Inteligência Artificial Redes Neurias Apoio à tomada de decisões no Mercado Financeiro utilizando Redes Neurais Prof. Dr. Ivan Rizzo Guilherme Daniel Carlos Guimarães Pedronette

Problema Tomada de Decisões no Mercado Financeiro Determinar melhores momentos para compra e venda da Ação Antecipar Movimentos de Subida e Queda “Capacidade de Prever o Futuro”

Características do problema Abundância de Dados Cotações, Valores de Compra/Venda, Indicadores Estatísticos Indicadores Estatísticos Indicadores numéricos que normalmente variam de 0 a 1 tentando identificar tendências de ascensão ou queda de preços Rudimentares Funcionam bem para grandes variações de preços Exemplos: Momento, IFR (Índice de Força Relativa), Volume, etc

Características do problema Dificuldade de análise dos dados disponíveis Como determinar quais as informações mais significativas? Como sintetizar a grande quantidade de informações? Necessidade de grande flexibilidade na avaliação dos dados

Solução Proposta Utilização de Redes Neurais Aprendizado Supervisionado Modelo Back-Propagation Linguagem Java Pacote de Redes Neurais JOONE Aplicação de Regras à saída da Rede Neural para gerar Indicativos de Compra/Venda

Redes Neurais Artificiais Conjunto de Entradas Numéricas Conjunto de Unidades de Processamento -“Neurônios”, com várias entradas e uma saída Cada entrada possui um determinado peso sináptico: fator de multiplicação Aprendizado: ajuste dos pesos segundo o resultado desejado Função de Ativação produz Saída Numérica

Redes Neurais Artificiais Erro

Dados de Entrada Dados reais da Bovespa Formato: texto separado por ; Tempo de Atualização: ajustável. Inicialmente em 1 min. Cotação da Ação, Valor de Compra, Valor de Venda, Última Oscilação, Volume de Negociações Indicadores Estatísticos: PP, SMI, Momento, IFR, Fôlego

Pré-Processamento dos Dados Definição do Valor Esperado Para um conjunto de dados de Entrada, qual a Saída desejada? Valores Esperados Estipulados: 0, 0.5, 1 Momento que antecede uma queda, marcado com valor 0: Venda Momento que antecede uma alta, marcado com valor 1: Compra Demais Momentos marcados com 0.5: Neutro Utilizado Microsoft Excel, exportando para arquivo texto

Topologia da Rede 3 camadas de neurônios (Entrada,Intermdiária,Saída) Camada de Entrada: 11 neurônios (10 entradas e o Valor Esperado) Camada Intermediária: 20 neurônios Camada de Saída: 1 neurônio: Saída Final

Outros Parâmetros da Rede Momento da Rede: 0.4 Taxa de Aprendizado: 0.8 Monitor, ligado às camadas ajustando os parâmetros acima e coordenando o Aprendizado Sinapses: FullSinapse, todos os neurônios se comunicam com todos Tipo de Camada: SigmoidLayer Função de Ativação:

Topologia da Rede

JOONE - Java Object Oriented Neural Engine Free framework para criação, treinamento e teste de Redes Neurais Modelo Back Propagation Objetos disponíveis: Vários tipos de Camadas Vários tipos de Sinapses Intercâmbio de dados: Arquivos texto, HTTP, FTP

Codificação da Rede Neural

Aplicativo Java

Treinamento e Processamento Utilizada média de 150 registros para treinamento Resultados satisfatórios entre 20.000 e 30.000 ciclos ou mais. Treinamento necessita de grande capacidade de processamento Após treinamento Rede Neural processa rapidamente os resultados

Pós-Processamento Objetivo: Gerar Indicativos de Compra e Venda a partir da Saída Numérica no intervalo [0,1] A cada saída da Rede Neural, calcula-se a Variação em relação ao Valor Anterior Definir um valor numérico constante para o Indicador de Tendências Regra: Variação > + Indicador: Ordem de Compra Variação < - Indicador: Ordem de Venda Indicador Maior : menos movimentos, menos erros Indicador Menor: mais movimentos, mais erros

Visão Geral do Processo

Resultados Gerados Simulações: se alguém tivesse “obedecido” todos os sinais da Rede, quais seriam os resultados? Ação USIM5 (Usiminas) Período: aproximadamente 5h Atualização: a cada 1 minuto Resultados: 12 Movimentos Nulos 6 Movimentos Certos 1 Movimentos Errados Saldo: R$ 0,71 (aproximadamente 2,41% do valor inicial da Ação)

Resultados Gerados

Desafios e Dificuldades Otimização dos parâmetros da Rede Neural: Tipo de Camadas e Sinapses Número de Neurônios Momento e Taxa de Aprendizagem Definição de valores ótimos de Intervalos de Atualização e Indicadores de Tendência Aperfeiçoamento do desempenho é um processo empírico

Links URLs: http://www.bovespa.com.br http://www.investshop.com.br http://www.jooneworld.com