Fracatais PDF Universitario (001-052) .En - PT

Traduzido do Inglês para o Português - www.onlinedoctranslator.
com
Programa de Mestrado - Segundo

Ciclo (DM 270/2004)
in Economia e Finanza - Finanças
Tese final
A Teoria do Mercado Fractal e

sua aplicação em um sistema de
negociação
Supervisor
CH. Prof. Marco Corazza
Graduand
Alessandro Messana
Matr. número 853325
Ano acadêmico
2019/2020
ii
Conteúdo
1 Introdução 1
2 A teoria tradicional 5
2,1 Louis Bachelier e o Théorie de la spéculation. . . . . . . . . 5
2,2 Eugene Fama e o Hipótese de mercado eficiente. . . . . . . . Caminhada 6
2,3 aleatória e Movimento Browniano Geométrico. . . . . . . . . . . 8
2,4 Críticos no EMH. . . . . . . . . . . . . . . . . . . . . . . . . 11
3 Fractais: características e exemplos 15

3,1 Geometria fractal. . . . . . . . . . . . . . . . . . . . . . . . . . Dimensão 15
3,2 fractal. . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.1 A dimensão de Hausdorff-Besicovitch. . . . . . . . . . 22
3.2.2 A dimensão Minkowski-Bouligand. . . . . . . . . . Exemplos de 25
3,3 fractais. . . . . . . . . . . . . . . . . . . . . . . . . 27
4 Fractais e mercados 31
4,1 Presença de fractais nas tendências de mercado. . . . . . . . . . . . . . . 31
4.1.1 Teoria de Elliott Wave. . . . . . . . . . . . . . . . . . . . 34
4.1.2 Fractais indicador . . . . . . . . . . . . . . . . . . . . . . Falha do 38
4.1.3 EMH. . . . . . . . . . . . . . . . . . . . . Movimento browniano 40
4,2 fracionário. . . . . . . . . . . . . . . . . . . . Expoente de Hurst e análise R / 41
4,3 S. . . . . . . . . . . . . . . . . 44
4.3.1 Relação com a dimensão fractal. . . . . . . . . . . 46
5 Hipótese do Mercado Fractal 49

5,1 Premissas e introdução. . . . . . . . . . . . . . . . . . . . . Definição de 49
5,2 FMH. . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.2.1 Um exemplo de reação do mercado. . . . . . . . . . . . . . 54
6 Uma estratégia de negociação fractal 57
iii
4 CONTEÚDO
6,1 Introdução à negociação. . . . . . . . . . . . . . . . . . . . . . . 57
6.1.1 Diferentes mercados para diferentes investimentos . . . . . . . 57
6.1.2 Horizonte e indicadores de investimento. . . . . A . . . . . . . 59
6,2 estratégia de negociação. . . . . . . . . . . . . . . . . . . . . . . . 60
6.2.1 Índice de Canal de Mercadorias de Média Móvel . . . . . . . 61
6.2.2 de Convergência / Divergência. . . . . . . . . . . . . . . . 64
6.2.3 Movendo Hurst. . . . . . . . . . . . . . . . . . . . . . . . 66
7 Aplicação técnica 71
7,1 Entrada de dados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
7,2 Implementação e resultados. . . . . . . . . . . . . . . . . . . . 75
7.2.1 Desempenho do Dow Jones Industrial Average. . . . . 75

7.2.2 Desempenho do S&P 500. . . . . . . . . . . . . . . . . . 77 Desempenho
7.2.3 do Nasdaq 100. . . . . . . . . . . . . . . . 78 Desempenho do S&P 400
7.2.4 MidCap. . . . . . . . . . . . . 79 Desempenho do Euro
7.2.5 FX. . . . . . . . . . . . . . . . . . 81 Desempenho da libra
7.2.6 esterlina. . . . . . . . . . . . . . . 82
7,3 Análise de resultados. . . . . . . . . . . . . . . . . . . . . . . . . . 83
8 Conclusões 87
9 Bibliografia 93
Capítulo 1
Introdução
Desde o nascimento dos mercados financeiros, analistas e investidores têm tentado
encontrar um modelo que possa explicar (e possivelmente prever) o caminho que os
mercados estão seguindo. Conhecendo esse modelo, os investidores podem tentar
especular sobre variações de preços tanto no curto quanto no longo prazo por meio de
diferentes estratégias de investimento.
Dentre todas as teorias que foram desenvolvidas ao longo dos anos, uma das
mais importantes é a Hipótese de mercado eficiente, proposto por Eugene
Fama em 1970. Muitos outros estudiosos deram sua contribuição, direta ou
indiretamente, ao EMH que ainda é estudado e referido como a base das
teorias de risco modernas de preços de ativos.
No entanto, apesar do sucesso que essa teoria teve ao longo dos anos, alguns
estudiosos afirmam que o EMH não explica bem o comportamento dos mercados
financeiros. Na verdade, foi demonstrado e provado que essa teoria contém muitas
falácias e não representa de maneira eficiente a evolução dos preços nos mercados
reais. Então, muitas teorias alternativas foram propostas, e neste
1
2 CAPÍTULO 1 INTRODUÇÃO
dissertação, vamos analisar o Hipótese do Mercado Fractal proposto por Edgar E. Peters
em 1991. Esta teoria resolve todas as inconsistências que estavam presentes no
Hipótese de mercado eficiente e analisa os mercados sob uma perspectiva diferente,
permitindo a existência de uma memória de longo prazo nos preços de mercado e
oferecendo novas possibilidades aos investidores.
Como o nome sugere, o FMH lembra alguns conceitos dos fractais. Embora não
haja uma definição rigorosa, em matemática, um fractal é uma figura particular
que, quando ampliada, exibe padrões locais semelhantes à figura inteira. Esta
propriedade é chamada auto-similaridade, e é uma das características do
modelo proposto por Peters. Para melhor compreender os conceitos que
iremos utilizar nesta dissertação, as principais características dos fractais e da
geometria fractal serão profundamente analisadas e descritas com exemplos
antes de introduzirmos o Hipótese do Mercado Fractal.
Além disso, os fractais também estão presentes na estratégia de negociação que
decidimos aplicar a algumas séries temporais de preços de mercado. A estratégia, que é
meramente especulativa e não tem finalidade de hedge, é desenvolvida nas mesmas
premissas do FMH e aplica alguns conceitos da geometria fractal a um novo indicador
técnico utilizado para a tomada de decisões de investimento. As séries temporais nas
quais testaremos essa estratégia de negociação são seis futuros americanos altamente
negociados na Bolsa Mercantil de Chicago, e são quatro índices e dois pares de moedas.
Antes de passar para a aplicação técnica, alguns conceitos importantes sobre negociação são
explicados em profundidade, a fim de compreender melhor o investimento

3
estratégia que será adotada posteriormente. Assim, fornecemos uma breve introdução
às técnicas de negociação e investimento, apresentando os vários tipos de investidores e
descrevendo as ferramentas utilizadas em uma estratégia de negociação, como gráficos
de velas e indicadores. Além disso, apresentamos brevemente o artigo produzido por
Petr Kroha e Miroslav Škoula, os dois estudiosos tchecos que desenvolveram o novo
indicador técnico que usaremos em nossa aplicação.
A estratégia será calculada de cinco maneiras diferentes para cada instrumento.
Cada método usa um procedimento diferente para estimar o valor do parâmetro
usado pelo indicador técnico, e assim resultados diferentes são obtidos. Além disso,
para cada instrumento, uma estratégia semelhante usando um indicador tradicional
(a Convergência / Divergência da Média Móvel) será aplicada e usada como
referência.
Em seguida, os desempenhos da estratégia de negociação serão avaliados para todos os
instrumentos e comparados. Por fim, após alguns esclarecimentos sobre alguns aspectos
comerciais, as conclusões serão tiradas juntamente com algumas sugestões para análises
posteriores.
4 CAPÍTULO 1 INTRODUÇÃO
Capítulo 2
A teoria tradicional
2.1 Louis Bachelier e o Théorie de la spéculation
A primeira contribuição importante para a teoria que se tornará o
Hipótese de mercado eficiente foi dada por Louis Bachelier em seu Théorie de la spéculation,
publicado em 1900. Nesta dissertação, o matemático francês modela as flutuações nos preços
das ações usando um processo de passeio aleatório. Ao afirmar isso, ele argumenta que as
pequenas flutuações no preço vistas em um curto intervalo de tempo devem ser
independentes do valor atual do preço. Além disso, ele também assume que eles são
independentes do comportamento anterior do processo. Combinando essas suposições com
o Teorema do Limite Central, ele chegou à conclusão de que os incrementos do processo
também são independentes e normalmente distribuídos. Na verdade, ao seguir todas essas
etapas, ele acabou de obter um processo de movimento browniano como o limite de difusão
do passeio aleatório. Assim, de acordo com Bachelier, as mudanças de preços não podem ser
previstas devido às inúmeras variáveis que afetam sua evolução, mas pode ser atribuída
uma probabilidade a
5
6 CAPÍTULO 2. A TEORIA TRADICIONAL
cada evento futuro possível, a fim de avaliar sua chance de acontecer.
2.2 Eugene Fama e o Hipótese de mercado

