Uma ferramenta computacional eficiente para identificação de melhores gatilhos de compra e venda de ativos financeiros

Transcrição

1 Uma ferramenta computacional eficiente para identificação de melhores gatilhos de compra e venda de ativos financeiros Bruno C. Barroso 1,Gustavo P. Hanaoka 1,Felipe D. Paiva 1,Rodrigo T. N. Cardoso 1 1 CEFET MG Centro Federal de Ensino Tecnológico de Minas Gerais (CEFET MG) Belo Horizonte MG Brazil {bbarrosobh@gmail.com, gustavopph@gmail.com, fpaiva@dcsa.cefetmg.br, rodrigoc@des.cefetmg.br} Abstract. This paper presents a computational tool for identifying best purchase and sale triggers of financial assets based on three graphical analysis techniques: candlesticks, whose objective is the perception of reversing trends (high or low) or continuity ones in the prices; stop, tool that protects your investment in case of identification error of signals, and support and resistance lines, which are values on which the asset price tends not to be exceeded. An artificial neural network is used to predict future values with the intention of confirming the signals. The methodology is validated by simulating purchases and sales only at the instants specified by the algorithm, using historical series of the stock exchange. Resumo. Este artigo apresenta uma ferramenta computacional para identificação de melhores gatilhos de compra e venda de ativos financeiros baseada em três técnicas da análise gráfica: candlesticks, cujo objetivo é a percepção de tendências de reversão (de alta ou de baixa) ou de continuidade nos preços; stop, ferramenta que protege o investimento em caso de erro nas identificações de sinais; e linhas de suporte e resistência, valores nos quais o preço do ativo tende a não ultrapassar. Uma rede neural artificial é utilizada para a previsão de valores futuros com a intenção de se confirmar os sinais emitidos. A metodologia é validada simulando compras e vendas apenas nos momentos indicados pelo algoritmo, utilizando séries históricas da bolsa. 1. Introdução De forma dispare há duas correntes de pensamento no mercado de investimentos de ativos financeiros. A primeira e com amplo número de adeptos no meio acadêmico, é a análise fundamentalista, que concentra seus estudos nos fatores que afetam as situações de oferta e demanda de um mercado, com o objetivo de determinar o valor intrínseco de um ativo (Chaves, 2004). Por meio de tal avaliação, o analista é capaz de comparar os preços encontrados com aqueles praticados pelo mercado e assim classificá-los em sobre avaliado, subavaliado ou condizente com o valor de mercado. Em vista disso, a análise fundamentalista define qual o ativo deve ser vendido ou comprado. Já a segunda corrente, de grande afeição dos profissionais de mercado, é a análise técnica, que firma seus estudos no comportamento histórico do mercado para determinar o estado atual ou as condições futuras do mesmo (Murphy, 1986). O analista

2 técnico observa tendências de tal comportamento e avalia a reação do mercado a elas. Em sua essência, a análise técnica assume que os mercados exibirão comportamentos futuros que são condizentes com o passado, ou seja, o técnico se orienta pela repetição de padrões de comportamento do mercado. A análise tem como objetivo a previsão de movimentação de preços, orientando a entrada ou saída do mercado. De acordo com Rotella (1992), a análise fundamentalista é inerentemente profética, pois o analista faz projeções que objetivam encontrar equações futuras para as curvas de oferta e demanda do mercado. O fundamentalista frequentemente visa obter o dueto: causa e efeito de uma variável e seus impactos sobre o mercado, ou seja, preocupam-se em definir o motivo pelo qual os preços se direcionarão no futuro. Rotella (1992) destaca que a análise técnica pode ser usada tanto de maneira reativa como profética. No primeiro método, o analista responde a uma situação ocorrida. Já através do segundo método, o técnico tentará antecipar o que pode ocorrer no futuro, segundo suas observações do mercado. Segundo Rotella (1992), a premissa básica para a análise técnica está no fato de que todos os fatores que, direta ou indiretamente, afetam o mercado, como as informações fundamentalistas, comportamento emocional ou leis naturais, são refletidos nas duas principais fontes para a análise: o preço e volume praticados pelo mercado. Utilizando ferramentas