificação de futura tendência de baixa gera sinais de venda. A cada
dia que os padrões de tendência são identificados, uma rede neural é solicitada para
prever o valor de três dias posteriores. Caso a rede preveja o mesmo que a análise dos
candles, é criado um sinal de compra ou venda.
São realizados experimentos utilizando rede neural recorrente de Elman, com
duas camadas intermediárias de três neurônios cada, taxa de aprendizado de 0,1, e os 14
dias anteriores como treinamento. Como entrada da rede utiliza-se o fechamento dos
dias anteriores, para obter como saída a abertura de três dias posteriores. As funções de
ativação utilizadas foram sigmoidal logística para a 1ª camada intermediaria, tangente
hiperbólica para a 2ª camada intermediaria e linear para a camada de saída. Para efeitos
de validade estatística, são realizados 30 experimentos e o sinal é aceito caso seja
confirmado em pelo menos 80% dos testes.
O principal parâmetro de entrada do programa é um fator de investimento entre 0
e 1, que representa o perfil de risco/lucro do investidor. Quanto mais próximo de 1, mais
o investidor busca apenas a valorização do seu ativo, não preocupando com o risco. Este
fator de investimento é multiplicado pela eficiência história do padrão identificado e
pela porcentagem de previsão da rede. Esse resultado gera a porcentagem de compra ou
venda do ativo. Por exemplo, caso o investidor tenha entrado com um fator de
investimento de 50%, a eficiência histórica do padrão identificado seja de 80% e a rede
tenha confirmado o sinal em 95% das vezes, o programa efetuará a compra de ativos
com 38% do dinheiro ou a venda de 38% de ações.
Como forma de proteger o investidor em caso de algum sinal de transação
errado, o programa utiliza o stop, conceito muito utilizado no mercado financeiro. O
stop ocorre quando depois de efetuada uma compra, o preço do ativo cai uma
porcentagem definida pelo usuário. Geralmente utiliza-se entre 5% e 10%, e neste
trabalho, considerou-se o valor de 10%. Caso essa queda atinja essa porcentagem, um
sinal de venda é enviado para o programa. Por fim, o programa utiliza a ferramenta
chamada linha de resistência e linha de suporte, que consiste em algum valor de preço
que um ativo “tende” a não ultrapassar. Essa ferramenta foi introduzida criando-se um
algoritmo que identificava os mínimos e máximos locais e comparava-os com os
anteriores, dessa forma, quando era identificado um valor comum, esse valor tornava-se
uma linha de resistência ou de suporte em potencial. Assim, caso o preço volte a atingi-
las, um sinal de venda ou de compra é enviado para o programa.
O programa implementado simula transações de compra e venda ao receber os
sinais, comprando ou vendendo em uma porcentagem determinada pela previsão da rede
(quanto maior a diferença prevista pela rede, maior a porcentagem) e pelo estudo da
eficiência dos candles (quanto maior a eficiência histórica, maior a porcentagem). De
posse desses sinais de compra e venda, de stop e das linhas de resistência, foi feito o
experimento reproduzindo um investidor durante um intervalo de tempo especificado,
comprando e vendendo apenas ao receber esses sinais. O programa tem como
parâmetros de entrada um valor em dinheiro, uma quantidade de ações, porcentagem
para stop e um fator de investimento, que será explicado posteriormente. Na saída, o
programa retorna o dinheiro total, correspondente à quantidade de dinheiro que sobrou
mais o valor das ações no último dia, o lucro total, e ainda faz algumas comparações
com outros investimentos, comparando caso o dinheiro fosse aplicado em renda fixa, e
comparando caso não fosse realizada nenhuma transação, ou seja, à mercê da
valorização das ações, investimento realizado por muitos investidores. Para efeito de
comparação, foram realizados testes sem utilizar a rede neural como “filtro” das
informações dos candles.
É importante ressaltar que o programa simula um investidor real, uma vez que
em momento algum são utilizados dados do momento de compra ou de venda, bem
como de dias posteriores: as decisões são tomadas considerando apenas os valores
anteriores de abertura, fechamento, máximos e mínimos.

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.

Ativos CMIG4 ELET6 PETR4 USIM5 VALE5

Lucro utilizando o algoritmo 12,58% 5,05% 9,20% 8,98% 17,24%
(médias e desvios)
18,36% 13,22% 10,39% 26,65% 20,73%
Lucro sem RNA (médias e 9,34 % 5,19% 8,22% 6,84% 14,85%
desvios)
15,25% 17,03% 10,15% 20,01% 19,07%
Lucro Investimento 1 (médias e 6,14% 6,14% 6,14% 6,14% 6,14%
desvios)
0% 0% 0% 0% 0%
Lucro Investimento 2 (médias e 9,91% 5,27% 7,46% 6,43% 13,45%
desvios)
14,19% 8,28% 14,84% 17,82% 16,37%

