1

Projeto de filtro adaptativo para a predição no mercado financeiro

Gustavo Nasser Mazzo1

1
Universidade de São Paulo – Faculdade de Engenharia Elétrica

O intuito deste trabalho é reproduzir alguns dos resultados alcançados pela referência 4 citada ao final deste paper. Desta forma, será
feita uma breve explicação do problema, realizando as derivações necessárias. E por fim serão apresentando os resultados. Além disso,
tentarei ao longo deste trabalho destacar alguns pontos que podem ser melhorados no artigo utilizado como base deste estudo, bem
como ideias para novos estudos. De maneira geral, o trabalho a seguir apresenta como utilizar a técnica de filtragem adaptativa para a
predição de preços e tendências de ativos listados na bolsa de valores. Para isso será utilizado o algoritmo NLMS. Após uma breve
introdução conceitual, será realizada a aplicação da metodologia para previsão do comportamento do ativo PETR3 (Petrobras
ordinária).

Index Terms— NLMS, Normalized Least-Mean-Square, filtros adaptativos, predição, ativos financeiros

mercado na função de previsão de tendências de preços,

I. INTRODUÇÃO permitindo então que este identifique oportunidades de
“trading” com boa relação entre risco e retorno através de

E xistem diversas aplicações práticas que não podem ser

resolvidas com sucesso utilizando filtros digitais fixos, ou
porque não possuímos informação suficiente para projetar o
filtro com coeficientes fixos ou porque os critérios do projeto
mudam durante a operação. Uma boa parte destas aplicações
pode ser resolvida por um tipo especial de filtro chamado de
filtro adaptativo. A característica dos filtros adaptativos que os
distingue dos demais é que eles podem modificar sua resposta
automaticamente durante a operação para melhorar o seu
desempenho.
Os filtros adaptativos são formados por três módulos:
1) Estrutura do filtro: módulo que produz a saída do
filtro a partir de medições do sinal de entrada. A
estrutura é fixa e seus parâmetros são ajustados pelo
algoritmo adaptativo;
2) Critério de desempenho: a saída do filtro e a
resposta desejada são processadas pelo de critério de
desempenho para avaliar sua qualidade em relação
aos requisitos da aplicação;
3) Algoritmo adaptativo: este módulo utiliza o valor
do critério de desempenho, e dos sinais de entrada e
resposta desejada para decidir como modificar os
parâmetros do filtro e melhorar o seu desempenho.
Existem várias aplicações onde os filtros adaptativos podem
ser empregados. Essas aplicações podem ser classificadas em
quatro classes conforme [MAN 2000]:
1) Identificação de sistemas
2) Inversão de sistemas
3) Predição de sinal
4) Cancelamento de interferências
Neste caso, o objetivo desta pesquisa é desenvolver um
sistema de previsão de ativos financeiros (focado no mercado
de “ações”). Este sistema irá exercer a função do operador de
outro sistema de tomadas de decisão (que não será objeto de
estudo deste projeto).
Para o desenvolvimento deste sistema de previsão,
pretende-se utilizar modelos de inteligência computacional,
tais como, filtros adaptativos, que servirão de base para
predição dos preços dos ativos no mercado financeiro.
Uma série de modelos técnicos (ou indicadores técnicos) e
fundamentalistas auxiliam os operadores na tomada de decisão
do que comprar e vender, a qual preço e qual o momento ideal
para a realização do negócio. Porém, a efetiva utilização de
tais indicadores por parte dos operadores só é alcançada após
longa experiência. Os algoritmos de inteligência artificial
podem ser utilizados para simular a experiência adquirida ao
longo dos anos pelo trader.
A vantagem de um sistema de trading sobre um operador é
que o primeiro age de modo imparcial, alheio a qualquer
interferência emocional e de maneira consistente. Já os
operadores estão sujeitos a interferências de natureza
emocional, muitas vezes expondo-se a riscos desnecessários e
estando sujeito a erros.
II. FORMULAÇÃO DO PROBLEMA
De maneira similar ao problema descrito na referência 4,
pretende-se realizar a previsão dos preços das ações de PETR3
(Petrobras ordinária), negociadas na BVMF (Bolsa de Valores
de São Paulo). Foram utilizadas as cotações de fechamento de
PETR3 no período de 03/01/2000 até 23/09/2009. As
cotações históricas foram obtidas através do site
www.analistademercado.com.br.
Gostaria de enfatizar que diferentemente do artigo original,
as cotações utilizadas nestas simulações foram ajustadas após
os eventos corporativos. Isso pode ser facilmente percebido
analisando a figura 3 entre as amostras 2000 e 2200. Existe
um degrau acentuado nas cotações durante este período que
 2

denuncia esta falta de cuidado.