da análise técnica, o presente trabalho objetiva prever melhor os momentos de compra e venda através de candlesticks, uma técnica japonesa de reconhecimento de padrões em séries temporais financeiras, com o suporte de previsões realizadas através de redes neurais. Dessa maneira, reconhecido um padrão indicativo de tendência através dos candles, uma rede neural é chamada para realizar a previsão do valor do ativo três dias após o indicativo fornecido. Caso a rede neural confirme a tendência indicado pelos candles, um sinal é enviado para o investidor. Além disso, outras ferramentas da análise técnica são utilizadas, como as linhas de resistência e suporte e o stop. Caso sejam identificadas linhas de resistência ou suporte, é enviado um sinal de compra ou de venda para o investidor no momento que o preço atingir o valor identificado. No caso do stop, caso o preço atinja o seu valor determinado automaticamente no momento da compra, um sinal de venda é automaticamente enviado. Nessa mesma vertente, Mizuno et al (1997) propuseram a utilização de redes neurais para determinar melhores momentos de compra e venda. A previsão da rede neural servia como auxílio a medias móveis, outra ferramenta da análise técnica. Marques (2009) apresenta um procedimento para a parametrização do indicador de análise técnica do mercado financeiro chamado Moving Average Convergence Divergence (MACD), propondo a criação de uma nova ferramenta de auxílio à tomada de decisão em investimentos O sistema desenvolvido ainda utiliza algoritmos genéticos na busca dos melhores fatores de alisamento que compõem o MACD e incorpora uma máquina de inferência fuzzy de forma a tornar o indicador mais seguro nas ordens de compra e venda. Ferreira (2009) propõe um trading system que realiza a análise gráfica aprendendo de forma autônoma a reconhecer padrões em séries e determinando automaticamente gatilhos de compra e venda de uma determinada ação. Em seu trabalho, utiliza redes neurais na intenção de prever padrões de candlesticks. Dessa forma, não se limita apenas aos padrões já catalogados, pois a rede neural pode prever algum outro tipo de sequencias de candles que determinam algum padrão.

3 Este trabalho está organizado da seguinte forma: a Seção 2 apresenta uma revisão bibliográfica com os principais conceitos, a Seção 3 explica a metodologia do trabalho, a Seção 4 apresenta os resultados e sintetiza algumas conclusões, e a Seção 5 faz as considerações finais, apresentando sugestões de trabalhos futuros. 2. Revisão Bibliográfica 2.1. Ferramentas da análise técnica As ferramentas da análise técnica têm como objetivo comum indicar gatilhos de compra ou de venda de ativos. O presente trabalho considera os candlesticks, as linhas de resistência e suporte e ainda o stop como proteção de investimento Candlesticks De acordo com Elder (1993), os gráficos de candlesticks, ou simplesmente candles, são constituídos por fileiras de corpos que apresentam sombras em ambos os lados. O corpo representa a distância entre os preços de abertura e de fechamento de um ativo em um determinado período. Se o preço de fechamento for maior que o preço de abertura, então o corpo será branco; caso contrário, o corpo do candle será preto. O extremo livre da sombra superior indica o preço máximo do dia e, por sua vez, o extremo livre da sombra inferior representa o preço mínimo do dia. Figura 1. Representação gráfica de um candle. Nison (1991), considerado o introdutor das técnicas de candlestick no ocidente, relata que estes surgiram no Japão Feudal, desenvolvidas por Munehisa Homma, filho de uma rica família de produtores. Ainda hoje os gráficos de candlesticks são muito utilizados e sua principal finalidade é de prever tendências de preços (Ferreira, 2009) Indicação de tendência através de Candlesticks No fim do século passado surgiram vários estudos no Ocidente analisando a capacidade dos candles de retratar o andamento do mercado. Foram identificadas sequências que, historicamente quando apareciam, indicavam forte tendência de previsão. Um dos

