U NIVERSIDADE F EDERAL DE G OIÁS

I NSTITUTO D E I NFORMÁTICA

L UIS F ELIPE L INO Z AIDEN A SSIS

L ARA S IQUEIRA L IMA

Uso De Redes Neurais Artificiais No

Mercado Financeiro
Uma Revisão Sistemática

Goiânia
2022
 L UIS F ELIPE L INO Z AIDEN A SSIS
L ARA S IQUEIRA L IMA

Uso De Redes Neurais Artificiais No

Mercado Financeiro
Uma Revisão Sistemática

Revisão Sistemática da literatura para a disciplina de Meto-

dologia de Pesquisa em Computação, do curso de Ciências
da Computação da Universidade Federal de Goiás
Área de concentração: Redes Neurais
Orientador: Prof. Prof. Dr. Eduardo Simões de Albuquer-
que

Goiânia
2022
Sumário

1 Resumo 3

2 Introdução 4

3 Objetivos 5

4 Método de Pesquisa 6
4.1 Critérios de Busca 6
4.2 Inclusão e Exclusão de Artigos 7

5 Resultados 8

6 Conclusões 11

Referências Bibliográficas 12
 CAPÍTULO 1
Resumo

No constante desenvolvimento de algoritmos para o mercado financeiro, a inteli-

gência artificial merece um destaque especial. Assim, este artigo busca, por meio de uma
Revisão Sistemática da Literatura, compreender as aplicações de Redes Neurais Artifici-
ais dentro do mercado financeiro. Visto que a área de finanças envolve múltiplos recursos
para previsões e análises, as aplicações das Redes Neurais destacam maior índice de per-
formace e desempenho comparado à algoritmos similiares. É mostrado como, quanto e
em que setores do mercado financeiro as Redes Neurais Artificiais podem ser usadas para
auxiliar nestes processos de previsões e análises. Foram considerados para a construção
dessa revisão artigos científicos publicados entre os anos de 2016 e 2018.
 CAPÍTULO 2
Introdução

O desenvolvimento da Inteligência Artificial (IA) continua acontecendo de forma

rápida, e com esses todos esses avanços, observa-se cada vez mais a criação de métodos de
IA para a resolução de problemas e para o auxílio em operações exercidas por outras áreas
que não possuem relação direta com este campo da Ciência, nesse contexto, é perceptível
que essas tecnologias podem ser de extrema importância para diferentes áreas, e portanto,
é interessante avaliar suas aplicações.
O mercado financeiro é uma área que pode, por meio da Inteligência Artificial,
obter soluções para seus variados problemas. Por ser um setor que trabalha a todo
momento com previsões de preços de ações, estado futuro das finanças, resultados,
análise de riscos de investimentos, dentre outros, o mercado financeiro sempre busca por
ferrramentas de alto desempenho e que apresente erros limitadíssimos, uma vez que os
riscos envolvidos na área são muito altos, e qualquer limitação de erros pode se provar
fundamental.
Nesse âmbito, tecnologias de IA podem ser aplicadas com o intuito de auxi-
liar nestes processos, e as Redes Neurais Artificiais (RNA’s) ganham maior destaque,
visto que são modelos computacionais que simulam o funcionamento do cérebro hu-
mano, por meio de nós interconectados representando neurônios, e podendo então re-
conhecer padrões e realizar aprendizado de máquina, características essas que são essen-
ciais para que as análises e previsões a serem feitas apresentem resultados satisfatórios
[Verma, Choure e Singh 2017].
 CAPÍTULO 3
Objetivos

O objetivo desta revisão sistemática é descobrir de que forma as Redes Neurais

Artificiais (RNAs) podem auxiliar nos diversos processos de previsões e análises dentro
do mercado financeiro. Para isso, determinou-se como propósito responder as seguintes
questões de pesquisa:

Q1: Quais as vantagens do uso de redes neurais artificiais no mercado financeiro?

Q2: Em quais áreas dentro do mercado financeiro as redes neurais artificiais são
utilizadas para a resolução de problemas?

Q3: Quais as aplicações que essa ferramenta não tem no momento? E quais
podem vir a ter?

Q4: Por que utilizar redes neurais na área de finanças?

 CAPÍTULO 4
Método de Pesquisa

4.1 Critérios de Busca

Para a busca de artigos foi considerada a seguinte string de busca:

String - TITLE - ABS (“neural networks”) AND BODY (“financial forecasting”

OR “financial time series” OR “stock market” OR “earnings management” OR
“finance” OR “investment” OR “financial”).

