Modelo de Análise de Investimentos baseado em Sistema Especialista e Lógica Fuzzy

Transcrição

1 Modelo de Análise de Investimentos baseado em Sistema Especialista e Lógica Fuzzy Luiz Carlos Martinez Junior Reinaldo Pacheco Costa USP rpcosta@usp.br Abstract A main problem in investments alternatives analysis is valuate results. Human thinking normally operates with semantic valuations as more or less weigth and more or less high, not only in a Boolean Logic as good or bad, high or short etc. When the investment analyst made combinations of relevant judgements he transforms quantitative values in qualitative values as his own standards. How to do computers, a machine developed to operate with just quantitative matters, make similar operations emulating human semantic valuations? This paper presents a methodology that uses expert system and fuzzy logic in a way to translates number calculations in semantic valuations aiming support investment analysis. Fuzzy Logic enables us to emulate the human reasoning process and make decisions based on vague or imprecise data. Key-words:Investment analysis; economic engineering; fuzzy logic. Resumo Um dos problemas encontrados para se avaliar opções de investimentos está na avaliação dos resultados. O raciocínio humano trabalha normalmente com avaliações em termos semânticos, como, por exemplo, mais ou menos alto e mais ou menos curto etc. Logo, quando o analista interpreta uma combinação de critérios relevantes à análise de investimentos, ele conscientemente transforma valores quantitativos em qualitativos com base em seus próprios padrões. Mas como fazer com que o computador, uma máquina desenvolvida para trabalhar com números e cálculos com exatidão, possa emular o raciocínio humano e interpretar valores semânticos, linguísticamente formulados? É apresentado, neste trabalho, uma metodologia que é capaz de traduzir os números calculados por outras metodologias em conteúdos semânticos, assim como combiná-los para servirem de apoio para as tomadas de decisões nos mais diversos casos de análise de investimentos. Esta metodologia contempla as características dos Sistemas Especialistas com a eficiência da Lógica Fuzzy. Palavras-chave: Análise de Investimentos; Engenharia Econômica; Lógica Fuzzy

2 Introdução O grande número de alternativas para o aumento de produtividade industrial acarreta problemas na etapa de análise de investimentos. Tomando como exemplo a área produtiva, o grande volume de variáveis e restrições exige a utilização de ferramentas computacionais e critérios de análise no suporte seguro para a tomada de decisão. A utilização dos modelos clássicos para resolver problemas de análise de investimentos é inadequada quando consideramos critérios subjetivos, ou informações imprecisas ou vagas. Na maior parte dos casos, a importância destes critérios para a análise, e a necessidade da inclusão destes no processo de seleção, inviabiliza uma simulação de cenários capazes de expressarem uma posição mais adequada dos fatos. Quão melhor é um investimento em relação ao outro? O que é ser um investimento bom ou ruim? Digamos que um especialista defina que um bom investimento é aquele que proporcione um tempo de retorno de até 3 anos, e proporcione um aumento de produtividade de no mínimo vinte e cinco por cento. Imaginemos, então, que, após as devidas simulações, tenhamos as seguintes opções de investimento: Máquina : aumento de produtividade em 3,97 por cento, retorno do investimento em 3,36 anos. Máquina 2: aumento de produtividade em apenas 26,98 por cento retorne o investimento em,44 anos. Em qual delas devemos investir? Uma primeira observação é a necessidade de se estabelecerem regras de decisão onde a ação tomada poderia estar baseada na combinação dos critérios, observando a estratégia da empresa. A segunda, porém a mais complexa, é a de avaliar de forma qualitativa as grandezas mensuráveis da análise, ou seja, quais são os parâmetros para avaliar o quão bom ou o quão ruim é um retorno de investimento. A Lógica Clássica, chamada também de Lógica Booleana, permite que um número seja classificado com exatidão em um determinado critério. Tomando como exemplo a avaliação de taxas, através da lógica clássica podemos definir regras para a classificação das taxas de acordo com três cenários, como mostra o gráfico ilustrado abaixo: Fig.. Regra de avaliação da taxa de juros (Lógica Clássica). Fonte: Autores 2