4 estudos mais conhecidos foi realizado por Nison (1991), em que mais de 50 padrões de candles são identificados e explicados, servindo de base para o presente trabalho. Por exemplo, um corpo preto significa que o preço esteve em queda no período analisado, pois a abertura foi maior que o fechamento. Um corpo branco mostra o contrário, o mercado está em crescimento, pois o fechamento foi maior que a abertura. Candles pequenos, ou seja, valor máximo próximo do valor mínimo indica que houve pouca movimentação nesse ativo durante o período analisado. Entretanto, a maioria dos padrões de identificação de tendência é composta por mais de um candle. É importante ressaltar que os candles são desenhos que contêm informações sobre as movimentações no período analisado, dessa forma, os padrões identificados através dos candles são nada mais do que identificações analisadas no próprio mercado, dessa forma cada padrão pode ser explicado através do que aconteceu com o mercado de ações. A figura 2 contêm alguns exemplos de padrões que serão explicados a seguir. O engolfo de alta é quando, após um momento de queda, o valor do ativo no período analisado possui uma abertura inferior ao candle anterior, sinalizando que a queda provavelmente continuaria. Porém, no fim do período, o fechamento ultrapassa o valor inclusive da abertura do dia anterior, isto é, as movimentações daquele período foram capazes de reverter a tendência de queda e subiram o preço do ativo. Essas características indicam que, provavelmente o preço irá subir, pois as movimentações conseguiram parar a queda que vinha acontecendo. O engolfo de baixa segue a mesma explicação que o engolfo de alta, porém, ocorre após um mercado em alta e indica tendência de queda. Já o bebê abandonado mostra que após uma queda de preço, as compras se equipararam às vendas, estabilizando o preço. Esse equilíbrio entre compras e vendas significa que a abertura e o fechamento possuem valores próximos, o que é mostrado pelo segundo candle do bebê abandonado. Após isso, o mercado começa a subir, e possivelmente continuará assim, pois finalmente as compras conseguiram se sobressair às vendas. O bebê abandonado de baixa segue a mesma explicação do bebê abandonado, porém, ocorre após um período de alta e indica tendência de baixa. Figura 2. Alguns padrões de candlesticks A ideia é, a cada padrão associar um indicativo de reversão ou continuidade de tendência, de modo que a identificação de uma futura tendência de alta gera sinais de compra e a identificação de futura tendência de baixa gera sinais de venda. Cada padrão possui sua própria eficiência de acerto, assim como sua frequência de aparecimento. Dessa forma, alguns se tornam mais confiáveis para a tomada de decisão, enquanto outros precisam de outras formas de confirmação. Nison (1991) mostra em seu livro essa frequência e eficiência, medida através de inúmeros estudos com milhares de dados. É importante ressaltar que todos os padrões, segundo o livro e também através

5 dos testes, possuem eficiência maior que 50%, ou seja, acertam mais previsões do que erram Stop O conceito de stop é muito utilizado no mercado financeiro devido à sua grande capacidade de reduzir perdas (Espindola, 2011). O stop é uma ferramenta que realiza a venda do ativo quando o preço da ação ultrapassar o preço pré-determinado pelo cliente como preço de disparo da ordem. Esse preço geralmente corresponde de 5% a 10% de perda do valor original do ativo. Dessa maneira, caso ele ultrapasse, o stop será utilizado e o ativo será vendido. O objetivo do seu uso, num primeiro momento, é resguardar o capital mesmo que com uma pequena perda, para que se possa voltar ao mercado em outro momento. Num segundo momento, se a operação inicial estiver evoluindo favoravelmente, sua função passa a ser a de proteger uma parte dos lucros auferidos até então (Noronha, 1995) Linhas de suporte e de resistência Segundo Noronha (1995), suportes são níveis de preços onde as compras feitas pelos investidores são fortes o suficiente para interromper durante algum tempo e, possivelmente, reverter um processo de queda, gerando um ponto de retorno. Já resistências são níveis de preços onde as vendas feitas pelos investidores podem gerar um processo de subida. Dessa maneira, as linhas de suporte e resistência atuam como valores prováveis de mudança de tendência do mercado, se tornando momentos interessantes para a realização de transações. O valor do ativo pode, porém, ultrapassar esse valor, geralmente acarretando uma extinção desse valor de resistência ou suporte antigo, e possibilitando a criação de uma nova barreira. Um ponto importante que os analistas técnicos costumam ressaltar é que quando uma resistência ou