Documente Academic
Documente Profesional
Documente Cultură
LAVRAS MG
2012
LAVRAS MG
2012
AGRADECIMENTOS
Agradeo...
Ao Prof. Heitor, por sua orientao,
incentivo, pacincia e disponibilidade
no andamento da pesquisa.
Aos meus pais e familiares
que sempre acreditaram
no estudo e sempre me apoiam;
A minha namorada, pela compreenso
diante das interminveis horas de estudo;
A todas as outras pessoas que direta ou
Indiretamente contriburam na realizao desse
trabalho.
Muito obrigado!
RESUMO
A capacidade da inteligncia computacional em mapear sistemas complexos tem
se tornado uma ferramenta atrativa, por ser aplicvel em processos relacionados
ao comportamento de ativos de mercados financeiros. A utilizao de tcnicas
de inteligncia computacional uma das estratgias para prever esse
comportamento por usar sistemas no lineares, visto que este sofre influncias
de vrios fatores polticos e econmicos. O objetivo apresentar a modelagem e
uma anlise comparativa de sistemas computacionais inteligentes no apoio
tomada de deciso em mercado de capitais, utilizando duas tcnicas de
inteligncia computacional: lgica fuzzy e redes neurais artificiais (RNAs).
Essas modelagens ajudam a predizer o movimento do mercado de capitais e
obter informaes importantes para tomada de deciso por parte do investidor,
possibilitando maior ganho em liquidez nas negociaes. Em suma, esse sistema
fornece apoio a deciso aos investidores que desejam acompanhar suas
aplicaes financeiras.
ABSTRACT
The ability of computational intelligence in mapping complex systems has
become an attractive tool, because it is applicable in processes related to the
behavior of financial market assets. The use of computational intelligence
techniques is one of the strategies to predict this behavior by using non-linear
systems, since it is influenced by various political and economic factors. The
goal is to present a comparative analysis and modeling of computer systems in
support of intelligent decision making in capital markets, using two
computational intelligence techniques: fuzzy logic and artificial neural networks
(ANN). These modeling to help predict market movement of capital and
important information for decision making by the investor, enabling greater gain
in liquidity in the negotiations. In short, this system provides decision support
for investors who wish to track their investments.
LISTA DE FIGURAS
Figura 1
Figura 2
Figura 3
Figura 4
Figura 5
Figura 6
Figura 7
Figura 8
Figura 9
Operao de unio......................................................................... 39
Figura 10
Operao de interseco................................................................ 40
Figura 11
Operao de negao..................................................................... 40
Figura 12
Figura 13
Figura 14
Figura 15
Figura 16
Figura 17
Figura 18
Figura 19
Figura 20
Figura 21
Figura 22
Figura 23
Figura 24
Figura 25
Figura 26
Figura 27
Figura 28
Figura 29
Figura 30
Grfico
do
indicador
oscilador
estocstico
ilustrando
Figura 32
Figura 33
Figura 34
Figura 35
Figura 36
Figura 37
Figura 38
Figura 39
Figura 40
Figura 41
Figura 42
Figura 43
Figura 44
Figura 45
Figura 46
Figura 47
Figura 48
Figura 49
Figura 50
Figura 51
Figura 52
Figura 53
Figura 54
Figura 55
Figura 56
Figura 57
Figura 58
Figura 59
Figura 60
Figura 61
Figura 62
Figura 63
Figura 64
Figura 65
Figura 66
Figura 67
Figura 68
Figura 69
Figura 70
Figura 71
Figura 72
Figura 73
Figura 74
Figura 75
Figura 76
Figura 77
Figura 78
Figura 79
Figura 80
Figura 81
Figura 82
Figura 83
Figura 84
Figura 85
Figura 86
Figura 87
Figura 88
Figura 89
Figura 90
Figura 91
Figura 92
Figura 93
Figura 94
Figura 95
Figura 96
Figura 97
Figura 98
Figura 99
LISTA TABELAS
Tabela 1
Tabela 2
Tabela 3
Tabela 4
Tabela 5
Tabela 6
Tabela 7
Tabela para calcular a distncia da linha MACD ao eixo zero ... 127
Tabela 8
Tabela 9
Tabela 13
Tabela 14
Tabela 15
Tabela 16
SUMRIO
1
1.1
1.2
1.3
1.3.1
1.3.2
1.4
2
3
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.8.1
3.8.2
3.8.3
3.8.4
3.9
3.9.1
3.9.2
3.10
4
4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8
INTRODUO ............................................................................