eficiente
Nos primeiros anos após a publicação do Théorie de la spéculation, A obra de
Bachelier não recebeu atenção particular dos estudiosos, também devido ao uso da
língua francesa. Mas então, dos anos 30 à metade dos anos 60, muitos artigos sobre
tópicos semelhantes começaram a ser publicados, e um livro publicado em 1912 por
Bachelier no qual ele detalhou seu trabalho foi citado muitas vezes por vários
matemáticos como Andrey Kolmogorov e William Feller, tornando mais acadêmicos
descobrem o trabalho do matemático francês. Finalmente, em 1965, Eugene Fama,
estudando a obra de Paul Samuelson e todos os trabalhos anteriores escritos pelos
já citados e outros estudiosos, introduziu em sua tese de doutorado o Hipótese de
mercado eficiente, que adicionou uma abordagem mais estatística para avaliar
melhor o comportamento do mercado.
Em primeiro lugar, é necessário especificar que, nesta teoria, os investidores são
considerados racionais. Um investidor é racional (ou melhor, tem expectativas racionais)
se implementar um processo de tomada de decisão baseado em fazer escolhas que
resultem no nível ideal de benefício para ele. Em termos simples, um investidor tem
expectativas racionais se ele usa com eficiência as informações que conhece para
maximizar o lucro ou minimizar as perdas.
Na verdade Fama estruturou seu Hipótese de mercado eficiente ( EMH) em três
hipóteses diferentes:
2.2. EUGENE FAMA E O HIPÓTESE DE MERCADO EFICIENTE 7
• Eficiência de forma fraca: os preços de mercado refletem todas as informações
disponíveis dos preços históricos;
• Eficiência de forma semiforte: os preços de mercado refletem todas as
informações disponíveis dos preços históricos, mais todas as informações públicas
disponíveis;
• Eficiência de forma forte: os preços de mercado refletem todas as informações
disponíveis dos preços históricos, mais todas as informações disponíveis públicas
e privadas.
Obviamente, para ter a eficiência da forma forte é necessário ter a eficiência da forma
semiforte, que por sua vez precisa da eficiência da forma fraca.
A primeira implicação dessa teoria é que os preços de mercado futuros sempre dependem
apenas do preço conhecido mais recente, uma vez que é o conjunto de informações mais
completo disponível. Nas estatísticas, essa característica é chamada martingale:
é um processo estocástico X t em que o valor esperado de X t condicionado a X s, com
s ≤ t, é igual a X s. Isto leva à conclusão de que o preço muda instantaneamente
assim que uma nova informação se torna disponível: a nova informação é
imediatamente incorporada pelo preço, resultando em uma variação positiva ou
negativa apropriada. Consequentemente, superar o mercado não é possível, uma
vez que qualquer tipo de informação é refletida no mercado em nenhum momento,
não deixando possibilidades de ganhos seguros para os investidores.
O processo estocástico que melhor se assemelha a este comportamento é o Caminhada aleatória.

2,3 Caminhada aleatória e Movimento Browniano

Geométrico
Como já antecipado, o comportamento dos mercados descrito por Fama pode ser bem
representado pelo processo estocástico conhecido como Caminhada aleatória, já que a
previsão de um preço futuro é baseada apenas no preço conhecido mais recente, cuja
evolução é quase aleatória.
Um randomwalk é de fato um processo estocástico com incrementos independentes, e é
definido como
Yt=Yt-1+ηt
Y0=y0
Onde ε t é um processo de ruído branco, definido como
η t ∼ WN ( 0, σ 2).
Este é um processo simples de passeio aleatório. Na verdade, é melhor considerar um
processo ligeiramente diferente com um componente adicional, que é o passeio aleatório
com deriva, definido como
Yt=α + Yt-1+εt
Y0=y0
É possível ver a adição do componente determinístico α, que é chamado de
deriva prazo do processo. Além disso, o componente estocástico
ε t, chamado difusão termo, geralmente é um ruído branco gaussiano definido como
Eu iria N ( 0, σ 2)
ε teu ∼
2.3. CAMINHADA ALEATÓRIA E BROWNIANMOTION GEOMÉTRICA 9
ou alternativamente,
ε t ∼ GWN ( 0, σ 2).
Com base nessas premissas, um processo estocástico randomwalk com drift e
incrementos independentes capaz de representar as variações de um
o preço pode ser o seguinte:
√
Pti+1= P t eu+ µP t(teui + 1 - teu) + σP t eu ( t i + 1 - t eu) ε t eu (2.1)
onde, considerando um intervalo [ 0, T] dividido em n intervalos [ t eu, t i + 1] do mesmo
comprimento ∆ t com i = 1, ..., n, nós temos então
( )
T - 0 = eu · ∆ t, ∀ i = 0, 1, ..., n
t i = eu ·
n
e para qual
T = ∆ t, ∀ i = 0, 1, ..., n. n
ti+1- ti=
Além disso, também temos
µ∈R
σ∈R+
Eu iria N ( 0, σ 2).
ε teu ∼
onde, do ponto de vista financeiro, µ é o valor esperado do processo e σ é o
desvio padrão do processo (portanto, só pode ser positivo).
Além disso, sabendo que t i = t eu - 1 + ∆ t, podemos reescrever a equação (2.1) como
√
P ti+1= P t eu+ µP t eu∆ t + σP t eu ∆ tε t eu (2.2)
e então nós temos
√
P teu+ 1 - P t eu= µP ∆t eut + σP t eu ∆ tε t.eu (2,3)
Este modelo é definido em um intervalo de tempo discreto. Se liberarmos essa suposição
de construção e estendermos o modelo para um intervalo de tempo contínuo, deixando
então o número de intervalos n → ∞, e consequentemente ∆ t → 0, debaixo
certas condições é possível provar 1 que nós temos
√
dP (t) = µP (t) dt + σP (t) dtε t. (2,4)
Equações como esta são parte de uma família específica de equações diferenciais
estocásticas, cuja solução fornece o Movimento Browniano Geométrico. Em
particular, um GBM é o processo estocástico descrito pela seguinte SDE (Equação
Diferencial Estocástica ):

dX (t) = αX (t) dt + σX (t) dW (t)
(2,5)