um suporte é rompido existe uma tendência destes pontos se reverterem, ou seja, no caso de um suporte este poderá virar uma resistência e vice-versa. Entretanto, a significância será tão relevante quanto mais significante for o rompimento Redes neurais artificiais Definição Redes neurais artificiais são modelos matemáticos e computacionais que se assemelham às estruturas neurais biológicas, com capacidade de aprendizado e generalização, que se dão pela adaptação e otimização de parâmetros ao meio externo (Braga et al., 2007). Os neurônios são unidades de processamento que após realizar operações matemáticas com os valores recebidos, sejam de entrada ou de camadas anteriores, propagam o sinal, valor ajustado, para que a rede retorne uma saída calculada. O aprendizado da rede neural pode ser obtido de três formas distintas de treinamento: supervisionado, por reforço e não supervisionado. As redes neurais mais utilizadas: Perceptron, ADALINE e MLP (Multilayer Perceptron) realizam sua aprendizagem por treinamento supervisionado, em que existem resultados desejados que

6 serão comparados com os calculados para a realização do ajuste dos pesos nos neurônios. O algoritmo utilizado para o aprendizado deve adaptar os parâmetros (pesos) buscando convergir para um resultado dentro um número finito de iterações, que significa dar a modelagem mais precisa possível ao problema estudado, observada sua complexidade (Haykin, 2001) Rede Recorrente de Elman A Rede Elman, ou rede recorrente simples, descrita em Elman (1990), é uma rede onde a realimentação capacita a realização de tarefas que se estendem no tempo. Esta característica as torna uma opção para análise de séries temporais, já que há a capacidade de memorização. Na rede Elman ocorre a recorrência de sinais, pois além do fluxo de sinais da camada de entrada para a camada de saída, há fluxo de sinais que realimentam as entradas, ou seja, o sinal de saída é tomado como entrada em dado ponto. Os neurônios ocultos contêm conexões recorrentes para uma camada de unidades de contexto que consiste de atrasos unitários, e assim, têm um registro das suas ativações passadas, o que capacita a rede a realizar tarefas que se estendem no tempo. Nas redes de Elman o estado interno da rede (contexto) em um determinado instante depende de duas coisas: da entrada da rede no momento considerado e no instante anterior. O papel das unidades de contexto é fornecer memória dinâmica à rede, pois a camada de contexto tem a capacidade de codificar toda a informação de entrada desde o começo da sequência apresentada à rede (Stoianov, 2001). Essa memória é de grande profundidade e pouca resolução: as unidades de contexto conservam um registro exponencialmente decrescente do valor anterior de saída dos neurônios da camada oculta da rede (Koskela et al, 1996). Dessa forma, redes do tipo recorrente são de particular interesse na previsão de séries temporais, já que a capacidade de realimentação possibilita a elas o reprocessamento dinâmico do erro destas saídas Uso de redes neurais em finanças Devido a sua alta capacidade de previsão em geral, as redes neurais têm sido utilizadas também na área de finanças. Por exemplo, Matsumoto (2008) utilizou informações financeiras e contábeis com o objetivo de classificar a rentabilidade futura das empresas em ruim média ou ótima. Segundo ele, os experimentos realizados evidenciam que as redes neurais geram resultados satisfatórios e melhores que os modelos de regressão linear e logística. Neto (2008) verificou a utilização de protótipos de vários modelos de redes neurais para a previsão de cotações, e mostrou a relevância da utilização de séries exógenas para melhoras na precisão das previsões geradas por redes neurais. Hanaoka et al. (2011) discutem a possibilidade de séries financeiras apresentarem ligeira previsibilidade, através de técnicas de detecção de caos, refutando a pura aleatoriedade embasada pela Hipótese do Mercado Eficiente. Em seu trabalho, foram realizados testes com as redes neurais MLP, Narxnet e Elman para a previsão de valores futuros de um ativo da bolsa de valores, sendo que esta última foi a rede que obteve melhores resultados. Já Zanetti Jr. e Almeida (1998) avaliaram a capacidade das redes neurais em prever o retorno das ações da Telebrás, mas concluíram que a grande intensidade de oscilações diárias dificultou a adequação do modelo.

