Escolar Documentos
Profissional Documentos
Cultura Documentos
São Paulo
2015
Guilherme Sola dos Santos
Orientador:
Prof. Dr. Marco Antonio Leonel
Caetano – Insper
São Paulo
2015
Guilherme Sola dos Santos
Orientador:
Prof. Dr. Marco Antonio Leonel
Caetano – Insper
Data de Aprovação:__/__/____
Banca Examinadora
_________________________________
_________________________________
_________________________________
AGRADECIMENTOS
RESUMO
ABSTRACT
In this work we studied the capability of fuzzy logic being used in stock markets, and
particularly the Brazilian stock Market. To do that, many tests were made with
different types of portfolios based on Brazilian and American assets to make
possible various ways of comparison. Price previsions were simulated from daily
and intraday returns, using programed codes at Matlab and VBA-Excel. This work is
an academic version for these new tools of fuzzy logic to show practical results,
making possible to compare this new methodology with other classic ones used to
forecast stock market portfolios returns.
7
Lista de Ilustrações
Lista de Tabelas
Sumário
Alguns anos depois, Graham & Dodd (1934) criaram uma nova hipótese,
tentando agora entender o mercado a partir de análises feitas com base nas
informações numéricas das empresas. Conhecido como Análise
Fundamentalista, esse estudo é feito a partir de balanços financeiros,
demonstrativos de resultados e fluxos de caixa.
2.2 Defuzzificação
Essa etapa pode ser feita de algumas maneiras, sendo as mais conhecidas:
(a) baseando a decisão no centro de massa das funções de pertinência e (b)
através do método Mamdani, elaborado por Mamdani (1974), onde a decisão é
baseada na média dos máximos das funções.
2.3 Aplicação
(d) Para nomear as variáveis, basta clicar em cada uma e alterar o campo
‘Name’ na caixa que mostra as características das variáveis.
(c) Definir a informação que deseja. Para isso, basta procurar no campo
‘Search Text’. No caso a informação desejada era o último preço da ação
de cada dia, denominado ‘PX_LAST’ pela Bloomberg.
29
Foram utilizados os primeiros 1000 dias úteis dos dados coletados, relativos
à jan/2010 até jan/2014. Tais dados estão na figura 20 a seguir:
31
Em resumo, se uma ação teve retorno diário de -2% até -0,75%, ele pode
ser interpretado linguisticamente como um retorno “Muito Baixo” nesse
dia. Essa lógica funciona para todos os intervalos.
(c) Feito isso, foi possível criar uma matriz de relações que servirão de base
para a criação das regras. Partindo da tabela anterior, a matriz fica da
seguinte maneira:
Para a aplicação da lógica nebulosa, foi utilizado o software Matlab. Nele foi
necessário programar um algoritmo para, além de efetuar a lógica, ser possível
repeti-la diversas vezes. O capítulo 4 irá tratar de maneira mais detalhada sobre
esse tema, mostrando a programação, entradas necessárias e as saídas criadas a
partir dos resultados encontrados.
Figura 27 – Lógica de leitura de ação pivô e adequação dos nomes dos gráficos
(e) Definição do nome e domínio das entradas, seguida pela criação das
funções de pertinência
Esse passo deve ser feito para cada uma das variáveis de
entrada e também para a variável de saída (Ação Pivô). As imagens a
seguir mostram um exemplo de código para entrada, código para
saída e a saída final das funções de pertinência.
Para esse teste foi simulada uma carteira com as ações PETR4 (Petrobras),
CIEL3 (Cielo), GGBR4 (Gerdau) e USIM5 (Usiminas). Todas elas pertencem a
diferentes setores e fazem parte do índice Bovespa. Os primeiros resultados foram
adquiridos através de uma simulação considerando ser possível utilizar os preços
de fechamento das ações não-Pivôs em determinado dia para estimar o retorno da
ação Pivô neste mesmo dia [D0].
5.1.1 Correlação
Com toda a automação pronta foi possível aplicar o processo para as outras
ações. O primeiro resultado básico obtido é a matriz correlação, que ficou da
seguinte maneira:
Essa tabela ficará armazenada para futuras comparações com outros tipos
de carteiras diferentes, como uma com ações de um mesmo setor, por exemplo.
50
Para resolver esse problema foi preciso alterar a quarta coluna da matriz de
regras de entradas para USIM5, a coluna de pesos de regra.
O intuito de tais mudanças foi forçar com que o vetor dos retornos estimados
pela lógica fuzzy tivesse média próxima de zero, da mesma forma que acontece
com a média dos retornos de mercado.
52
Os testes feitos considerando 21 dias úteis foram repetidos para 126 dias
úteis. A intenção de tal teste é tentar identificar como as regras baseadas nos
mesmos 1000 dias úteis observados anteriormente se comportam em um prazo
maior.
Figura 45 – Preços das ações da carteira diversificada nos 252 dias úteis de
simulação
Além desses testes feitos para a carteira diversificada, também foram feitas
simulações considerando uma carteira com ativos do mesmo setor.
Para esse teste foram usadas as ações ARZZ3 (Arezzo), AMAR3 (Marisa),
HGTX3 (Hering) e LREN3 (Renner), todas pertencendo ao setor de roupas e
calçados do mercado brasileiro.