Importância do ajuste de proventos

Quando o preço de um ativo muda devido a um evento
corporativo (dividendos, juros sobre capital próprio,
bonificação, inplit, split e outros), as cotações anteriores dos
gráficos precisam ser ajustadas de forma que a variação entre
cada período represente exatamente a oscilação ocorrida nos
pregões. Se os ajustes não forem feitos, as informações dos
gráficos podem representar uma oscilação entre os períodos
diferente da que realmente ocorreu, prejudicando assim a
análise do ativo.
III. SOLUÇÃO ADOTADA
O filtro adaptativo (figura 1) deverá predizer o futuro para
os sinais desejados baseando-se nos sinais passados. Neste
caso a sua ordem (M) grande suficiente para “lembrar” os
valores anteriores.
A estrutura com atraso na entrada, como demonstrada na
figura abaixo, foi utilizada para realizar a predição
[Haykin,2001].
Percebe-se que o algoritmo NLMS possui um passo
variante no tempo que permite ele convergir mais rapidamente
se comparado com o algoritmo LMS
()
‖ ‖
Além disso, o custo operacional do algoritmo NLMS para
cada iteração é de:
- valores reais: 3M+1 multiplicações, 3M adições e 1 divisão
Já o custo operacional do algoritmo RLS é muito maior para
cada iteração:
- valores reais: M2+5M+1 multiplicações, M2+3M adições e
3 divisões
Desta forma, optou-se escolher para esta simulação o
algoritmo NLMS ao invés do RLS como no artigo original.
Nas simulações feitas para o mercado financeiro, o sinal de
ruído, como apresentado na figura 1 foi desconsiderado. Outra
forma de interpretar poderia ser considerar o ruído como parte
do sinal de entrada (cotações de PETR3).

IV. SIMULAÇÃO

Nas simulações foi utilizado o algoritmo NLMS nativo do

Matlab disponível através do comando “adaptfilt.nlms” (ver
help do sistema para mais detalhes).
As simulações foram realizadas utilizando-se os seguintes
parâmetros:
 = 0.2 (suficiente para acompanhar a oscilação
Figura 1 - Diagrama geral de filtro adaptativo para predição de sinal dos preços)
 M = 100 (ordem do filtro)
Detalhes do algoritmo NLMS

Considerando uma variável aleatória d com realizações

{d(0),d(1),...} e um vetor de média zero u com realizações
{u0, u1,...}. O vetor wo ótimo dado por

| |

- u(i) – sinal de entrada (a ser previsto)

- v(i) – sinal de ruído
- d(i) – sinal de entrada mais ruído
- w – coeficientes do filtro adaptativo
- – passo de adaptação
- – parâmetro de adaptação

Pode ser aproximado interativamente pelo algoritmo

recursivo abaixo:

[ () ] Figura 2 - Cotação real versus prevista = 0.2

‖ ‖

Analisando a figura 2 e 3, percebe-se claramente que a
previsão de cotações geradas pelo algoritmo adaptativo se
aproxima muito das cotações reais. Porém, elas apresentam
um atraso significativo em relação à cotação real. Desta forma,
tomar qualquer tipo de decisão de compra ou venda de PETR3
analisando apenas este resultado pode representar um alto
risco de perdas, pois se estará trabalhando com informações
desatualizadas sobre o ativo em questão.
No artigo de referência, é analisado um período muito
pequeno (figura 5) para concluir que o algoritmo é eficiente na
previsão das cotações de PETR3.
Figura 3 - Cotação real versus prevista - zoom das amostras 2000 à 2200
= 0.2
Figura 4 - Sinal de erro do filtro durante a predição
Analisando-se a figura 4, pode-se perceber um aumento do
sinal de erro a partir da amostra 1500. Acreditamos que este
evento possa estar diretamente relacionado ao aumento de
volatilidade nas cotações do ativo em estudo. O que nos faz
acreditar nesta hipótese, é que o período se localiza em torno
grande crise que atingiu os mercados em 2008. Porém, mais
estudos são necessários em torno desta questão para confirmar
esta hipótese.
Previsão de tendências
Voltando ao problema da predição, uma alternativa seria
utilizar o algoritmo de filtragem adaptativa para prever
capturar tendências de longo prazo do ativo (tendência de alta
ou baixa) ao invés de tentar prever as suas cotações.
3
As tendências de longo prazo apresentam uma dinâmica
mais lenta e comportada, permitindo que o algoritmo a
identifique antes que a mesma acabe.
Uma maneira de realizar a previsão de tendência seria
utilizando um passo de adaptação menor, de maneira que o
filtro seja apenas capaz de prever as oscilações relacionadas a
tendência do ativo, ignorando as variações dos preços no curto
prazo. Desta forma repetimos a mesma simulação anterior
utilizando os seguintes parâmetros:
 = 0.01 (suficiente para acompanhar a oscilação
dos preços)
 M = 100 (ordem do filtro)
Figura 5 - Cotação real versus prevista μ = 0.01
= 0.2
Figura 6 - Cotação real versus prevista - zoom das amostras 2000 à 2400
μ = 0.01. Setas vermelhas indicam o momento de venda do ativo e setas
verdas indicam momento de compra
Analisando-se as figuras 5 e 6 percebe-se claramente que o
sistema de filtragem adaptativa foi capaz de prever as
tendências de longo prazo relacionadas ao preço do PETR3
com melhor precisão do que previsão de tendências de curto
prazo.
Na figura 6 foi realizada uma breve ilustração de um
possível algoritmo de trading que poderia ser implantado
utilizando a previsão de tendência feita pelo algoritmo que
produziria resultados positivos (lucro).
 4

Algoritmo de trading VII. REFERÊNCIAS

 Sinal de compra - Seta verde - quando a cotação [1] Ali H. Sayed “Adaptive Filter” IEEE Press and John
real ultrapassa a cotação prevista Wiley & Sons, INC
 Sinal de venda - Seta vermelha – quando a [2] Simon Haykin, Adaptive Filter Theory, 4th ed., Prentice
cotação prevista ultrapassa a cotação real Hal.
[3] Ali H. Sayed “Fundamentals of Adaptive Filtering” IEEE
V. CONCLUSÃO Press and John Wiley & Sons, INC
[4] J. E. Wesen, V. Vermehren V. e H. M. de Oliveira
“Adaptive filter design for stock Market prediction using
A utilização da filtragem adaptativa não forneceu resultados
correlation-based criterion”
muito eficientes na realização de previsão de curto prazo, tais
como na precificação dos preços de fechamento diário de
ativos financeiros como PETR3. Por outro lado, a ferramenta
apresentou resultados interessantes na sua utilização para a
previsão de tendências de preços de um determinado ativo.
Segue a sugestão para que novos estudos sejam realizados
em torno deste tema para verificar qual o melhor passo a ser
utilizado de forma a maximizar o lucro e se o mesmo
algoritmo é valido para outros ativos. Além disso, como
alternativa, poderiam ser utilizado algoritmos de filtragem
adaptativa mais simples como o LMS que não convergem tão
rapidamente.

VI. NOTAÇÃO UTILIZADA

Seguem algumas considerações a respeito da notação

utilizada neste artigo

1. Tipo de variáveis

 Aleatória – letra em negrito

 Determinística – letra sem negrito
 Escalar – letra minúscula
 Vetor – letra minúscula
 Matriz – letra maiúscula

2. Outras variáveis

 M = número de Taps de um filtro

 N = número de observações

3. Dependência temporal (diferencia vetores de escalares)

 d(i) – para variáveis escalares

 di – para vetores

4. Transposição

 AT = vetor ou matriz transposta

 A* = vetor ou matriz transposta conjugada

5. Tipo de vetores

Todos os vetores são do tipo coluna com exceção do vetor

ui que é definido com vetor linha.