7 3. Metodologia Buscou-se com o presente trabalho desenvolver uma ferramenta computacional de apoio à compra e venda de ativos de uma carteira de investimentos usando a técnica dos candlesticks, com o auxílio de previsões de preços futuros feitas por uma rede neural recorrente Elman. Como complementação, utiliza sinais de stop e análise das linhas de resistência e suporte da série no período analisado. A fim de validar a metodologia proposta, foram feitas simulações utilizando um banco de dados contendo 3902 valores de fechamento, abertura, máximo e mínimo de cinco ativos da BOVESPA (PETR4, VALE5, ELET6, USIM5, CMIG4), correspondentes ao período entre 02/01/1995 até 28/12/2010 (contabilizando um total de 3902 dados). O software comercial MATLAB foi utilizado para realização de todos os cálculos e programas. Foram realizados 13 testes utilizando 300 dados para cada ativo, percorrendo assim um total de 3900 dias para cada ativo. Cada simulação corresponde aproximadamente a um ano de bolsa de valores aproximadamente, pois se descontam os dias que a bolsa não abre (feriados, sábados e domingos). Primeiramente, é realizado o cálculo das partes dos candles: sombra superior, sombra inferior e corpo, prosseguindo com a classificação dos mesmos, identificando a qual grupo ele pertence, bem como os padrões de reversão de tendências, de acordo com a sequência dos candles necessária (catalogada) para a formação de cada padrão. Neste trabalho foram utilizados 20 padrões conhecidos, sendo escolhidos os padrões mais frequentes na prática. A identificação de uma futura tendência de alta gera sinais de compra, e a identificação de futura tendência de baixa gera sinais de venda. A cada dia que os padrões de tendência são identificados, uma rede neural é solicitada para prever o valor de três dias posteriores. Caso a rede preveja o mesmo que a análise dos candles, é criado um sinal de compra ou venda. São realizados experimentos utilizando rede neural recorrente de Elman, com duas camadas intermediárias de três neurônios cada, taxa de aprendizado de 0,1, e os 14 dias anteriores como treinamento. Como entrada da rede utiliza-se o fechamento dos dias anteriores, para obter como saída a abertura de três dias posteriores. As funções de ativação utilizadas foram sigmoidal logística para a 1ª camada intermediaria, tangente hiperbólica para a 2ª camada intermediaria e linear para a camada de saída. Para efeitos de validade estatística, são realizados 30 experimentos e o sinal é aceito caso seja confirmado em pelo menos 80% dos testes. Como forma de proteger o investidor em caso de algum sinal de transação equivocado o programa utiliza o stop, conceito muito utilizado no mercado financeiro. O valor do stop é definido automaticamente no ato da compra dos ativos, considerando 90% do valor do ativo no momento da compra. Dessa forma, caso ocorra uma queda no preço que atinja esse valor determinado, um sinal de venda é enviado. Vale ressaltar que o preço do stop varia com o aumento do ativo. Isto é, caso o preço do ativo estivesse em R$ 20,00 no momento da compra, mas cresceu para R$ 30,00 em uma semana, o valor do stop passa a ser 90% dos R$ 30,00, e não dos R$ 20,00 do momento da compra. Por fim, o programa utiliza a ferramenta chamada linha de resistência e linha de suporte, que consiste em algum valor de preço que um ativo tende a não ultrapassar. Essa ferramenta foi introduzida criando-se um algoritmo que identificava os mínimos e máximos locais e comparava-os com os anteriores, dessa forma, quando era identificado

8 um valor comum, esse valor tornava-se uma linha de resistência ou de suporte em potencial. Assim, caso o preço volte a atingi-las, um sinal de venda ou de compra é enviado para o programa. O programa implementado simula transações de compra e venda ao receber os sinais, comprando ou vendendo em uma porcentagem determinada pela previsão da rede (quanto mais testes confirmarem, maior a porcentagem) e pelo estudo da eficiência dos candles (quanto maior a eficiência histórica, maior a porcentagem). De posse desses sinais de compra e venda, de stop e das linhas de resistência, foi feito o experimento reproduzindo um investidor durante um intervalo de tempo especificado, comprando e vendendo apenas ao receber esses sinais. O programa tem como parâmetros de entrada um valor em dinheiro, uma quantidade de ações, porcentagem para stop e um fator de investimento, que será explicado posteriormente. Na saída, o programa retorna o dinheiro total, correspondente à quantidade de dinheiro que sobrou mais o valor das ações no último dia, o lucro total, e ainda faz algumas comparações com outros investimentos, comparando caso o dinheiro fosse aplicado em renda fixa, e comparando caso não fosse realizada nenhuma transação, ou seja, à mercê da valorização das ações, investimento realizado por muitos investidores. Para efeito de comparação, foram realizados testes sem utilizar a rede neural como filtro das informações