X ( 0) = x 0
A equação (2.4) é muito semelhante à função descrita acima, mas é necessário modelar o
termo de difusão da equação como um processo de Wiener (também chamado de
movimento browniano) 2 .
É possível provar que o processo recém descrito possui o seguinte explícito
solução:
X (t) = x 0 · e ( α - 1 2 σ 2) t + σW (t). (2,6)
1 Veja SE Shreve - "Stochastic Calculus for Finance II: Continuous-Time Models", Springer
(2004)
2 Um processo estocástico W (t) é chamado de processo de Wiener se as seguintes condições
forem válidas: W (0) = 0, W (t) tem incrementos independentes, para s <t a variável estocástica W (t)
- W (s) tem a distribuição gaussiana N (0, ts), W (t) tem trajetórias contínuas. Ver T. Bjork -
"Arbitrage Theory in Continuous Time", Oxford University Press (2009)
2.4. CRÍTICAS NO EMH 11
A distribuição de X (t) é log-normal, o que significa que logX (t) é normalmente
distribuído. Além disso, temos que
E [ X (t)] = x 0 · e αt. (2,7)
Voltando ao nosso modelo descrito em (2.4), de (2.7) sabemos que
E [ P]
t eu= P · e
t 0µt eu (2.8)
do qual
µ∆
E [ Pt i + 1 | P]
t eu = P · t eu
e t. (2,9)
Agora está claro por que o valor esperado do preço em um instante de tempo futuro
depende apenas do preço conhecido mais recente dessa série temporal. Isso significa que as
mudanças de preços futuras refletirão apenas notícias futuras e, uma vez que as notícias são
por definição imprevisíveis, as mudanças de preços devem ser imprevisíveis e aleatórias, não
deixando nenhuma possibilidade para os investidores obterem um retorno seguro.
2.4 Críticas sobre o EMH
Embora a Hipótese do Mercado Eficiente tenha sido amplamente aceita, alegar
que os preços futuros dependem apenas do preço conhecido mais recente e
não de toda a série temporal expôs Fama e sua teoria a vários críticos nos anos,
vindos de estudiosos e investidores que analisam mercados de diferentes
pontos de vista.
As primeiras críticas vieram de investidores e estudiosos que analisam os mercados de ações
por meio das ferramentas oferecidas pela análise técnica.

A análise técnica é uma metodologia particular de análise utilizada para analisar e
eventualmente prever os mercados financeiros que se baseia no estudo de gráficos e
plotagens e na utilização de indicadores técnicos. Alguns indicadores são baseados em
dados de mercado anteriores, como máximos, mínimos, volume,. . . , enquanto outros
são construídos por meio de funções matemáticas mais ou menos complexas, como a
média móvel exponencial, o índice do canal de commodities e o índice de força relativa.
Conseqüentemente, os analistas técnicos baseiam suas ações e decisões de investimento na
crença de que as tendências do mercado podem, em parte, ser previstas por meio de
instrumentos matemáticos, de modo que rejeitam a tese de Fama da imprevisibilidade e
aleatoriedade dos preços futuros.
Outras críticas vieram de analistas fundamentais, que estudam o comportamento dos
preços com base nas informações disponíveis nas demonstrações financeiras da
empresa inspecionada, junto com as dos concorrentes e uma análise geral do mercado.
Essas informações geralmente são ativos, passivos e ganhos da empresa, mas muitos
outros parâmetros podem ser considerados por um analista fundamental.
Assim, os analistas fundamentais também afirmam que as tendências do mercado podem ser previstas
de alguma forma, pelo menos em parte, por meio de uma avaliação correta dos dados financeiros da
empresa; portanto, eles também rejeitam as implicações da teoria de Fama.
Mas as críticas que melhor se relacionam com esta dissertação são as vindas de
matemáticos e estatísticos e, em geral, de quem analisa dados de mercado do
ponto de vista estatístico.
Na Hipótese de Mercado Eficiente, a distribuição da densidade dos retornos é

2.4. CRÍTICAS NO EMH 13
assumido como normalmente distribuído. O fato é que muitas vezes as devoluções
parecem não ser distribuídas dessa forma. Em particular, as caudas parecem ser mais
grossas e com um pico mais alto da média em relação à distribuição Normal. Em
condições normais de mercado, essas diferenças influenciam ligeiramente o efeito na
conta de um investidor, mas ter caudas mais grossas significa que eventos extremos
(tanto positivos quanto negativos) ocorrem frequentemente do que o esperado no caso
normal, portanto, esses eventos podem se tornar muito importantes e podem afetar
enormemente conta do investidor.
Além disso, há diferença também no comportamento da volatilidade dos
retornos. Na distribuição normal, ter uma variação diária é igual a σ
implica que em t dias em que a variação se torna t vezes a variação diária. Em
termos de desvio padrão (que mede a volatilidade), a fórmula
então se torna
σt=σ · √ t (2,10)
Onde σ t é o desvio padrão observado em t dias. “Esta prática é do derivado
Einstein 3 observação de que a distância que uma partícula em brown movimento
cobre aumenta com a raiz quadrada do tempo usado para medi-lo. ” ( Peters, 1994)
Muitos estudiosos 4 ainda observaram que muitas vezes a volatilidade dos retornos não
se comporta como esperado no caso da distribuição normal, e em particular tem

3 Ver A. Einstein - "Über die von der molekularkinetischen Theorie der Wärme geforderte
Bewegung von in ruhenden Flüssigkeiten suspendierten Teilchen" (inglês: "Sobre o movimento de
pequenas partículas suspensas em um líquido estacionário exigido pela teoria molecular-cinética
do calor" ) (1905)
4 Ver RJ Shiller - "Market Volatility", The MIT Press (1989), AL Turner e EJ Weigel
- "An Analysis of Stock Market Volatility", Russell Research Commentaries Press (1990), EE Peters -
"Chaos and Order in the Capital Markets: ANewView of Cycles, Price and Market Volatility", John
Wiley & Sons (1991), EE Peters - "Fractal Market Analysis: Applying Chaos Theory to Investment and
Economics", John Wiley & Sons (1994)
observaram que o desvio padrão escala em uma taxa mais rápida do que a raiz quadrada do
tempo.
Para superar todos esses problemas que afetam a eficiência da Hipótese do
Mercado Eficiente, muitas teorias foram propostas. O que vai ser analisado em
detalhes é o Hipótese do Mercado Fractal ( FMH) proposto por Edgard E. Peters.

Capítulo 3
Fractais: características e
exemplos
3.1 Geometria Fractal
Antes de apresentar o Hipótese do Mercado Fractal, é necessário primeiro
apresentar e descrever o que é um fractal e quais são suas características. O
termo “fractal” vem do latim fractus, que significa “quebrado” ou “fraturado”,
mas a definição formal de “fractal” ainda está faltando, pois há alguma
discordância entre os matemáticos sobre como deve ser definido. Em 1982,
Mandelbrot, o primeiro a usar esse termo em 1975 1 , afirmou que “Um fractal é
por definição um conjunto para o qual a dimensão de Hausdorff-Besicovitch
excede estritamente a dimensão topológica”, e depois mudou a definição
afirmando que “Um fractal é uma forma feita de partes semelhantes ao todo de
alguma forma”. Voltaremos mais tarde às definições de Hausdorff-Besicovitch e
às dimensões topológicas.
1 Ver B. Mandelbrot - "Les object Fractals: Forme, Hazards et Dimension" (inglês: "Fractals: Form,
Chance and Dimension"), WHFreeman & Co Ltd (1977)
15
16 CAPÍTULO 3. FRACTAIS: CARACTERÍSTICAS E EXEMPLOS
Um dos primeiros exemplos de fractais, embora na época não estivesse definido
dessa forma, é o Diversão Weierstraß cção:
∑∞
f (x) = uma n · cos ( b n πx) (3.1)
n=0
Onde 0 < a < 1 e b é um número inteiro ímpar que ab> 1 + 3 π 2

.
Figura 3.1: Função Weierstraß em (-2, 2)
É possível ver que no círculo vermelho destacado em que a função é ampliada no
caminho da função, de alguma forma se assemelha ao caminho de toda a função.
Esta propriedade é chamada auto-similaridade. Além disso, a função de Weierstraß,
assim como os fractais, é contínua em todos os lugares, mas em nenhum lugar
diferenciável.
Para explicar melhor este último aspecto, considere agora um dos mais conhecidos fractais
3.1. GEOMETRIA FRACTAL 17
bem como um dos primeiros a ter sido descrito 2 , conhecido como Floco de neve de
Koch:
Figura 3.2: As primeiras quatro iterações do floco de neve Koch
Este fractal é construído a partir de um triângulo equilátero simples. Em
seguida, divida cada lado do triângulo em três partes iguais e construa um
triângulo equilátero menor para fora no meio, remova o segmento usado como
base do novo triângulo equilátero e repita o procedimento em cada estágio
sucessivo.
É um procedimento muito simples, mas possui algumas propriedades interessantes. Na
verdade, é fácil demonstrar que, conforme o número de iterações aumenta, a área
dos flocos de neve converge para um valor específico (que é 8 5 do original