A escolha dessas ações foi decorrida do fato de que existem poucos setores
no mercado brasileiro com quatro ou mais ações listadas na bolsa. Além disso,
dentro dos setores que existem com tal característica, é difícil encontrar pelo
menos quatro ações com um volume de negociação razoável. No setor de roupas e
calçados (considerando essas quatro ações), por exemplo, o volume médio anual
de ações negociadas é cerca de 1,4 milhões por dia, como visto na tabela.
56
Tabela 11 – Volume médio de 252 dias úteis para as ações da carteira setorial
brasileira
5.2.1 Correlação
Figura 46 – Preços das ações da carteira setorial nos 21 dias úteis de simulação
Figura 47 – Preços das ações da carteira setorial nos 126 dias úteis de simulação
Para essa carteira setorial não foi possível executar os teste para 252 dias
úteis, pois nem todas as ações tinham preço histórico para esse período.
toma a decisão de como vai ser posicionar nas ações da PETR4 para o dia
seguinte (24/jan/2014). Esse tipo de teste vai ser denominado como [D-1],
enquanto os testes anteriores como [D0].
H0: μA = μB
Nesse teste, a hipótese nula é que as médias dos retornos das carteiras são
iguais. Como o p-valor uni-caudal desse teste é ligeiramente maior do que alfa
(considerando 95% de confiança novamente), não é possível rejeitar H0. Isso quer
dizer que, tanto para carteira diversificada, quanto para carteira setorial, a eficiência
da lógica fuzzy foi a mesma.
Como feito com o teste-F, o teste-T foi repetido para todas as situações de
comparação das carteiras e, novamente, os resultados foram os mesmos.
Tabela 20 – Tabela resumo dos testes-F para comparação entre carteiras [D0] e [D-1]
Como nos testes entre carteiras, as variâncias são equivalentes entre todas
as carteiras comparáveis de [D0] e [D-1]. Lembrando que não existem testes para a
carteira setorial de 252 dias úteis pelo fato de não ter sido possível fazer os testes
para essa carteira nesse prazo.
Tabela 21 – Tabela resumo dos testes-T para comparação entre carteiras [D0] e [D-1]
Por conta desse resultado, um último teste foi feito para estudar se é
plausível a utilização dessa lógica em situações reais de mercado. Para tal, foi
necessária a aquisição de novos dados, dessa vez intradiários.
Tabela 22 – Volume médio de 252 dias úteis para as ações da carteira setorial
americana
Para construir a matriz regra desse cenário foram utilizados 822 valores de
retornos, equivalentes a um mês de mercado, considerando dados de preços
intradiário das 10h30 até as 16h50 em intervalos de 10 minutos. Além disso, a
previsão foi feita para um mês sequente ao mês utilizado para a criação das regras,
fazendo com que seja possível comparar os resultados com aqueles de 21 dias
úteis das previsões com ações das bolsas brasileiras.
Essa matriz, diferente das utilizadas nos testes anteriores, tem um intervalo
muito menor para montar as regras de “MuitoBaixo” até “MuitoAlto”. Dessa vez, o
intervalo vai de -0,15% até 0,15%, como visto na tabela a seguir:
A partir deles é possível concluir que os retornos intradiários não foram tão
bons quanto aqueles obtidos pela carteira diversificada [D0], mas foram tão bons
quanto os da carteira setorial [D0], ou seja, já foram menos piores do que os
retornos das carteiras em [D-1].
69
No final, para tentar agregar os dois testes em um só, foram utilizados dados
de retornos intradiários em um novo teste. O intuito deste era agrupar os bons
resultados encontrados na primeira bateria de testes ao fator de realidade com o
fator de realidade embutido no segundo, ou seja, utilizar dados passados para
prever, mas sendo tais dados de retornos das ações no mesmo dia da previsão.
Infelizmente, novamente os testes não foram muito bons para a eficiência da lógica
no mercado financeiro, mas ainda muito pode ser explorado.
até mesmo utilizar dados intradiários mais curtos (de 5 em 5 minutos ou de minuto
a minuto).
Bibliografia
RHEA, ROBERT. The Dow Theory. Barron's, New York, N.Y., 1932
DASH, R.; DASH, P. K.; BISOI, R. A differential harmony search based hybrid
interval type2 fuzzy EGARCH model for stock market volatility prediction.
International Journal of Approximate Reasoning, v. 59, p. 81–104, 2015.
JOSIP, A.; TEA, P.; ZDRAVKA, A. GARCH based artificial neural networks in
forecasting conditional variance of stock returns. v. 5, p. 329–343, 2014.
SUMARTI, N.; WAHYUDI, N. Stock and option portfolio using fuzzy logic
approach. v. 507, n. Icmns 2012, p. 504–507, 2014.
YUNUSOGLU, M. G.; SELIM, H. A fuzzy rule based expert system for stock
evaluation and portfolio construction: An application to Istanbul Stock
Exchange. Expert Systems with Applications, v. 40, n. 3, p. 908–920, 2013.
LI, X.; LIU, B. New independence definition of fuzzy random variable and
random fuzzy variable. World Journal of Modeling and Simulation, v. 2, n. 5, p.
338–342, 2006.
Apêndice
[D0]
76
[D-1]
77
Intradiários
78