dos candles. O principal parâmetro de entrada do programa é um fator de investimento entre 0 e 1, que representa o perfil de risco/lucro do investidor. Quanto mais próximo de 1, mais o investidor busca apenas a valorização do seu ativo, não preocupando com o risco. Este fator de investimento é multiplicado pela eficiência histórica do padrão identificado e pela porcentagem de previsão da rede. Esse resultado gera a porcentagem de compra ou venda do ativo. Por exemplo, caso o investidor tenha entrado com um fator de investimento de 50%, a eficiência histórica do padrão identificado seja de 80% e a rede tenha confirmado o sinal em 95% das vezes, o programa efetuará a compra de ativos com 38% do dinheiro ou a venda de 38% de ações. É importante ressaltar que o programa simula um investidor real, uma vez que em momento algum são utilizados dados do momento de compra ou de venda, bem como de dias posteriores: as decisões são tomadas considerando-se apenas os valores anteriores de abertura, fechamento, máximos e mínimos. 4. Resultados e Conclusões Os resultados representam a média das 13 simulações realizadas para cada ativo, considerando a duração de cada uma como aproximadamente um ano de investimentos. É de se esperar que os valores apresentem um desvio-padrão grande, pois cada ano de um ativo possui momentos de compra e valores de preços diferentes entre si. Inicialmente é importante analisar o lucro obtido por cada tipo de investimento. Para tal, foram considerados quatro investimentos diferentes. O primeiro representa os lucros do programa utilizando a rede neural para validar os sinais dos candles, além das linhas de resistência e suporte e do stop. O segundo indica os lucros obtidos utilizando os candles, as linhas de resistência e de suporte e o stop, ou seja, apenas não utiliza a rede neural como auxílio às previsões. O terceiro representa os lucros obtidos aplicando o montante inicial (correspondente ao dinheiro inicial mais o dinheiro investido em ações) em um investimento com renda fixa, simulando uma poupança (investimento 1).

9 Este é um investimento muito utilizado por pessoas que temem a grande variação da bolsa de valores, preferindo um investimento fixo e mais seguro. Para tal, foi considerada uma taxa de 0,6% ao mês de rentabilidade. Finalmente, o quarto indica os lucros obtidos aplicando o dinheiro no investimento de renda fixa, novamente à taxa de 0,6% ao mês, e não fazendo movimentações com as ações, ou seja, deixando as ações à mercê de sua valorização (investimento 2). Esse investimento também é feito por muitos investidores da bolsa de valores, que por não terem tempo ou conhecimento acabam comprando ações e não efetuando transações. A Tabela 1 mostra a média dos 13 resultados de 300 dias para cada investimento, e também seu desvio padrão. O montante inicial totalizou R$ 2.000,00 sendo R$ 1.000,00 como dinheiro e outros R$1.000,00 investidos em ações. Tabela 1. Média e desvio-padrão de lucro dos investimentos em quarto cenários, para cinco ativos da Bolsa. A primeira linha representa a média, e a segunda o desvio-padrão, ambos em porcentagem do valor inicial investido. Ativos CMIG4 ELET6 PETR4 USIM5 VALE5 Lucro utilizando o algoritmo (médias e desvios) Lucro sem RNA (médias e desvios) Lucro Investimento 1 (médias e desvios) Lucro Investimento 2 (médias e desvios) 12,58% 5,05% 9,20% 8,98% 17,24% 18,36% 13,22% 10,39% 26,65% 20,73% 9,34 % 5,19% 8,22% 6,84% 14,85% 15,25% 17,03% 10,15% 20,01% 19,07% 6,14% 6,14% 6,14% 6,14% 6,14% 0% 0% 0% 0% 0% 9,91% 5,27% 7,46% 6,43% 13,45% 14,19% 8,28% 14,84% 17,82% 16,37% Através dos resultados pode-se concluir que o algoritmo criado obteve, em média, melhores resultados comparados aos outros investimentos. Apenas no ativo ELET6 os investimentos comparados foram, em média, superiores ao algoritmo. O desvio padrão apresenta valores bastante elevados, pois os lucros variam dependendo do período analisado. Ainda que nem sempre o algoritmo tenha se mostrado superior aos outros investimentos, em média, em 75% das vezes se apresentou melhor que o investimento 1, e em 70% das vezes em relação ao investimento 2. Estes resultados já indicam uma melhora com a utilização da rede neural, uma vez que ela filtra os sinais enviados pelos candles, eliminando sinais que não coincidem com a previsão. Com isso, o número de transações realizadas ao utilizar a rede é sempre menor ou igual a quando não se utiliza. Esse detalhe é importante, pois cada transação possui um custo de corretagem e impostos, por isso é interessante tentar reduzir as transações sem reduzir o lucro. Por isso é calculado a média de lucro por cada transação, resultado que mostra qual foi o lucro médio a cada transação, que é mostrado na Tabela 2. Estes resultados acima evidenciam ainda mais a melhora do lucro com a utilização da rede neural. As transações se mostram mais eficientes, já que aquelas sugeridas pelo candle e certificadas pela rede neural em geral trazem maior lucratividade.

