Econometria e inteligência artificial: criação de portfólio de ações rentáveis / Econometrics and artificial intelligence: creating profitable stock portfolio

Wagner Igarashi, Lucas Fernando Martioli, Deisy Cristina Corrêa Igarashi

Abstract


Investidores constantemente se submetem a riscos na bolsa de valores, devido à volatilidade de preço das ações; e buscam apoio em técnicas e ferramentas que minimizem o risco e possam maximizar o lucro. Neste contexto, o objetivo do estudo é a otimização de uma carteira de ações. Para o processo de predição do comportamento do preço de ações foram utilizadas redes neurais artificiais treinadas a partir de indicadores técnicos. Para criação de portfólios foi utilizado um algoritmo genético, utilizando a teoria de Markovitz como função objetivo de modo a maximizar o lucro e minimizar o risco. Foram realizadas 21 simulações, em um conjunto de 57 empresas das 100 maiores empresas, de capital aberto, por valor de mercado, de acordo com a edição especial da revista Exame - Melhores e Maiores (2016). Os dados para as simulações se referem ao período de julho de 2014 e outubro de 2016. Os resultados foram positivos e demonstram que na pior hipótese o modelo tem um rendimento praticamente idêntico ao da poupança.

 


Keywords


Análise Técnica, Redes Neurais, Algoritmo Genético, Markovitz, Portfólio.

References


BILLAH, M.; WAHEED S.; HANIFA, A. Stock market prediction using an improved training algorithm of neural network. In: 2nd International Conference on Electrical, Computer & Telecommunication Engineering (ICECTE), Rajshahi, 2016.

BRAGA, A. de P.; CARVALHO, ACPLF; LUDERMIR, T. B. Redes neurais artificiais: teoria e aplicações. Ed. LTC, 2000.

DAMODARAN, A. Investment valuation: Tools and techniques for determining the value of any asset. John Wiley & Sons, 2012.

EDWARDS, R. D.; MAGEE, John; BASSETTI, W. H. C. Technical Analysis of Stock Trends. AMACOM Div American Mgmt Assn, 2001.

LERTYINGYOD W.; BENJAMAS N. Stock price trend prediction using Artificial Neural Network techniques: Case study: Thailand stock exchange. In: International Computer Science and Engineering Conference (ICSEC), Chiang Mai, 2016, pp. 1-6, 2016.

LEUNG, M. T.; Chen, A-S.; DAOUK. H. Forecasting exchange rates using general regression neural networks. Computers & Operations Research, V. 27, I 11–12, September 2000, Pages 1093-1110.

MARKOWITZ, H.. Portfolio selection. The journal of finance, v. 7, n. 1, p. 77-91, 1952.

MCCULLOCH, W. S.; PITTS, W. A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, v. 5, n. 4, p. 115-133, 1943.

MITCHELL, M. An introduction to genetic algorithms. MIT press, 1998.

MURPHY, J. J. Technical analysis of the financial markets: A comprehensive guide to trading methods and applications. New York Institute of Finance, 1999.

CHEN M.; CHEN, B., C. A hybrid fuzzy time series model based on granular computing for stock price forecasting. Information Sciences, v. 294, feb., p. 227-241, 2015.

PAN, J.; TAMG, Y.Y.; WANG. U.; ZHENG, X. LUO, H.; YUAN, H.; WANG, P.S.P. A hybrid swarm optimization for neural network training with application in stock price forecasting. In: IEEE International Conference on Systems, Man, and Cybernetics (SMC), Budapest, 2016, , 2016.

REVISTA EXAME. Maiores e Melhores. São Paulo, ed 2016.

RUMELHART, D. E.; HINTON, G. E.; WILLIAMS, R. J. Learning internal representations by error propagation. California Univ San Diego La Jolla Inst For Cognitive Science, 1985.

SETHI, M.; TRELEAVEN, P. A graphical model framework for stock portfolio construction with application to a Neural Network based trading strategy. In: International Joint Conference on Neural Networks (IJCNN). IEEE, 2015. p. 1-8, 2015.

SHARPE, W. F. Capital asset prices: A theory of market equilibrium under conditions of risk. Journal of Finance, set., p. 425-443, 1964.

SHARPE, W. F.; ALEXANDER, G. J.; BAILEY, J. V. Investments. New Jersey: Prentice Hall. 5 ed. 1995.

WORASUCHEEP, C. A. Stock price forecasting application using neural networks with multi-optimizer, In: IEEE 9th International Workshop on Computational Intelligence and Applications (IWCIA), Hiroshima, 2016, pp. 63-68, 2016.

WU, M.; DIAO, X. Technical analysis of three stock oscillators testing MACD, RSI and KDJ rules in SH & SZ stock markets. In: 4th International Conference on Computer Science and Network Technology ICCSNT), Volume: 01, Pages: 320 - 323, 2015.


Refbacks

  • There are currently no refbacks.