2 Ver H. von Koch - "Sur une courbe continue sans tangente, obtenue par une construction
géométrique élémentaire" (inglês: "On a Continuous Curve Without Tangents, Constructible from
Elementary Geometry") (1904)
triângulo), enquanto o perímetro aumenta sem limite, tendo então uma área finita e um
perímetro infinito. Mas agora nos concentramos em sua forma, que torna sua borda
contínua em todos os lugares, mas em nenhum lugar diferenciável, o mesmo que a
função de Weierstrass citada antes.
Para analisar melhor essa propriedade, consideramos agora a curva de Koch, que é
construída da mesma forma que o floco de neve de Koch, mas considerando apenas um
lado do triângulo em vez de três. Isso significa que três curvas de Koch formam um floco
de neve de Koch.
Figura 3.3: As primeiras cinco iterações da curva de Koch

3.2. DIMENSÃO FRACTAL 19
Em primeiro lugar, a autossimilaridade desse fractal agora é muito clara: de
fato, pode-se facilmente notar que a parte superior no meio de cada figura é
exatamente a curva inteira da etapa anterior.
Além disso, a curva de Koch não é diferenciável em nenhum lugar: na verdade, quando um ponto genérico
x 0 em uma curva diferenciável é considerada, a curva na vizinhança de x 0 tende a se
parecer com uma linha reta quando ampliado. Em vez disso, a curva de Koch, devido à
sua estrutura autorreplicante, é idêntica a si mesma em cada escala.
3.2 Dimensão Fractal
Os padrões irregulares são um bom ponto de partida para introduzir a dimensão fractal,
muitas vezes chamada de dimensão de Hausdorff em homenagem ao matemático alemão
Felix Hausdorff, que a introduziu pela primeira vez em 1918.
Normalmente, na natureza, os objetos são conhecidos por terem no máximo três dimensões:
um ponto tem zero dimensões, um segmento de linha tem uma, um quadrado tem duas e um
cubo tem três. Às vezes, na física, as dimensões são consideradas quatro, se incluirmos o
tempo, ou ainda mais até onze dimensões na teoria das cordas. Mas o denominador comum
de todos esses números é que eles são números naturais. Os fractais permitem que os
objetos tenham um número real de dimensões.
Mandelbrot não cunhou o termo "fractal" até 1975, mas em um de seus primeiros
artigos sobre o assunto 3 ele analisou esse aspecto interessante a partir da medição
do comprimento da costa da Grã-Bretanha. Ele afirmou que o comprimento medido
de um trecho de costa depende da escala de medição. Em outro
3 Ver B. Mandelbrot - "How Long Is the Coast of Britain? Statistical Self-Similarity and Fractional
Dimension" (1967)
palavras, quanto menor o incremento da medição, mais longo se torna o
comprimento medido: imaginando caminhar ao longo da costa e medindo-o
usando o número de passos, a medida feita por uma criança seria
significativamente maior (e também mais precisa) do que aquela feito por ad adulto.
Figura 3.4: Litoral da Grã-Bretanha. Esquerda: unidade = 200 km, comprimento = ~ 2.400 km. Direita:
unidade de 50 km, comprimento = ~ 3400 km
Deixar a escala de medição diminuir para zero implica que o comprimento da
medida aumenta sem limite. O ponto que Mandelbrot queria destacar era que
não faz sentido falar sobre o comprimento de uma linha costeira e que alguns
outros meios de quantificar as linhas costeiras são necessários. Isso levou o
autor a analisar uma lei empírica descoberta por Lewis Fry Richardson que
relaciona o comprimento medido de várias fronteiras geográficas com a escala
de medição usada para medi-lo.

A ideia principal é: se a linha costeira é lisa, então tem 1 dimensão (visto que é
uma linha simples), enquanto se se torna mais recortada e irregular o número
de dimensões tende a 2, uma vez que a própria linha costeira é maior que uma
linha, mas menos do que um plano (que tem 2 dimensões). Em particular, a
dimensão da costa da Grã-Bretanha é conhecida como 1,25.
Isso levou à definição de dimensão fractal. Em palavras simples, a dimensão fractal
indica quanto uma curva “preenche” o espaço. Pensando no litoral da Grã-Bretanha,
como dito antes ele é mais que uma linha e menos que um plano, então sua
dimensão fractal fica entre 1 e 2 porque tem alguns “vazios”. O mesmo poderia ser
dito de muitas outras coisas na natureza, começando pela própria Terra: nosso
planeta não é uma esfera perfeita, pois tem montanhas e vales, e também é
achatado nos pólos, então sua dimensão fractal é um não inteiro valor entre 2 e 3,
uma vez que é mais do que um plano e menos do que um sólido. Para ser mais
preciso, uma dimensão fractal de 2,3 é considerada um valor comum na descrição
do relevo na Terra.
Existem mais definições de dimensão fractal e, em particular, duas das mais
importantes são:
• a dimensão Hausdorff-Besicovitch
• a dimensão Minkovski-Bouligand (também conhecida como dimensão de contagem de
caixas).
3.2.1 A dimensão Hausdorff-Besicovitch
Um dos primeiros métodos para estimar a dimensão fractal de uma curva
envolve cobrir a curva com círculos de raio r. Em seguida, o número de círculos
necessários para cobrir a curva é contado e o raio é reduzido. O número de
círculos é conhecido em escala como a seguinte equação:
N · ( 2 · r) d = 1 (3,2)
Onde N é o número de círculos, r é o raio, e d é a dimensão fractal.
Resolvendo para d, acontece que
d = ln ( N).1 (3,3)
em 2 · r
Como dito anteriormente, uma linha reta tem uma dimensão fractal de 1. Em vez disso, um
passeio aleatório, que tem 50% de probabilidade de subir ou descer, tem então uma
dimensão fractal igual a 1,50, uma vez que está a meio caminho entre uma linha e um plano.
Figura 3.5: Estimando a dimensão de Hausdorff da costa da Grã-Bretanha
Uma definição mais rigorosa da dimensão de Hausdorff precisa usar alguns
conceitos da medida de Lebesgue anterior da teoria das medidas e usar o
diâmetro dos círculos em vez do raio.
Na teoria da medida, uma medida é definida usando uma coleção de paralelepípedos
como cobertura de um conjunto genérico A, mas Hausdorff os substituiu por bolas 4 e
para definir a medida de Hausdorff ele usou seus diâmetros, definidos da seguinte
forma:
4 Em matemática, uma bola (ou hiperbola) é o espaço delimitado por uma esfera. Uma bola em n
dimensões é chamado n- bola e é delimitado por um ( n- 1) -sfera. Por exemplo, uma bola no espaço
tridimensional euclidiano é considerado o volume limitado por uma esfera bidimensional.
Definição: diâmetro
Deixar E ⊆ R n não vazio, o diâmetro de E é então
dia m
√ (E) = sup {|| x - y ||, ∀ x, y ∈ E} (3.4)
onde || x - y || = ∑ n ( xi =- 1y) 2 eu
é a distância
eu euclidiana ser interpolação
os dois pontos x e y.
Agora é necessário definir o δ - cobrir de um determinado conjunto:
Definição: δ- capa de E
Deixar E ⊆ R n não vazio e δ> 0 UMA δ- capa do E é { E eu} de um contável família
subconjuntos não vazios E eu de tal modo que
⋃
E⊆ E eu e 0 < diam (E eu) ≤ δ ∀ eu. (3,5)
eu
Então, a medida dimensional s de Hausdorff é definida como:
De fi nição: medida de escala s-dimensional de Hausdorff δ para um conjunto
Deixar E ⊆ R n Nota{mpty
∑ e δ> 0, s ≤ 0 Nós definimos
}
H sδ ( E) = inf um δ- cobrir o f E
( diam (E))eus | { E} é eu (3,6)
eu
e Hs δ( ∅) = 0
Portanto, podemos aplicar a medida s-dimensional de Hausdorff a um subconjunto de R n:
Definição: medida s-dimensional de Hausdorff para um subconjunto E ⊆
Rn
Nós definimos
H s ( E) = e aí H s ( E)
δ = lim H s δ( E). (3,7)
δ> 0 δ → 0+
É óbvio então que, como δ diminui, o número de conjuntos de { E eu} aumenta, e
tende a infinito conforme δ → 0
Assim, quando δ → 0 a medida H s ( E) torna-se uma soma de subconjuntos infinitos com
diâmetro zero, que é a forma indeterminada [ ∞ · 0]. O valor assumido pelo expoente s
nos ajuda a resolver essa forma indeterminada. Na verdade, nomeando
s 0 = D H ( E), nós obtemos que H s ( E) → + ∞ Como s → 0 e H s ( E) →
0 Como s → + ∞. A dimensão de Hausdorff é então o valor de s isto faz
H s ( E) salta de 0 para + ∞. A definição formal é a seguinte:
Definição: dimensão de Hausdorff para um subconjunto E ⊆ R n
Nós definimos
D H ( E) = inf { s ≥ 0: H s ( E) = 0} = sup { s ≥ 0: H s ( E) = + ∞}.
(3,8)
3.2.2 A dimensão Minkowski-Bouligand
A dimensão Minkowski-Bouligand, também conhecida como contagem de caixas
dimensão é uma variação da abordagem para calcular a dimensão fractal usando
círculos (ou esferas, para objetos com mais de 2 dimensões). Agora, como o nome
sugere que quadrados (cubos) são usados em vez de círculos (esferas). É uma abordagem
relativamente mais fácil, pois os quadrados são mais fáceis de manipular do que os círculos,
mas o procedimento é idêntico. Começando em um quadrado com um comprimento lateral
de ε, o número de caixas N ε necessário para cobrir completamente a curva é
contados e, em seguida, o procedimento é repetido reduzindo o valor de ε. Então,
a dimensão Minkowski-Bouligand é definida como
ln N ε).
D M = lim (3,9)
ε → em
0 1
ε
Figura 3.6: Estimando a contagem de caixas na Grã- dimensão da costa de Excelente
Bretanha
Além disso, foi comprovado 5 naquela
D H ≤ D M. (3,10)
5 Ver K. Falconer - "Fractal Geometry - Mathematical Foundations & Applications", John Wiley &
Sons (1990)
3.3. EXEMPLOS DE FRACTAIS 27
Pensando no fl oco de neve Koch descrito antes, agora somos capazes de entender
sua dimensão fractal e até mesmo computá-la usando um método ainda mais
simples.
Após cada iteração, todos os segmentos de linha originais são substituídos por N = 4, onde
cada cópia auto-semelhante é 1 / S = 1/3 do comprimento do original. Então, para calcular o
dimensão D devemos resolver
N = SD (3,11)
para D, isso é
D = em N = em 4
em S em 3 ≈ 1.262.
Portanto, o floco de neve de Koch tem uma dimensão fractal de aproximadamente 1,262.
3.3 Exemplos de fractais
Fractais podem ser classificados em várias categorias, dependendo de seu processo de
construção:
• Fractais IFS (Iterated Function System);
• Fractais LS (Sistema Lindenmayer).
Um fractal IFS é gerado por uma série de transformações finas 6 . Essas
transformações, que são originadas por equações simples, como rotações,
translações, reflexões e homotetias 7 , deixe o processo iterativo tender a