3 Neste exemplo, uma taxa de juros igual a,98 por cento seria considerada ruim, ao passo que uma com o valor igual a 2,2 por cento seria avaliada como regular. Ou seja, esta lógica trata os números em relação a um intervalo de forma binária: para não pertence e para pertence. Não existe, nesta lógica, o valor meio ruim ou meio regular. As lógicas alternativas, como é o caso da Lógica Fuzzy, exercitada neste trabalho, permitem a introdução do mérito qualitativo na análise, não tratando os números de forma booleana ( ou ), mas sim dando graus de pertinência aos números dentro das várias alternativas de avaliação daquele critério. Explicada com mais detalhes nos tópicos seguintes, esta lógica permite interpretar qualitativamente as mensurações obtidas por metodologias matemática exatas. 2 O que é Lógica Fuzzy Lógica Fuzzy é uma metodologia que utiliza os mais diversos modelos de estimadores para aproximar uma função através de valores semânticos. É uma lógica multivalores, que permite que valores intermediários sejam definidos entre as avaliações convencionais como falso / verdadeiro, sim / não, branco / preto etc. Classificações como quase abafado ou frio intenso podem ser formulados matematicamente e processados por computador. Isso possibilita cada vez mais que a linguagem humana consiga ser interpretada pelos computadores. Lógica Fuzzy tem emergido como uma ferramenta útil para sistemas de controle de metrô e processos industriais complexos, para equipamentos eletrônicos domésticos e de entretenimento, sistemas de diagnósticos e outros sistemas especialistas. A idéia básica da Lógica Fuzzy foi explorada, até certo ponto, por vários matemáticos durante este século, mas o principal mentor é inquestionavelmente o professor de ciências da computação, Doutor Lotfi A. Zadeh, da Universidade da Califórnia, em Berkeley, o qual, em 965, publicou um artigo sobre a teoria dos Conjuntos Nebulosos. Segundo ZADEH(965), a Lógica Fuzzy é um superset da Lógica Clássica, e tem sido desenvolvida para suportar o conceito de parcial verdade e verdadeiros valores entre completamente verdade e completamente falso. A figura abaixo enfatiza a diferença da avaliação clássica da avaliação Fuzzy dos elementos dos conjuntos: Figura 2 - Classificação de cores - Clássico x Fuzzy Fonte: Autores Uma cor x analisada pelo critério clássico só terá uma possibilidade de classificação: a cor x é cor do tipo D. Em contra partida, a mesma cor x analisada pelo critério nebuloso é uma composição de cores dos tipos C e D. 3

4 Um exemplo de conjuntos fuzzy é o que pretende dividir as possíveis taxas de juros dentro de uma escala de avaliação (conjuntos) como mostra o quadro abaixo: Tabela Graus de Pertinência x Escala de Avaliação Escala de Avaliação Taxa Muito Baixo Baixo Mediana Alta Muito Alta (%a.m.),5, 8 2,5 9 2, 7 2 3, 6 2 4, 3 7 5, 6 4 6, Fonte: Os Autores Para esse exemplo, o grau de pertinência varia de à, onde significa que o elemento definitivamente não pertence ao conjunto e que realmente pertence. É compreensível que a avaliação acima seja questionada e que outras pessoas tenham maneiras diferentes de distribuir os graus de cada elemento dentro dos conjuntos. Porém, a sobreposição dos graus de pertinência para diferentes elementos nas diferentes classificações garante a validade do modelo. 3 Sistemas Especialistas Fuzzy aplicados na Análise de Investimentos Segundo KANDEL(996), os Sistemas Especialistas são programas de computador que emulam o processo de raciocínio de um especialista humano ou executam uma ação específica dentro de um domínio de conhecimento. Geralmente, o processo de gerar soluções para um determinado problema é cercado de incertezas e imprecisões. Isto se justifica pela fonte de conhecimento que alimenta os programas especialistas: o próprio ser humano. De uma maneira simples, os Sistemas Especialistas Nebulosos são sistemas especialistas baseados em Lógica Fuzzy ao invés de Lógica Clássica. São sistemas formados por números nebulosos e regras que, devidamente manipulados por processos matemáticos, geram avaliações do tipo: Se x é baixo e y é alto então z = médio onde x e y são variáveis de entrada conhecidas, z é uma variável de saída, baixo é um membro do conjunto nebuloso definido para x, alto é um membro do conjunto nebuloso definido para y, e médio um membro do conjunto nebuloso definido para z. Através de sistemas deste tipo, torna-se possível, ou pelo menos melhora a interpretação do raciocínio humano pelas máquinas no controle que exige a análise de dados e a tomada de decisões. Uma das vantagens nesta nova ferramenta, como apresentada por CASAROTTO (985), é a de ser menos sensível à mudanças de estados esporádicos, suavizando o controle do ambiente. O Sistema Especialista Fuzzy proposto deverá ser capaz de selecionar a melhor alternativa de investimentos, dentro de um conjunto definido de possibilidades, com base nos dados relativos a cada uma delas. A decisão do sistema deverá ser baseada na avaliação dos valores econômico-financeiros e produtivos dos cenários obtidos, interpretados segundo a Lógica Fuzzy e a Base de Conhecimento criada por especialistas. 4