Através dos resultados pode-se concluir que o algoritmo criado obteve, em

média, melhores resultados comparados aos outros investimentos. Apenas no ativo
ELET6 os investimentos comparados foram, em média, superiores ao algoritmo. O
desvio padrão apresenta valores bastante elevados, pois os lucros variam dependendo do
período analisado. Ainda que nem sempre o algoritmo tenha se mostrado superior aos
outros investimentos, em média, em 75% das vezes se apresentou melhor que o
investimento 1, e em 70% das vezes, em relação ao investimento 2.
Estes resultados já indicam uma melhora com a utilização da rede neural, uma
vez que ela filtra os sinais enviados pelos candles, eliminando sinais que não coincidem
com a previsão. Com isso, o número de transações realizadas ao utilizar a rede é sempre
menor ou igual a quando não se utiliza. Esse detalhe é importante, pois cada transação
possui um custo de corretagem e impostos, por isso é interessante tentar reduzir as
transações sem reduzir o lucro. Por isso é calculado a média de lucro por cada transação,
resultado que mostra qual foi o lucro médio a cada transação, que é mostrado na Tabela
2. Estes resultados acima evidenciam ainda mais a melhora do lucro com a utilização da
rede neural. As transações se mostram mais eficientes, já que aquelas sugeridas pelo
candle e certificadas pela rede neural em geral trazem maior lucratividade.
 Tabela 2. Média e desvio-padrão de lucro por cada transação. A primeira linha
representa a média, e a segunda o desvio-padrão.

Ativo CMIG4 ELET6 PETR4 USIM5 VALE5

Lucro por transação R$ 42,55 R$ 16,79 R$ 60,14 R$ 63,35 R$ 117,80
utilizando o algoritmo
(médias e desvios) R$ 64,26 R$ 50,11 R$ 94,30 R$ 88,53 R$ 74,55
Lucro por transação sem R$ 23,37 R$ 9,68 R$ 29,01 R$ 32,56 R$ 64,08
RNA (médias e desvios)
R$ 38,50 R$ 44,43 R$ 39,54 R$ 113,26 R$ 130,29
Por fim, foi verificada a eficiência de cada sinal enviado pelo candle, ou pelo
candle certificado pela rede neural. Para estudar essa eficiência foi considerado um
intervalo de três dias. Após tal período, uma comparação é feita com o dia em que
apareceu o sinal. Sinais de venda significam que o preço irá cair, e sinais de compra que
o preço irá subir. Dessa maneira, calculam-se quantas vezes os sinais acertaram e
quantas erraram, gerando assim uma eficiência de acerto, mostrada na tabela 3.
Tabela 3. Média e desvio-padrão das eficiências do algoritmo. A primeira linha
representa a média, e a segunda o desvio-padrão.

Ativos CMIG4 ELET6 PETR4 USIM5 VALE5

Média das eficiências do algoritmo 75,6% 79,6% 85,6% 79,0% 72,9%
(médias e desvios)
15,2% 12,8% 13,9% 22,3% 26,3%
Média das eficiências sem RNA 69,1% 84,0% 80,2% 69,8% 71,1%
(médias e desvios)
17,8% 27,5% 13,2% 21,2% 23,1%
É destacável que a média da eficiência da previsão do programa é sempre
superior a 50%, inclusive sendo superior a 75% em quatro dos cinco ativos. Isso indica
que, em um intervalo de três dias, a previsão feita pelos candles e pela rede neural
acertou três vezes mais do que errou. Apenas em um ativo a eficiência do algoritmo foi
inferior à eficiência apenas utilizando candle. É importante ressaltar que os sinais
enviados pelos candles são de reversão, por isso esse resultado de eficiência se mostra
bastante satisfatório, uma vez que as previsões feitas, em sua grande maioria vão contra
a tendência do mercado até aquele momento, mostrando uma grande capacidade de
previsão da rede neural mesmo em um momento de reversão de tendência, se o
treinamento realizado for bem sucedido.

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.

Matsumoto, E. Y. (2008) “Aplicação de Redes Neurais na Classificação de

Rentabilidade Futura de Empresas”. Dissertação (Mestrado em economia). Fundação
Getúlio Vargas, São Paulo, Brasil.
Mizuno, H., Kosaka, M. and Yajima, H. (1997), “Stock Market Prediction System
Based On Technical Analysis of Stock Index Using Neural Network”,in Proceedings of
the 15th IMACS World Congress on Scientific Computation, Modelling and Applied
Mathematics (IMACS '97).
Mizuno, H., Kosaka, M., Yajima, H. and Komoda N. (1998), “Application of Neural
Network to Technical Analysis of Stock Market Prediction”, Studies in Informatic and
Control.
Murphy, J. (1996) “Technical Analysis of the Future Markets”, New York Institute
Finance, New York, USA.
Nison, S. (1991), “Japanese candlestick charting techniques”, New York Institute of
Finance, New York
Noronha, M. (1995), “Análise Técnica: Teorias, Ferramentas, Estratégias”,Editec, Rio
de Janeiro, Brazil.
Rotella, R. P. (1992), “The Elements of Successful Trading”, Institute of Finance Simon
& Schuster, New York, USA.
Zanetti Jr, L. A. Almeida, F. C. de. (1998), “Exploração do Uso de Redes Neurais na
Previsão do Comportamento de ativos Financeiros”. In: III Semead, Univeridade de São
Paulo, São Paulo, Brazil.
Economatica (2012), http://www.economatica.com, Janeiro.
Investmax (2011), “Introdução do modelo gráfico Candlestick”,
http://www.investmax.com.br/iM/content.asp?contentid=628, Junho.