6 Em geometria, uma transformação fina é uma função que preserva pontos, linhas retas e
planos, embora não necessariamente preserve ângulos entre linhas ou distâncias entre pontos.
Para obter mais detalhes, consulte M. Berger - "Geometria I", Springer (1987)
7 Em geometria, homotetia é uma transformação geométrica particular de um espaço fino que
dilata ou encolhe os objetos, deixando os ângulos inalterados.

um específico atrator 8 independente das condições iniciais. Isso significa que
continuar o processo de iteração por um número infinito de etapas levará a
obter sempre a mesma figura final.
O fractal mais famoso desse tipo é provavelmente o triângulo de Sierpiński. O
procedimento para obtê-lo é o seguinte:
1. A figura inicial é um triângulo equilátero com comprimento lateral ε;
2. Quatro novos triângulos são gerados conectando os pontos médios dos
três lados do triângulo original, com o do meio de cabeça para baixo,
todos com o lado igual a ε

2;
3. Os pontos médios de todos os novos triângulos não invertidos estão agora
conectados, obtendo-se então 9 outros triângulos não invertidos com o lado ε

4;
4. Quando o número de iterações tende a infinito, o limite é o triângulo de
Sierpiński. No n- a iteração existem 3 n triângulos não invertidos de
comprimento lateral 2 - n ε.
Figura 3.7: Primeiras cinco iterações do triângulo de Sierpiński
Para calcular a dimensão fractal do triângulo de Sierpiński, lembre-se de que o fator de
escala S é 2 (uma vez que cada lado do novo triângulo é a metade do anterior
8 Em matemática, um atrator é um conjunto de valores numéricos em direção aos quais um sistema tende a evoluir,
depois de um tempo suficientemente longo, para uma ampla variedade de condições iniciais do sistema.
3.3. EXEMPLOS DE FRACTAIS 29
um) e que os novos triângulos para os quais o procedimento é sempre o triplo
do número de triângulos na etapa anterior, assim N = 3. Portanto, tendo
N = S D é fácil de resolver para D: D = em 3 em 2 ≈ 1.585.
Por outro lado, os fractais LS (às vezes também chamados de sistema L) são
imagens complexas originadas por iterações sucessivas que consistem na
substituição de parte do objeto na etapa anterior, e em cada etapa o procedimento
de reescrita é sempre o mesmo.
Já analisamos um fractal desse tipo, que é o fl oco de neve de Koch e,
obviamente, a curva de Koch, mas existem muitos mais.
Um dos fractais mais interessantes também é um objeto tridimensional
(significado no senso comum). Essa é a esponja Menger.
O procedimento para obter uma esponja Menger é bastante fácil:
1. A figura inicial é um cubo de comprimento lateral ε;
2. O cubo é então dividido em 27 cubos menores de comprimento lateral ε 3( semelhante
para um cubo de Rubik);
3. Retiram-se os cubos centrais de cada face e também o central no interior;
4. O procedimento é repetido a partir da etapa 2) para cada cubo restante.