5 O primeiro passo é definir os critérios pertinentes para a análise e as suas escalas de avaliação (ex.: bom, médio, ruim). Podem ser definidos, ao mesmo tempo, critérios relevantes de diferentes amplitudes, como sugerido a seguir: Critérios relativos ao próprio investimento; Critérios relativos a influência sobre os produtos; Critérios resultados globais da empresa obtidos pelas mudanças. Exemplo de definição de critérios: Tabela 2 Definição dos Critérios relevantes para Análise e Escalas de Avaliação CRITÉRIOS FONTE ESCALA DE AVALIAÇÃO Aumento de Margem Global Empresa BAIXO / / / Aumento na Otimização de Recursos Empresa BAIXO / / / Aumento na Margem Unitária Produto BAIXO / / / Diminuição na Utilização de Recursos Produto POUCA / / GRANDE TIR Tempo de Retorno Investimento RUIM / / BOA / ÓTIMA Investimento GRANDE / MÉDIO / PEQUENO Fonte: Os autores A segunda etapa do processo, sendo a mais importante, consiste em estabelecer funções que expressem o grau de pertinência de cada classificação em função dos valores numéricos de cada fator. Essas funções são chamadas de Funções de Pertinência. Através destas funções, o especialista ou uma equipe passa sua avaliação abstrata ao sistema, ponderando valores de acordo com sua personalidade (agressividade, conservadorismo, positivismo ou pessimismo). Um exemplo de definição destas funções está esquematizada a seguir, onde o grau de pertinência varia de a, enquanto x (tempo de retorno) varia entre (inclusive) e maior que 25 e : se x < 5 Pequeno (x) = -,2x + 2 se 5 x se x > se x < 5,2x - se 5 x < Médio (x) = se x < 2 -,2x + 5 se 2 x < 25 se x > 25 se x < 2 Grande (x) =,2x - 4 se 2 x < 25 se x > 25 5

6 Graficamente teremos: Tempo de retorno (anos ) Figura 3 - Funções de pertinência para o Tempo de Retorno Logo, um determinado valor numérico para o critério Tempo de Retorno será expresso por um número fuzzy do tipo: Tempo de Retorno (x) = x[pequeno(x); Médio(x); Grande(x)] Este número aparece no formato de um vetor onde x é o valor numérico do critério e entre parênteses estão os graus de pertinência deste valor em relação a escala de avaliação relativa. A terceira etapa consiste em definir a estratégia da análise de investimentos, isto é, estabelecer regras para a tomada de decisões com base nas classificações de cada critério. Esta é a Base de Conhecimento do Sistema Especialista. Um exemplo desta definição está expresso a seguir: Tabela 3 - Exemplo Estratégia da Empresa em forma de Base de Conhecimento CRITÉRIOS AÇÃO MC Global Otim. de Rec. MC Unitária Util. De Rec. TIR Tempo Retorno Avaliação da Alternativa BAIXO GRANDE PEQUENO RUIM MÉDIO BAIXA BOA GRANDE BAIXA BOA MÉDIO MUITO BAIXA ÓTIMA PEQUENO Cada linha da tabela anterior define uma combinação de critérios e sua avaliação. A quarta e última etapa combina os valores fuzzy dos critérios de acordo com a Base de Conhecimento, com o intuito principal de calcular os graus de pertinência para cada Ação. 6