Justificativa ...................................................................................
Objetivo .........................................................................................
Metodologia de desenvolvimento ................................................
Tipo de pesquisa ...........................................................................
Procedimentos metodolgicos .....................................................
Estrutura do trabalho ..................................................................
TRABALHOS RELACIONADOS .............................................
LGICA FUZZY..........................................................................
Consideraes iniciais ..................................................................
Lgica clssica versus lgica fuzzy ..............................................
Aplicaes da lgica fuzzy ............................................................
Conjuntos fuzzy.............................................................................
Funo de pertinncia ..................................................................
Operaes com conjuntos fuzzy...................................................
Fundamentos da modelagem fuzzy..............................................
Sistemas baseados em lgica fuzzy ..............................................
Mdulo de fuzzificao ................................................................
Mdulo da base de regras ............................................................
Mdulo de inferncia....................................................................
Mdulo de "defuzzificao" ........................................................
Inferncia fuzzy .............................................................................
Inferncia fuzzy - Mtodo de Mamdani ......................................
Inferncia fuzzy - modelo de Takagi-Sugeno-Kang ...................
Consideraes finais .....................................................................
REDES NEURAIS ARTIFICIAIS..............................................
Consideraes iniciais ..................................................................
Fundamentos biolgicos...............................................................
Vantagens e desvantagens da utilizao de RNAs.....................
Principais componentes das RNAs..............................................
Preparao dos dados ..................................................................
Topologias de RNAs .....................................................................
Aprendizagem das RNAs.............................................................
RNAs perceptrons .........................................................................
16
17
18
19
19
21
22
23
28
28
29
30
32
34
39
42
44
46
47
48
48
49
52
54
55
56
56
57
59
61
63
66
67
70
4.9
4.10
4.11
5
5.1
5.2
5.3
5.4
5.5
5.6
5.7
6
6.1
6.2
6.3
6.3.1
6.3.2
6.3.3
6.4
6.4.1
6.4.1.1
6.4.1.2
6.4.1.3
6.4.1.4
6.4.1.5
6.4.1.6
6.4.1.7
6.4.2
6.4.3
6.5
6.5.1
6.5.2
6.6
6.6.1
6.6.2
6.6.3
6.7
7
7.1
7.2
7.3
7.4
160
168
174
175
177
177
178
179
180
182
16
1 INTRODUO
A inteligncia computacional tem se tornado uma ferramenta atrativa
por possibilitar o mapeamento de sistemas complexos e ser aplicada em
processos relacionados ao comportamento de ativos de mercados financeiros.
Dessa forma, um investidor pode minimizar riscos de perda em investimentos e
maximizar lucros ao utilizar tcnicas de inteligncia computacional. Para isso,
no necessrio fazer previses exatas do preo de cada ativo de ao, bastaria
predizer movimentos de alta de baixa no mercado de ativos financeiros
(PEDRONETTE; GUILHERME, 2004).
Diversas pesquisas foram e continuam sendo realizadas visando
predio da movimentao do mercado de ativos financeiros, sendo parte delas
utilizando inteligncia computacional para efetuar tal predio (GONZALEZ;
GONZALEZ, 2011). Modelos baseados na teoria do caos (ZANETTI JUNIOR;
ALMEIDA, 1998) partem do princpio que existe um componente
determinstico no movimento dos preos dos ativos financeiros que no seguem
um processo aleatrio. Esse no seguimento est consoante com a hiptese do
comportamento dos preos de um ativo financeiro poder ser originado a partir de
um processo determinstico complexo (ZANETTI JUNIOR; ALMEIDA, 1998).