Figura 3.8: Primeiras quatro iterações da esponja Menger
Agora queremos calcular a dimensão fractal da esponja de Menger. Sabemos que o
fator de escala é S = 3, uma vez que cada novo cubo tem um comprimento lateral de
um terço do cubo na iteração anterior. Além disso, a cada iterações 27-6-1 = 20
novos cubos são gerados, o que leva a N = 20. Portanto, resolvendo
N = S D nós D = em 20 em 3 ≈ 2.727.
Capítulo 4
Fractais e mercados
4.1 Presença de fractais nas tendências de mercado
Após esta breve introdução aos fractais e suas características, é necessário vinculá-los
aos mercados de ações e à análise de mercado. Portanto, é necessário encontrar
algumas evidências da presença de fractais nas tendências de preços.
Os fractais são regulados por leis e equações matemáticas estritas, ao passo que a
evolução dos preços de mercado não é, ou não parece. Segundo a EMH, o único
fator que afeta o preço e pode levar ao aumento ou à queda do valor do título é a
divulgação de algumas informações novas. No entanto, já discutimos sobre a falácia
do EMH, e na verdade uma mudança no preço de um título pode acontecer por
vários motivos. Na verdade, por exemplo, como apontado por economistas
comportamentais, nem todo investidor é totalmente racional ou tem expectativas
racionais, e isso pode levar a mudanças estranhas nos preços de mercado.
Mas, mesmo que os mercados não sejam diretamente regulados pela matemática, algumas regularidades podem ser
31
32 CAPÍTULO 4. FRACTAIS E MERCADOS
encontrados observando o comportamento dos mercados de ações e, em particular,
a presença de padrões fractais. Um padrão fractal é uma seção de uma série
temporal que é repetida várias vezes no gráfico, analogamente ao auto-similaridade
propriedade dos fractais. Considere agora o histórico de preços do índice S&P 500 1
ilustrado abaixo:
Figura 4.1: Histórico de preços S&P 500 de 1925 (de ANG Traders)
É possível identificar um padrão recorrente ao longo dos anos, destacado com
retângulos vermelhos e setas verdes. UMA comércio de gama as seções coloridas em
vermelho, delimitadas por duas setas vermelhas, começam quando um novo máximo é
atingido e terminam quando essa máxima é ultrapassada. Ele define uma parte do
gráfico em que o preço oscila dentro de uma faixa limitada e sem atingir novos valores
mais elevados. Por outro lado, padrões de tendência são as pernas para cima entre dois
1 O Standard & Poor 500, conhecido como S&P 500, é um índice de mercado criado pela Standard &
Poor's em 1957 e reflete a tendência das 500 empresas americanas com maior capitalização de mercado.
Os valores anteriores a essa data são recriados considerando as melhores empresas do ano avaliado.
4.1. PRESENÇA DE FRACTALS TENDÊNCIAS EM MERCADOS 33
seções de comércio de gama e são indicadas pelas setas verdes para cima. Esses
padrões determinam uma seção do gráfico em que o preço está subindo com
maior ou menor inclinação.
As três seções de comércio range são muito semelhantes em duração e têm,
respectivamente, 13, 11 e 14 anos. Da mesma forma, as duas primeiras pernas ascendentes
têm comprimento semelhante, respectivamente 19 e 20 anos. A repetitividade no
comportamento sugere que também a terceira perna terá comprimento semelhante.
As variações dentro dos padrões de variação de comércio, expressas como porcentagem
do máximo alcançado nessas seções, também são bastante semelhantes: são,
respectivamente, 61%, 48% e 50%.
No entanto, é interessante notar que esses padrões podem ser detectados também em um
intervalo de tempo menor, conforme mostrado no gráfico a seguir:
Figura 4.2: Histórico de preços S&P 500 de 2009 (de ANG Traders)
Aqui, o intervalo de tempo é muito menor do que antes, começando do início

descaroçamento de 2009 em vez de 1925, como na figura anterior. No entanto, seções
de comércio de gama semelhantes e pernas ascendentes são destacadas. Além disso, o
índice S&P 500 está atualmente em fase de subida, uma vez que atingiu e ultrapassou o
valor máximo da última fase de range-trade em abril de 2019, e agora em janeiro de
2020 seu valor é atualmente superior a 3300.
4.1.1 Teoria de Elliott Wave
No final dos anos 30, seguindo o exemplo da teoria Dow sobre o movimento dos preços
das ações desenvolvida por Charles H. Dow, uma nova forma de análise técnica foi
desenvolvida por Ralph Nelson Elliott. Nesta teoria, definida em seu livro "The Wave
Principle" publicado em 1938 2 , o contador americano descreveu um padrão recorrente
que pode ser detectado observando as séries temporais dos preços de mercado. Elliott
postulou essa teoria pensando que a psicologia da multidão se move entre o otimismo e
o pessimismo em sequência natural, mas ele não pretendia vincular sua teoria aos
fractais. Na verdade, eles nem mesmo foram definidos ainda. No entanto, uma das
maiores evidências de fractais nos mercados pode ser encontrada no Teoria de Elliott
Wave. Na verdade, o padrão específico de evolução dos preços que pode ser reconhecido
após os primeiros movimentos para cima e para baixo é uma série de preços recorrentes
no mercado, em vários intervalos de tempo entre duas observações consecutivas e em
múltiplas escalas de resolução. O padrão descrito pelo autor é o seguinte:
2 Veja R. N. Elliott - "The Wave Principle" (1938) e RR Prechter - "The Basics of the Elliott Wave
Principle", New Classics Library (1995)
Figura 4.3: Padrão descrito na Teoria das Ondas de Elliot
Em sua teoria, Elliott definiu dois tipos de onda: ondas de impulso e ondas
corretivas. A primeira consiste em cinco sub-ondas que, juntas, fazem o preço
subir, enquanto a última consiste em três sub-ondas que corrigem o
movimento de alta por meio de uma ligeira redução no preço de mercado.
Existem algumas regras simples que ajudam a detectar a presença desse tipo de
estrutura:
• A onda de impulso é formada por três ondas motoras e duas ondas
corretivas, todas rotuladas por números (de 1 a 5). As regras que definem
sua formação são inquebráveis e, se uma delas for violada, a estrutura
não é uma onda de impulso. Em particular, a onda 2 não pode refazer
mais do que toda a onda 1 e a onda 3 nunca pode ser mais curta do que a
onda 1 e a onda 5;
• A onda corretiva é formada por duas ondas corretivas e uma onda motriz, todas
rotuladas por letras (de A a C). Ondas corretivas são normalmente mais difíceis de
identificar do que movimentos de impulso. As regras estabelecem que a onda B não
pode refazer mais do que toda a onda A e que a onda C é tipicamente pelo menos tão
grande quanto a onda A.
Toda a estrutura que acabamos de descrever é o chamado Ciclo de Onda Elliott de Alta,
mas também o padrão oposto pode ser detectado e descreveria um Ciclo de Onda de
Elliott Baixista. 3
Elliott sugeriu também que frequentemente dentro de um ciclo de ondas outros pequenos ciclos podem
ser encontrados, descrevendo então uma estrutura que também atende à definição comum de um
fractal, uma vez que consiste em padrões auto-semelhantes que aparecem em todos os graus de
tendência.
3 Em finanças, o mercado é descrito como otimista quando os preços estão subindo e grosseiro
quando o movimento geral está indo para baixo.
Figura 4.4: Ciclo e subciclos de um ciclo de onda Elliott de alta
Hoje em dia a Teoria de Elliott Wave ainda é usada como instrumento técnico por alguns
analistas de mercado, mas muitos outros pensam que a aplicação nos mercados financeiros
modernos não é mais possível devido às mudanças nas economias e sistemas sociais,
tornando então o Princípio de Elliot obsoleto e desatualizado. Conforme afirmado pelo
analista de mercado Glenn Neely 4 :
“A onda de Elliott foi uma descoberta incrível para a época. Mas, à medida que
as tecnologias, governos, economias e sistemas sociais mudaram, o
comportamento das pessoas também mudou. Essas mudanças afetaram os
padrões de onda que RN Elliott descobriu. Conseqüentemente, a aplicação
estrita dos conceitos ortodoxos de ondas de Elliott aos mercados atuais distorce
a precisão das previsões. Os mercados evoluíram, mas Elliott não. ”
4 Ver G. Neely - "Pegando as peças do Elliott Wave" (1996)

Por fim, também Benoit Mandelbrot questionou sobre a eficácia das ondas de Elliot 5 :
“Mas a previsão do Wave é um negócio muito incerto. É uma arte para a qual o
julgamento subjetivo dos cartistas importa mais do que o veredicto objetivo e
replicável dos números. O registro disso, como da maioria das análises técnicas, é,
na melhor das hipóteses, misto ”.
4.1.2 Fractais indicador
Na análise técnica também existe outro indicador que tira proveito de padrões
repetitivos nos movimentos de preços, que é a propriedade de auto-similaridade
dos fractais descritos anteriormente. Este indicador técnico, que foi desenvolvido
por Bill Williams, é denominado fractais precisamente e consiste em uma sequência
precisa de movimentos de preços que podem ser vistos apenas em gráficos que
usam a visualização de dados de velas japonesas. A necessidade de usar este tipo
de gráfico se deve à construção do fractais indicador que precisa das informações
de preço representadas por velas.
5 Ver B. Mandelbrot, DL Hudson - "The (mis) Behavior of Markets", Basic Books (2004)
Figura 4.5: Exemplos de velas de alta e baixa
A representação de candlestick é amplamente utilizada devido à sua clareza na leitura,
juntamente com a presença de todas as informações de preço relevantes (abertura, alta,
baixa, fechamento) em uma única figura. A área entre abrir e fechar é o corpo real,
enquanto as excursões de preço delimitadas por alto e baixo acima e abaixo do corpo
real são os sombras. Se o mercado se movesse para cima no intervalo de tempo ao qual
o candle se refere, o fechamento seria maior do que a abertura e o corpo da vela seria
verde (ou branco), caso contrário, se o mercado movesse para baixo, o fechamento seria
menor do que a abertura e o corpo seria vermelho (ou preto).
o fractais O indicador é usado para identificar mudanças nas tendências de preços,
tanto de baixa para alta e vice-versa. Em particular, um fractal de baixa é desenhado
no gráfico de velas sobre uma vela quando a máxima dessa vela é maior do que as
máximas das duas velas anteriores e das duas sucessivas. Por outro lado, um fractal
de alta é desenhado quando a mínima é menor que as mínimas das duas velas
anteriores e das duas sucessivas. Conforme ilustrado em