10 Tabela 2. Média e desvio-padrão de lucro por cada transação. A primeira linha representa a média, e a segunda o desvio-padrão. Ativo CMIG4 ELET6 PETR4 USIM5 VALE5 Lucro por transação utilizando o algoritmo (médias e desvios) Lucro por transação sem RNA (médias e desvios) R$ 42,55 R$ 16,79 R$ 60,14 R$ 63,35 R$ 117,80 R$ 64,26 R$ 50,11 R$ 94,30 R$ 88,53 R$ 74,55 R$ 23,37 R$ 9,68 R$ 29,01 R$ 32,56 R$ 64,08 R$ 38,50 R$ 44,43 R$ 39,54 R$ 113,26 R$ 130,29 Por fim, foi verificada a eficiência de cada sinal enviado pelo candle, ou pelo candle certificado pela rede neural. Para estudar essa eficiência foi considerado um intervalo de três dias. Após tal período, uma comparação é feita com o dia em que apareceu o sinal. Sinais de venda significam que o preço irá cair, e sinais de compra que o preço irá subir. Dessa maneira, calculam-se quantas vezes os sinais acertaram e quantas erraram, gerando assim uma eficiência de acerto, mostrada na Tabela 3. Tabela 3. Média e desvio-padrão das eficiências do algoritmo. A primeira linha representa a média, e a segunda o desvio-padrão. Ativos CMIG4 ELET6 PETR4 USIM5 VALE5 Média das eficiências do algoritmo (médias e desvios) Média das eficiências sem RNA (médias e desvios) 75,6% 79,6% 85,6% 79,0% 72,9% 15,2% 12,8% 13,9% 22,3% 26,3% 69,1% 84,0% 80,2% 69,8% 71,1% 17,8% 27,5% 13,2% 21,2% 23,1% É destacável que a média da eficiência da previsão do programa é sempre superior a 50%, inclusive sendo superior a 75% em quatro dos cinco ativos. Isso indica que, em um intervalo de três dias, a previsão feita pelos candles e pela rede neural acertou três vezes mais do que errou. Apenas em um ativo a eficiência do algoritmo foi inferior à eficiência apenas utilizando candle. É importante ressaltar que os sinais enviados pelos candles são de reversão, por isso esse resultado de eficiência se mostra bastante satisfatório, uma vez que as previsões feitas, em sua grande maioria vão contra a tendência do mercado até aquele momento, mostrando uma grande capacidade de previsão da rede neural mesmo em um momento de reversão de tendência, se o treinamento realizado for bem sucedido. 5. Considerações Finais O estudo dos candlesticks têm se mostrado bastante eficiente e popular. Utilizar uma inteligência computacional para se aliar ao estudo histórico dos movimentos nas bolsas de valores é algo interessante e, sem dúvidas, existem várias formas de conciliá-las. Através deste trabalho foi possível concluir que esta combinação é bastante proveitosa, já que se mostrou superior a outros investimentos realizados pelos investidores em geral, e em todos os testes, foi superior ao estudo utilizando apenas os candles. Ainda é necessário adicionar os valores de custos de transações na bolsa de valores.