7 As regras são formadas por n Critérios. Cada um deles têm os graus de pertinência para cada classificação. Para uma regra do tipo Se C = baixo E C 2 = regular E C 3 =grande...e C n = pequeno Então Ação =ruim O grau de pertinência da Ação é igual ao menor grau de pertinência dos critérios. Esta técnica é uma das diversas existentes e foi escolhida com a justificativa de simplificar os cálculos sem perder a essência e a eficácia do processo. Por exemplo, a tabela abaixo expressa, para uma determinada opção de investimento onde seus critérios estão traduzidos em números fuzzy. Tabela 3-- Exemplo de análise de critérios CRITÉRIOS AÇÃO MC Global Otim. de Rec. MC Unitária Util. De Rec. TIR Retorno Avaliação da Alternativa 5% 25% 2,5% 2,4% 3,9% 7 anos BAIXO,7 GRANDE,22 PEQUENO RUIM,7,22 MÉDIO,4,7 POUCA BOA,78 GRANDE,6,6,3 POUCA BOA,78 MÉDIO,4 MUITO,3,3 POUCA ÓTIMA PEQUENO Fonte: Os autores A tabela está dividida da seguinte forma: cada coluna representa um critério e cada linha é a combinação das avaliações de cada critério. A coluna da direita expressa a ação a ser tomada para cada combinação de avaliações. Na primeira linha estão os valores numéricos de cada critério. Em cada célula, junto à avaliação, estão expressos os graus de pertinência dos valores numéricos em relação a avaliação. Para os critérios, estes graus de pertinência são resultados da função de pertinência adequada. O cálculo dos graus de pertinência para as ações é chamado de inferência e pode ser efetuado de diversas maneiras. O método escolhido neste exemplo é o do mínimo valor, ou seja, o grau de pertinência da ação será o menor grau de pertinência dos critérios envolvidos na regra. Com base nestes resultados, podemos afirmar que a alternativa em análise é classificada como uma boa opção, uma vez que o grau de pertinência desta avaliação é o maior entre os demais. 4 Conclusões Como foi apresentado anteriormente, a estratégia da empresa depende dos critérios que ela julga relevantes para a análise. Esta característica torna a metodologia ainda mais flexível. Em verdade, o sistema desenvolvido para concretizar este trabalho justifica a afirmação. Depois de definirmos os módulos e o fluxo de dados, e em seguida, construirmos o protótipo, seremos capazes de analisar as alternativas de investimento com base em qualquer posicionamento estratégico, levando em consideração quaisquer critérios. É claro que a metodologia proposta não se trata de uma panacéia para a área de tomada de decisões relativas a análises de investimentos, mas pode se tornar uma ferramenta poderosa e essencial mediante a flexibilidade e a capacidade de absorver valores semânticos. 7

8 Um outro ponto forte na metodologia proposta é o de que, apesar de estar coberta por fundamentos estatísticos complexos, trata-se de uma metodologia simples e de fácil entendimento. 5 Bibliografia CASAROTTO Filho, Nélson e KOPITTKE, Bruno Hartmut, Análise de Investimentos, Manuais Vértices, 985. KANDEL, Abraham,, Fuzzy Expert Systems, CRC Press, Boca Raton Ann Arbor London Tokyo, 996. MARTINEZ Jr., Luiz Carlos, Documento de Pré-qualificação ao Mestrado em Engenharia de Produção; Departamento de Engenharia de Produção USP, 999. SILER, William, PhD Birmingham, Califórnia, Prentice-Hall International, Inc., 995. ZADEH, L.A., Fuzzy Sets Information and Control,, 965. ZADEH, L.A., Outline of a New Approach to the Analysis of Complex Systems and Decision processes. IEEE Transactions on Systems, Man and Cybernetics, SMC-3,