Na figura a seguir, os fractais de baixa são representados por uma seta para cima
(semelhante a um pico), enquanto os fractais de alta são representados por uma seta
para baixo.
Estruturas desse tipo aparecem com bastante frequência na observação de gráficos
candlestick e são amplamente utilizadas, em conjunto com outros indicadores técnicos, para
identificar oportunidades de investimento.
Figura 4.6: Exemplos de fractais de baixa e alta
4.1.3 Falha do EMH
Mas fractais não implica necessariamente a presença de padrões repetitivos
claramente visíveis. Como já foi dito antes, o termo fractal vem do latim fractus
que significa “quebrado” ou “fraturado”, e em matemática é algo semelhante a
“fracionário”. De fato, a presença de fractais nos mercados também pode ser
encontrada analisando as séries temporais de preços. Por exemplo, ao
considerar a volatilidade dos preços em relação ao tempo, o EMH supôs que
deveria seguir o chamado T à regra da metade descrito anteriormente quando

4.2. BROWNIANMOTION FRACIONAL 41
ilustrando o movimento browniano. O interessante é que essa regra muitas vezes
não é válida.
Além disso, já mostramos que os retornos podem ter distribuição não normal,
portanto, dois pilares importantes do HEM são violados. Muitos estudiosos 6
mostraram que a distribuição Normal (e consequentemente o Movimento Geométrico
Browniano) não é a melhor escolha possível para avaliar séries temporais de preços de
mercado, juntamente com a presença de memória não Markoviana. 7 em muitos preços
históricos, portanto, uma solução diferente precisa ser encontrada.
4.2 Movimento browniano fracionário
A presença de memória não Markoviana permite a possibilidade de dependência de longo
alcance (LRD) nos valores dos preços. Um fenômeno é geralmente considerado como tendo
dependência de longo alcance se a dependência entre duas observações no atraso τ, com τ =
1, 2, ..., n, decai lentamente e tem valores significativos para muitos atrasos 8 . Precisamos de
um modelo que possa incluir a possibilidade de dependência de longo alcance nas séries
temporais de preços, uma vez que já mostramos que o Movimento Browniano Geométrico
muitas vezes não é adequado devido a valores não independentes de
6 Ver, entre outros, E. Fama - "The Behavior of Stock Market Price" (1965), MFM Osborne -
"Brownian Motion in the Stock Market" (1959), WF Sharpe - "Portfolio theory and capital markets",
McGraw- Hill (1970) e EE Peters - "Fractal Market Analysis - Applying Chaos Theory to Investment
and Economics", John Wiley & Sons (1994)
7 A cadeia de AMarkov é um modelo estocástico que descreve uma sequência de eventos possíveis
em que a probabilidade de cada evento depende apenas do estado atingido no evento anterior. Assim, a
presença de memória não Markoviana é índice de um processo estocástico no qual o estado da variável
aleatória é dependente não apenas da última observação, mas também das anteriores.
8 Para ser mais preciso, um fenômeno é considerado como tendo LRD se a dependência decai mais lentamente do
que uma decadência exponencial, normalmente uma decadência semelhante a uma potência. Para obter mais detalhes,
consulte decadência exponencial e de potência em matemática e física.
retorna. Em seguida, é necessário generalizar o movimento browniano, adicionando um
recurso importante que pode ser útil para avaliar melhor as séries temporais.
Definição: fração
{ Movimento al B} rowniano (fBM)
Um processo estocástico X H t 7 → R é um movimento browniano fracionário se:
t≥0
• X0H=0
• X [t H é c] ontínuo ∀ t ∈ R +
• E XH t = [0 ∀ t ∈ R] +
γ∆t= E ( X Ht X H t + ∆ t
• )
= 1 t 2 H + ( t + ∆ t) 2 H - | t - ( t + ∆ t) | 2H
∀ t, ∆ t ∈ R +
2
onde H é um número real em (0, 1).
Quando o expoente H é definido igual a 1, a2 fração Al Brownian Motion
torna-se um simples movimento browniano. Embora cada movimento browniano
fracionário tenha incrementos estacionários, eles são independentes apenas no caso do
movimento browniano. Em vez disso, temos três casos diferentes:
• H=1 2: como acabamos de dizer, neste caso, obtemos γ ∆ t = 0 e assim o simples
Movimento browniano;
• H < 1 2: neste caso nós temos γ ∆ t < 0 e, conseqüentemente, os incrementos do
processo são correlacionados negativamente;
• H> 1 2: neste caso nós temos γ ∆ t> 0 e, conseqüentemente, os incrementos do
processo são positivamente correlacionados.
A imagem a seguir mostra três movimentos brownianos fracionários diferentes,
destacando a diferença entre os três valores possíveis de expoente
H. O gráfico à esquerda representa um processo de fBM com H> 1 2, traçar à direita um processo de fBM
4.2. BROWNIANMOTION FRACIONAL 43
com H < 1 2, e o enredo central, tendo H = 1 2, representa o simples browniano

Movimento.
Figura 4.7: Comparação de movimentos brownianos fracionários
Além disso, sabemos que os incrementos, como no movimento browniano simples,
são normalmente distribuídos com média 0, mas com variância ∆ t 2 H. De novo, é
simples de reconhecer que se H = 1 2 o fBMget reduzido ao simples browniano

Movimento com variação ∆ t.
Agora é necessário definir o coeficiente H, que regula todo o caminho seguido
pelo processo de movimento browniano fracionário.

4.3 Expoente de Hurst e análise R / S
O coeficiente H, ou seja, o expoente de Hurst, foi chamado desta forma em
homenagem ao hidrólogo britânico Harold Edwin Hurst, que foi o inventor do
intervalo reescalado análise usada para estimá-lo.
Hurst, de 1907 ao início dos anos 50, trabalhou no Egito como hidrólogo, e sua tarefa era
definir um modelo matemático para simular o problema de monitoramento da
quantidade de abastecimento de água do Nilo. Como sugerido por outros colegas, a
hipótese inicial que ele fez foi que as inundações do Nilo eram aleatórias e imprevisíveis
em entidade, o que significa que a extensão da inundação deve seguir o
T à meia regra já mencionado. As análises de Hurst, entretanto, pareciam levar a
conclusões diferentes, e isso o convenceu a fazer mais análises. Em particular, Hurst
notou a existência de um comportamento persistente, sugerindo que grandes
inundações são geralmente seguidas por outras inundações significativamente sérias, e
quando a tendência invertida, pequenas inundações são geralmente seguidas por
outras inundações relativamente escassas.
Hurst então criou uma ferramenta, o análise de intervalo reescalonado 9 para avaliar o magni-
tude da periodicidade de um ciclo. Começando com uma série temporal X t com t =
1,. . . , N observações, ele dividiu em 2 k ( com k = 0, 1,. . . ) subperíodos do mesmo
comprimento n de modo a 2 k · n = N, obtendo 1 subperíodo de comprimento N, 2
subperíodos de comprimento N / 2, 4 subperíodos de comprimento N / 4, etc. Em seguida,
ele calculou as seguintes operações para cada subperíodo.
Em primeiro lugar, ele calculou a média aritmética X̄ e o desvio padrão
9 Também chamado Análise R / S.