11 Dessa forma, um dos projetos futuros é a integração da metodologia a outras técnicas de inteligência artificial, como por exemplo, o uso de algoritmos genéticos para a identificação de porcentagens ótimas. Outra possibilidade é a montagem de uma carteira de investimentos on-line, com as transações sendo realizadas no mercado diariamente. Por fim, existem diversas ferramentas da análise técnica que podem ser integradas e verificadas através de uma previsão de rede neural, sendo assim interessante integrar outras formas de indicativos de tendências da análise técnica. Agradecimentos Os autores agradecem ao CEFET-MG e às agências FAPEMIG, CAPES e CNPq pelo apoio financeiro recebido. Referências Braga, A. de P. e Carvalho, A. C. P. de P. L. F. de, Ludemir, T. B. (2007) Redes neurais artificiais: teoria e aplicações, 2ª ed., LTC, Rio de Janeiro, Brasil. Chaves, D. A. T. (2004), Análise técnica e fundamentalista> divergências, similaridades e complementariedades, Monografia, São Paulo, Brasil. Economatica (2012), Janeiro. Elder, A. (1993), Trading for a living, John Willey & Sons Inc.. Elman, J. (1990), Finding structure in time, Cognitive Science. Espindola, R. (2011), Estratégia de venda coberta de opções dentro do dinheiro no mercado acionário brasileiro. Monografia, Florianópolis, Brasil. Ferreira, L. N. (2009), Um trading system autônomo baseado em redes neurais Artificiais, Monografia, Lavras, Brasil. Hanaoka, G. P., Barroso, B. C., Paiva, F. D., Cardoso, R. T. N. (2011), Um estudo comparativo utilizando Redes Neurais na previsão de tendências em séries temporais financeiras para composição ótima de carteiras, em Encontro Mineiro de Modelagem Computacional, Brasil. Haykin, S. (2001), Redes Neurais: princípios e prática, 2ª ed., Bookman, Porto Alegre, Brasil. Investmax (2011), Introdução do modelo gráfico Candlestick, Junho. Koskela, Timo et al. (1996), Times series prediction with multilayer perceptron, FIR and Elman neural networks In: Proceedings of the World Congress on Neural Networks, INNS Press. Marques, F. C. R.; Gomes, R. M.; Almeida, P. E. M. (2009) Maximização de Lucros em Investimentos: uma abordagem a partir do MACD com emprego de algoritmos genéticos e lógica fuzzy, IX Congresso Brasileiro de Redes Neurais / Inteligência Computacional (IX CBRN), Brasil.

12 Matsumoto, E. Y. (2008) Aplicação de Redes Neurais na Classificação de Rentabilidade Futura de Empresas. Dissertação (Mestrado em economia). Fundação Getúlio Vargas, São Paulo, Brasil. Mizuno, H., Kosaka, M. and Yajima, H. (1997), Stock Market Prediction System Based On Technical Analysis of Stock Index Using Neural Network,in Proceedings of the 15th IMACS World Congress on Scientific Computation, Modelling and Applied Mathematics (IMACS '97). Murphy, J. (1996) Technical Analysis of the Future Markets, New York Institute Finance, New York, USA. Neto, A. M. C. de. (2008) Previsão Séries Temporais Usando Séries Exógenas e Combinação de Redes Neurais Aplicada ao Mercado Financeiro, Dissertação (Mestrado em ciência da computação). Universidade Federal de Pernambuco, Pernambuco, Brazil. Nison, S. (1991), Japanese candlestick charting techniques, New York Institute of Finance, New York Noronha, M. (1995), Análise Técnica: Teorias, Ferramentas, Estratégias, Editec, Rio de Janeiro, Brazil. Rotella, R. P. (1992), The Elements of Successful Trading, Institute of Finance Simon & Schuster, New York, USA. Stoianov, I. (2001), Recurrent neural networks: design and applications, Boca Raton: CRC Press. Zanetti Jr, L. A. Almeida, F. C. de. (1998), Exploração do Uso de Redes Neurais na Previsão do Comportamento de ativos Financeiros. In: III Semead, Univeridade de São Paulo, São Paulo, Brazil.