As buscas foram consultadas retrospectivamente entre os anos de 2016 e 2018 e

feitas nas seguintes bases de dados:

Nome URL
ACM https : //dl.acm.or g /
IEEE https : //ieeexplor e.ieee.or g /X plor e/guesthome.jsp
Science Dir ect https : //www.sciencedir ect.com/

No total, foram obtidos 366 aritgos, e após uma análise inicial, assim como a apli-
cação dos critérios de inclusão e exclusão, chegamos em 33 artigos, dos quais 13 foram
selecionados para uma avaliação final mais detalhada.
4.2 Inclusão e Exclusão de Artigos 7

4.2 Inclusão e Exclusão de Artigos

Os critérios de inclusão foram definidos da seguinte forma: CI01 - Artigos ou
periódicos publicados entre 2016 e 2018;
CI02 - Artigos ou periódicos publicados em idioma inglês;
CI03 - Artigos ou periódicos publicados com o tema relacionado diretamente às
Redes Neurais Artificiais aplicadas ao mercado financeiro;
CI04 - Artigos ou periódicos publicados nas bases de dados (ACM, Capes, IEEE,
SBC Open, Science Direct).
Os critérios de exclusão foram definidos da seguinte forma: CE01 - Artigos ou
periódicos repetidos;
CE02 - Artigos ou periódicos publicados em bases de dados não citadas;
CE03 - Livros, Revistas;
CE04 - Artigos ou periódicos publicados com o tema que não possui nenhuma
relação com Redes Neurais Artificiais aplicadas ao mercado financeiro;
CE05 - Artigos ou periódicos publicados fora do recorte temporal estipulado.
CE06 - Artigos ou periódicos em que o tema já foi selecionado um número
suficiente de vezes.
 CAPÍTULO 5
Resultados

Após feita a revisão dos artigos selecionados, podemos responder as questões de

pesquisas que foram determinadas anteriormente.

Q1:
O mercado financeiro, pela sua natureza não linear, faz com que seja
extremamente difícil de se prever seus dados financeiros [Qiu, Song e Akagi 2016,
Rout et al. 2017]. A adesão das redes neurais artificiais (RNA’s) neste setor obteve re-
sultados significativos em relação aos problemas encontrados, tais como, prever os preços
das ações e o estado futuro das finanças e analisar os riscos de investimentos.
De acordo com os diversos artigos buscados e escolhidos para esta revi-
são sistemática, a modelagem das redes neurais artificiais trouxeram vantagens sig-
nificativas, pois oferecem uma alternativa mais eficiente para tratar do mercado
financeiro [Huang, Liu e Ren 2018, Mammadli 2017, Sezer, Ozbayoglu e Dogdu 2017,
Gao, Chai e Liu 2017].
As redes neurais artificiais são flexíveis, adaptáveis e ajustam-se com diferen-
tes estímulos internos ou externos, podendo assim serem treinadas de maneira espe-
cífica à tarefa estabelecida. Essa característica torna-se uma vantagem pois a área fi-
nanceira possui diversos problemas distintos e que necessitam de uma solução única
[Qiu, Song e Akagi 2016].
Uma rede neural artificial tem a propriedade de maior tolerância a falhas do
que uma rede tradicional, ou seja, as redes neurais artificiais regeneram uma falha em
qualquer um dos seus componentes , sem a perda de dados armazenados, usando exemplos
e exemplos do passado para remontar o funcionamento de um nó danificado ou outro
constituinte rede. Nesse âmbito, as RNA’s são mais vantajosas para a resolução de
problemas do mercado financeiro, pois é um setor que busca ferramentas que tragam erros
mínimos ou que saibam resolver esses erros de maneira eficiente e provoquem resultados
promissores [Rout et al. 2017].
As redes neurais artificiais por apresentarem dois paradigmas de aprendizagem
(a aprendizagem supervisionada e a não-supervisonada) podem ser treinadas via algorit-
 9

mos especializados, incluindo métodos não paramétricos, expectativa de maximização e

métodos evolutivos. Isso faz com que RNA’s ganham destaque dentro da área de finanças
por apresentarem técnicas mais avançadas e inteligentes.

Q2:
Os setores dentro do mercado financeiro os quais atualmente podemos utilizar as
redes neurais artificiais para melhorias ou para resolução de problemas são:
- Previsão de séries temporais financeiras [Mammadli 2017, Rout et al. 2017];
- Previsão de preços de ações [Qiu, Song e Akagi 2016, Sezer, Ozbayoglu e Dogdu 2017,
Gao, Chai e Liu 2017, Verma, Choure e Singh 2017, Lin et al. 2018];
- Previsão dos resultados da tomada de créditos[Huang, Liu e Ren 2018];
- Prever a eficiência econômica do financiamento de projetos econômicos e de
inovação [Mutran et al. 2018];
- Prever o comportamento do Investidor [Mahmoudi, Docherty e Moscato 2018];
- Analisar os riscos de investimentos [Namazi, Shokrolahi e Sadeghzadeh Maharluie 2016];
- Projeções de taxas de juros [Stege et al. 2017];
- Projeções sobre os lucros contábeis;
etc.

