dc.creator |
SILVA, Thalita Ramires da |
|
dc.date.issued |
2021-02-26 |
|
dc.identifier.uri |
https://repositorio.unifei.edu.br/jspui/handle/123456789/2410 |
|
dc.description.abstract |
Financial time series predictions are a challenge due to their nonlinear and chaotic nature. In
recent decades, many researchers and investors have studied methods to improve quantitative
analysis. In the field of artificial intelligence, sophisticated machine learning techniques, such
as deep learning showed better performance. In this work, an automated trading system, an
algotrading, to predict future trends of stock index prices Ibovespa is showed and evaluated.
Using an LSTM-based (Long Short-Term Memory) agent to learn temporal patterns in the data,
the algorithm triggers automatic trades according to the historical data, technical analysis indicators, and risk management. Initially, five different strategies were developed using the LSTM
algorithm as a basis, then the model that reported the best performance was selected. During the
experimental tests, it was possible to prove that the use of trading strategy and risk management
techniques helped to minimize losses and reduce operating costs, which have a direct influence
on profitability. Subsequently, the model that obtained the best result, the LSTM-RMODV, underwent several improvements. Among them, the implementation of the Break-even and Trailing Stop techniques, and a series of optimizations for the trading strategy. Then, it was possible
to obtain a set of parameters that brought better results to the ATS (Automated Trading System),
giving rise to the new model called Algo-LSTM. In the last step, the evaluation of slippage alow
to infer that in the long-term the impact of slippage under reasonable market conditions is not
significant for the final result. Finally, the results demonstrated that the proposed method, AlgoLSTM, shows better performance when compared with other methods, including the buy-andhold technique. The proposed method also works in bear or bull market conditions, showing a
rate over net income based on invested capital of 208.23% in 2019 and 112,81% in 2015. That
is, despite the low accuracy, the algorithm is capable of generating consistent profits when all
the transaction costs and the income tax over net revenue are considered. |
pt_BR |
dc.description.sponsorship |
Agência 1 |
pt_BR |
dc.language |
por |
pt_BR |
dc.publisher |
Universidade Federal de Itajubá |
pt_BR |
dc.rights |
Acesso Aberto |
pt_BR |
dc.subject |
Avaliação econômica |
pt_BR |
dc.subject |
Algotrading |
pt_BR |
dc.subject |
Aprendizagem profunda |
pt_BR |
dc.subject |
Long shortterm memory |
pt_BR |
dc.subject |
Trading strategy |
pt_BR |
dc.subject |
Gerenciamento de risco |
pt_BR |
dc.title |
Avaliação de um algotrading baseado em deep learning para o mercado de capitais utilizando gerenciamento de risco |
pt_BR |
dc.type |
Dissertação |
pt_BR |
dc.date.available |
2021-04-27 |
|
dc.date.available |
2021-04-27T14:12:09Z |
|
dc.date.accessioned |
2021-04-27T14:12:09Z |
|
dc.creator.Lattes |
http://lattes.cnpq.br/9636430239716175 |
pt_BR |
dc.contributor.advisor1 |
PAMPLONA, Edson de Oliveira |
|
dc.contributor.advisor1Lattes |
http://lattes.cnpq.br/1230433358991861 |
pt_BR |
dc.description.resumo |
Previsões de séries temporais financeiras são um desafio devido a sua não linearidade e natureza caótica. Nas últimas décadas, muitos pesquisadores e investidores estudaram métodos para
melhorar as análises quantitativas. No campo da inteligência artificial, técnicas sofisticadas de
aprendizado de máquina, como a aprendizagem profunda, apresentaram melhor performance.
Nesta dissertação, um sistema de negociação automatizado, um algotrading, para prever as tendências futuras dos preços do índice de ações Ibovespa é apresentado e avaliado. Usando um
agente baseado em LSTM (Long Short-Term Memory) para aprender padrões temporais dos
dados, o algoritmo dispara negociações automáticas de acordo com os dados históricos, indicadores de análise técnica e gerenciamento de risco. Inicialmente, foram desenvolvidas cinco
estratégias distintas utilizando o algoritmo LSTM como base, em seguida, foi selecionado o
modelo que reportou a melhor performance. Durante os testes experimentais, foi possível demonstrar que a utilização de Trading Strategy e gerenciamento de risco ajudaram a minimizar
perdas e reduzir custos operacionais, que possuem influência direta na rentabilidade. Posteriormente, o modelo que obteve melhor resultado, o LSTM-RMODV, foi submetido à diversas
melhorias. Entre elas, a implementação das técnicas de Break-even e Trailing Stop e uma série
de otimizações do trading strategy. Com isto, foi possível obter um conjunto de parâmetros
que trouxe melhores resultados ao ATS (Automated Trading System), dando origem ao novo
modelo denominado Algo-LSTM. Em última etapa, a avaliação do slippage permitiu inferir
que a longo prazo o impacto do slippage em condições razoáveis de mercado não é significante para o resultado final. Por fim, os resultados demonstraram que o método proposto, o
Algo-LSTM, apresenta melhor desempenho quando comparado a outros métodos, incluindo
a técnica buy-and-hold. O método proposto também funciona em condições de bear ou bull
market, apresentando uma taxa sobre a rentabilidade líquida com base no capital investido de
208,23% em 2019 e 112,81% em 2015. Ou seja, apesar da baixa acurácia, o algoritmo é capaz
de gerar retornos consistentes quando considerados todos os custos de transação e imposto de
renda devido. |
pt_BR |
dc.publisher.country |
Brasil |
pt_BR |
dc.publisher.department |
IEPG - Instituto de Engenharia de Produção e Gestão |
pt_BR |
dc.publisher.program |
Programa de Pós-Graduação: Mestrado - Engenharia de Produção |
pt_BR |
dc.publisher.initials |
UNIFEI |
pt_BR |
dc.subject.cnpq |
CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃO |
pt_BR |
dc.relation.references |
SILVA, Thalita Ramires da. Avaliação de um algotrading baseado em deep learning para o mercado de capitais utilizando gerenciamento de risco. 2021. 115 f. Dissertação (Mestrado em Engenharia de Produção) – Universidade Federal de Itajubá, Itajubá, 2021. |
pt_BR |