4.3. HURST EXPONENT E ANÁLISE DE R / S 45
que é dado por

√
√ n( )
√ 2
sn = √ 1∑ X -t X¯ (4.1)
n t=1
Então, ele calculou a soma acumulada de f de viações da média como
∑t( )
Yt= X m - X ¯, t = 1, ..., n (4,2)
m=1
Onde X m é a observação no ano m. Observe que, por definição, o último valor
de Y ( nomeadamente Y n) será sempre zero, pois é calculado como a soma total
do n observações menos n- vezes a média. O alcance R n do Y é dado pela
diferença entre o maior e o menor valor de Y, nomeadamente
R n = max ( Y 1, Y 2, ..., Y n) - min ( Y 1, Y 2, ..., Y n).
Para obter uma medida padronizada e um número puro, Hurst dividiu a faixa
pelo desvio padrão da observação, obtendo então
Rn= max ( Y,
1 Y √,
2 ..., Y n) (- min ( Y 1), Y 2, ..., Y n)
. (4,3)
sn 1∑ n
2
n t=1Xt - X̄
A relação que liga o intervalo redimensionado ao expoente de Hurst foi
encontrado 10 ser estar
Rn=c · nH
(4,4)
sn
10 Na verdade, Hurst descobriu que a relação era R n =
( )
n H, e depois Mand
sn 2
Elbrot
propôs a forma expressa na equação (4.4).
Onde c é uma constante, n é o número de observações, e H é o expoente de
Hurst. Então, o expoente de Hurst pode ser facilmente calculado tomando
logaritmos dos lados esquerdo e direito da equação anterior, obtendo
ln R n / s n) = ln c) + H · ln n). (4,5)
Finalmente, o valor de H é obtido calculando a regressão linear simples para
todos os subperíodos e estimando o coeficiente angular da regressão.
O expoente H pode assumir qualquer valor real entre 0 e 1, mas três cenários
importantes diferentes podem ser definidos, e são os descritos também no fBM.
No entanto, sabendo o significado matemático do expoente
H, alguns detalhes adicionais podem ser adicionados:
• H=1 2: não há dependência entre os valores observados, que então

siga um Caminhada aleatória;
• H<1 2: há dependência negativa, tornando a série anti-persistente

e, assim, a tendência é frequentemente revertida: isso significa que uma tendência positiva é
geralmente seguido por um negativo, criando um mesquinho Series;
• H> 1 2: há dependência positiva, tornando a série persistente e, portanto,

uma tendência positiva deve ser seguida por outras observações
na mesma direção.
4.3.1 Relação com a dimensão fractal
Embora não pareça óbvio o link, Mandelbrot 11 explicou a relação entre o
expoente de Hurst e a dimensão fractal. No

11 Ver Mandelbrot - "The Fractal Geometry of Nature", Times Books (1982).
4.3. HURST EXPONENT E ANÁLISE DE R / S 47
particular, foi provado que para uma série temporal descrita por um movimento
browniano fracionário, a dimensão fractal do gráfico fBM pode ser descrita
por
D H ( G X) = D M ( G X) = 2 - H (4,6)
Onde
{ }
G X = ( t, Y) ∈ R 2 | Y = X (t) ∧ t ∈ [ 0, ∞)
é o gráfico de um movimento browniano fracionário X (t) com expoente de Hurst 0 <H
<1.
Portanto, tendo que o expoente de Hurst pode assumir qualquer valor entre 0 e
1, isso leva à conclusão de que a dimensão fractal do gráfico de um movimento
browniano fracionário é um valor entre 1 e 2, o que significa que seu padrão é
maior que uma linha e menor que um plano. Em fórmulas:
1 < D H ( G X) = D M ( G X) < 2

Fracatais PDF Universitario (001-052) .En - PT

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Fracatais PDF Universitario (001-052) .En - PT

Enviado por

Direitos autorais:

Formatos disponíveis

Traduzido do Inglês para o Português - www.onlinedoctranslator.

Programa de Mestrado - Segundo

A Teoria do Mercado Fractal e

3 Fractais: características e exemplos 15

5 Hipótese do Mercado Fractal 49

6 Uma estratégia de negociação fractal 57

6,1 Introdução à negociação. . . . . . . . . . . . . . . . . . . . . . . 57

6.1.1 Diferentes mercados para diferentes investimentos . . . . . . . 57

6.1.2 Horizonte e indicadores de investimento. . . . . A . . . . . . . 59

6,2 estratégia de negociação. . . . . . . . . . . . . . . . . . . . . . . . 60

6.2.1 Índice de Canal de Mercadorias de Média Móvel . . . . . . . 61

6.2.2 de Convergência / Divergência. . . . . . . . . . . . . . . . 64

6.2.3 Movendo Hurst. . . . . . . . . . . . . . . . . . . . . . . . 66

7,2 Implementação e resultados. . . . . . . . . . . . . . . . . . . . 75

7.2.1 Desempenho do Dow Jones Industrial Average. . . . . 75

Desde o nascimento dos mercados financeiros, analistas e investidores têm tentado

encontrar um modelo que possa explicar (e possivelmente prever) o caminho que os

mercados estão seguindo. Conhecendo esse modelo, os investidores podem tentar

diferentes estratégias de investimento.

mais importantes é a Hipótese de mercado eficiente, proposto por Eugene

Fama em 1970. Muitos outros estudiosos deram sua contribuição, direta ou

indiretamente, ao EMH que ainda é estudado e referido como a base das

teorias de risco modernas de preços de ativos.

reais. Então, muitas teorias alternativas foram propostas, e neste

em 1991. Esta teoria resolve todas as inconsistências que estavam presentes no

Hipótese de mercado eficiente e analisa os mercados sob uma perspectiva diferente,

permitindo a existência de uma memória de longo prazo nos preços de mercado e

oferecendo novas possibilidades aos investidores.

haja uma definição rigorosa, em matemática, um fractal é uma figura particular

propriedade é chamada auto-similaridade, e é uma das características do

modelo proposto por Peters. Para melhor compreender os conceitos que

iremos utilizar nesta dissertação, as principais características dos fractais e da

geometria fractal serão profundamente analisadas e descritas com exemplos

antes de introduzirmos o Hipótese do Mercado Fractal.

Além disso, os fractais também estão presentes na estratégia de negociação que

decidimos aplicar a algumas séries temporais de preços de mercado. A estratégia, que é

meramente especulativa e não tem finalidade de hedge, é desenvolvida nas mesmas

premissas do FMH e aplica alguns conceitos da geometria fractal a um novo indicador

técnico utilizado para a tomada de decisões de investimento. As séries temporais nas

explicados em profundidade, a fim de compreender melhor o investimento

às técnicas de negociação e investimento, apresentando os vários tipos de investidores e

descrevendo as ferramentas utilizadas em uma estratégia de negociação, como gráficos

de velas e indicadores. Além disso, apresentamos brevemente o artigo produzido por

indicador técnico que usaremos em nossa aplicação.

A estratégia será calculada de cinco maneiras diferentes para cada instrumento.

Cada método usa um procedimento diferente para estimar o valor do parâmetro

para cada instrumento, uma estratégia semelhante usando um indicador tradicional

(a Convergência / Divergência da Média Móvel) será aplicada e usada como

Em seguida, os desempenhos da estratégia de negociação serão avaliados para todos os

2.1 Louis Bachelier e o Théorie de la spéculation

A primeira contribuição importante para a teoria que se tornará o

pequenas flutuações no preço vistas em um curto intervalo de tempo devem ser

independentes do comportamento anterior do processo. Combinando essas suposições com

o Teorema do Limite Central, ele chegou à conclusão de que os incrementos do processo

também são independentes e normalmente distribuídos. Na verdade, ao seguir todas essas

cada evento futuro possível, a fim de avaliar sua chance de acontecer.

2.2 Eugene Fama e o Hipótese de mercado

Nos primeiros anos após a publicação do Théorie de la spéculation, A obra de

tópicos semelhantes começaram a ser publicados, e um livro publicado em 1912 por

matemáticos como Andrey Kolmogorov e William Feller, tornando mais acadêmicos

descobrem o trabalho do matemático francês. Finalmente, em 1965, Eugene Fama,

estudando a obra de Paul Samuelson e todos os trabalhos anteriores escritos pelos

já citados e outros estudiosos, introduziu em sua tese de doutorado o Hipótese de