Q3:
Nos artigos e periódicos revisados, a maioria ressaltou que as principais aplica-
ções que essa ferramenta não tem no momento é que as Redes Neurais Artificiais não são
capazes de identificar mudanças bruscas na tendência, ou seja, não possuem a capacidade
de resolver problemas de grande portabilidade [Qiu, Song e Akagi 2016].
Além disso, apesar de ser uma ferramenta tecnólogica futurística, isto é, ser uma
ferramenta do futuro, as RNA’s não apresentam saídas totalmente eficazes, gerando erros
mínimos ou insatisfações mínimas. Alguns autores sugerem a implementação de outras
ferramentas juntamente as RNA’s para o melhor desempenho da mesma ou identificar
outras técnicas que possuam maior precisão e performance em comparação com as RNA’s
para os problemas apresentados.
"Implementação de outras técnicas de aprendizagem de máquina, tais como
Máquinas de Vetores de Suporte e Árvores de Decisão", "novos modelos e ajustes de
rede no intuito de avaliar novas formas de interação das variáveis de desempenho", são
alguns dos trabalhos futuros citados pelos autores com o intuito de desevolver melhor as
aplicações dessa ferramenta [Romani 2017].

Q4:
 10

Uma rede neural artificial tem a capacidade de aprender e generalizar, isto é,

elas adquirem e acumulam conhecimento em seu ambiente, podendo adaptar parâmetros
internos ou externos para adequar-se ao cenário em que é inserida.
O uso de Redes Neurais Artificiais na área de Finanças se mostrou especialmente
adequado pois, dentre outras vantagens já citadas anteriomente, elas são técnicas que não
necessitam de conhecimento formal para sua implementação, o que as toma apropriadas
para domínios onde o conhecimento é escasso, sua capacidade de desenvolver fronteiras
entre entradas e saídas altamente não-lineares e um tempo de processamento menor do
que o de sistemas convencionais [Rout et al. 2017].
Assim, as Redes Neurais artificiais pode apresentar uma performance superior
em relação a sistemas convencionais de resolução de problemas. Mesmo com a evolução
tecnológica, a utilização de Redes Neurais para auxiliar na tomada de decisão no mer-
cado financeiro ainda está em desenvolvimento, com boa parte de sua atividade ocorrendo
ainda num nível de pesquisa elevado [Gao, Chai e Liu 2017].
 CAPÍTULO 6
Conclusões

Prever dados financeiros não é uma tarefa fácil e linear [Qiu, Song e Akagi 2016,
Rout et al. 2017]. Trabalhar com redes neurais artificiais demanda muita inteligência e
eficiência, além de ser uma ferramenta que necessita de muitos experimentos com os
parâmetros da rede. Vários fatores são apresentados como "impactantes"no desenvolvi-
mento de uma rede neural artificial, tais como "escolha das variáveis de entrada"e "pré-
processamento dos dados e a arquitetura da rede neural". A combinação das diferentes
técnicas aumenta a capacidade das RNA’s.
Concluímos então que a utilizição de redes neurais artificiais (RNA’s) dentro
do mercado financeiro não só é possível, como também muito importante para esse
setor. São muitas as áreas de atuação deste tipo de inteligência artificial (IA) dentro do
mercado financeiro, e portanto, as possibilidades de aplicação são variadas, além disso,
é perceptível que os resultados obtidos para as previsões e análises usando este método
foram superiores aos resultados obtidos com os modelos clássicos que são usados na
maior parte das tempo.
Referências Bibliográficas

[Gao, Chai e Liu 2017]GAO, T.; CHAI, Y.; LIU, Y. Applying long short term momory neural
networks for predicting stock closing price. In: 2017 8th IEEE International Conference
on Software Engineering and Service Science (ICSESS). [S.l.: s.n.], 2017. p. 575–578.

[Huang, Liu e Ren 2018]HUANG, X.; LIU, X.; REN, Y. Enterprise credit
risk evaluation based on neural network algorithm. Cognitive Systems
Research, v. 52, p. 317–324, 2018. ISSN 1389-0417. Disponível em:
<https://www.sciencedirect.com/science/article/pii/S1389041718302134>.

[Lin et al. 2018]LIN, C.-C. et al. Using artificial neural networks and market profile theory
to construct the trading analysis in stock market. In: Proceedings of the 4th International
Conference on Frontiers of Educational Technologies. New York, NY, USA: Association for
Computing Machinery, 2018. (ICFET ’18), p. 122–126. ISBN 9781450364720. Disponível
em: <https://doi.org/10.1145/3233347.3233385>.

[Mahmoudi, Docherty e Moscato 2018]MAHMOUDI, N.; DOCHERTY, P.; MOS-

CATO, P. Deep neural networks understand investors better. Decision Sup-
port Systems, v. 112, p. 23–34, 2018. ISSN 0167-9236. Disponível em:
<https://www.sciencedirect.com/science/article/pii/S016792361830099X>.

[Mammadli 2017]MAMMADLI, S. Financial time series prediction using artificial neu-

ral network based on levenberg-marquardt algorithm. Procedia Computer Sci-
ence, v. 120, p. 602–607, 2017. ISSN 1877-0509. 9th International Conference
on Theory and Application of Soft Computing, Computing with Words and Per-
ception, ICSCCW 2017, 22-23 August 2017, Budapest, Hungary. Disponível em:
<https://www.sciencedirect.com/science/article/pii/S1877050917324973>.

[Mutran et al. 2018]MUTRAN, V. M. et al. Bioenergy investments in sugar-

cane mills: an approach combining portfolio theory with neural networks. In:
EDEN, M. R.; IERAPETRITOU, M. G.; TOWLER, G. P. (Ed.). 13th Internatio-
nal Symposium on Process Systems Engineering (PSE 2018). Elsevier, 2018,
(Computer Aided Chemical Engineering, v. 44). p. 967–972. Disponível em:
<https://www.sciencedirect.com/science/article/pii/B9780444642417501567>.
Referências Bibliográficas 13

[Namazi, Shokrolahi e Sadeghzadeh Maharluie 2016]NAMAZI, M.; SHOKROLAHI, A.;

Sadeghzadeh Maharluie, M. Detecting and ranking cash flow risk factors via artificial
neural networks technique. Journal of Business Research, v. 69, n. 5, p. 1801–1806,
2016. ISSN 0148-2963. Designing implementable innovative realities. Disponível em:
<https://www.sciencedirect.com/science/article/pii/S0148296315004828>.

[Qiu, Song e Akagi 2016]QIU, M.; SONG, Y.; AKAGI, F. Application of artificial neural
network for the prediction of stock market returns: The case of the japanese stock
market. Chaos, Solitons Fractals, v. 85, p. 1–7, 2016. ISSN 0960-0779. Disponível em:
<https://www.sciencedirect.com/science/article/pii/S0960077916000060>.

[Romani 2017]ROMANI, L. F. Aplicação de redes neurais artificiais na sugestão de inves-

timentos. 2017.

[Rout et al. 2017]ROUT, A. K. et al. Forecasting financial time series using

a low complexity recurrent neural network and evolutionary learning ap-
proach. Journal of King Saud University - Computer and Information Sci-
ences, v. 29, n. 4, p. 536–552, 2017. ISSN 1319-1578. Disponível em:
<https://www.sciencedirect.com/science/article/pii/S1319157815000944>.

[Sezer, Ozbayoglu e Dogdu 2017]SEZER, O. B.; OZBAYOGLU, M.; DOGDU, E. A deep

neural-network based stock trading system based on evolutionary optimized technical
analysis parameters. Procedia Computer Science, v. 114, p. 473–480, 2017. ISSN 1877-
0509. Complex Adaptive Systems Conference with Theme: Engineering Cyber Physical
Systems, CAS October 30 – November 1, 2017, Chicago, Illinois, USA. Disponível em:
<https://www.sciencedirect.com/science/article/pii/S1877050917318252>.

[Stege et al. 2017]STEGE, N. et al. Mapping interest rate projections using neural
networks under cointegration: An application from stress testing approaches. In: Pro-
ceedings of the 1st International Conference on Internet of Things and Machine Lear-
ning. New York, NY, USA: Association for Computing Machinery, 2017. (IML ’17). ISBN
9781450352437. Disponível em: <https://doi.org/10.1145/3109761.3109774>.

[Trifonov, Budakova e Pavlova 2017]TRIFONOV, R.; BUDAKOVA, D. V.; PAVLOVA, G. Neu-

ral network application in financial area. In: RACHEV, B.; SMRIKAROV, A. (Ed.). Pro-
ceedings of the 18th International Conference on Computer Systems and Technologies,
CompSysTech 2017, Ruse, Bulgaria, June 23-24, 2017. [S.l.]: ACM, 2017. p. 52–57. ISBN
978-1-4503-5234-5.

[Verma, Choure e Singh 2017]VERMA, R.; CHOURE, P.; SINGH, U. Neural networks th-
rough stock market data prediction. In: 2017 International conference of Electronics,
Communication and Aerospace Technology (ICECA). [S.l.: s.n.], 2017. v. 2, p. 514–519.