Na literatura, podem ser reconhecidos diversos tipos de aplicaes
utilizando tcnicas de inteligncia computacional no apoio a tomada de decises
no mercado de ativos financeiros (BARBOSA; ALMEIDA, 2002; CICHINI;
CASTRO; FLAUZINO, 2007). A maioria dessas aplicaes converge para a
utilizao de sries histricas (PEDRONETTE; GUILHERME, 2004) como
auxlio de decises futuras, nas quais as tcnicas de inteligncia computacional
se diferem em como abordar essa problemtica, sendo que (i) algumas focam em
decidir qual os melhores ativos financeiros para investir em um determinado
momento, (ii) umas propem identificar formas nos grficos para distinguir
17
1.1 Justificativa
No incio do sculo XXI, os pases emergentes, como o Brasil, viveram
um momento de aumento da entrada de capital estrangeiro (NASCIMENTO et
al., 2007), o que impactou na elevao dos preos das empresas de capital aberto
listadas na Bolsa de Valores, pois foi uma importante fonte de financiamento
empresarial e um meio de captao de recursos individuais (MELLO, 2004
citado por BAUER, 2008). Preos de ativos negociados em mercado apresentam
18
1.2 Objetivo
Nesta dissertao, o objetivo do autor apresentar modelagens,
implementaes e uma anlise comparativa de sistemas computacionais
inteligentes no apoio a tomada de deciso em mercado de capitais. Alm de
desenvolver de maneira modular, em duas modelagens, foram utilizadas as
tcnicas de inteligncia computacional lgica fuzzy e redes neurais artificiais
(RNAs) do tipo perceptron com uma camada, respectivamente. As demais so
19
de
aplicao)
ii)
Pesquisa
Aplicada
(gerar
20
Alm disso, os mtodos para a coleta dos dados podem ser por meio de
(i) observao do participante, (ii) grupos focados, (iii) entrevistas, (iv)
questionrio, (v) experimentao e (vi) observao.
Figura 1
21
22
semelhanas dos resultados obtidos pelos oito sistemas entre si e com os dados
histricos reais.
23
2 TRABALHOS RELACIONADOS
O desenvolvimento da computao e de tcnicas de inteligncia
computacional tem proporcionado melhor compreenso dos chamados sistemas
complexos e no lineares. Um sistema complexo um sistema no prdeterminstico que evolui no tempo com comportamento desequilibrado e
aperidico, sendo que o estado futuro extremamente dependente do estado
atual, podendo ser mudado radicalmente a partir de pequenas mudanas no
presente. Estes sistemas se caracterizam por apresentar um comportamento no
linear, cujos fatores, de diferente natureza, so influenciados com a evoluo do
tempo (REZENDE, 2002).
O surgimento de novas tcnicas computacionais proporcionou melhor
entendimento da estrutura desses sistemas, fornecendo dados experimentais
suficientes que levam a melhor compreenso do seu comportamento. Com
relao ao mercado de ativos financeiros, os mtodos estatsticos so uma
alternativa para entender e prever o mercado. Porm, tcnicas de inteligncia
computacional, tais como, RNAs, lgica fuzzy e algoritmos genticos, podem ser
encontradas em diversos trabalhos desenvolvidos por pesquisadores para
concretizar essa previso. Alguns desses estudos so brevemente descritos.
Em um trabalho (GHIASSI; SAIDANE; ZIMBRA, 2005), estudos
comparativos entre RNAs quanto a forma para a previso de eventos de sries
temporais foram apresentados. A partir desses estudos, um modelo de RNA
dinmico foi proposto para a previso de eventos de sries temporais que utiliza
uma arquitetura diferente dos modelos tradicionais. Nesse modelo, uma RNA
com um processo iterativo sequencial de aprendizagem foi utilizada a
abordagem de backpropagation. Dados de sries temporais, a partir dos dados
da literatura, foram utilizados para avaliar a eficcia. Esses resultados mostraram
24
25
26
27
28
3 LGICA FUZZY
3.1 Consideraes iniciais
A primeira ocorrncia da expresso "lgica fuzzy" para ser utilizada com
base na teoria de conjuntos fuzzy foi usada no artigo Fuzzy Sets (ZADEH, 1965).
Nesse artigo, foi demonstrado matematicamente o tratamento dos aspectos
imprecisos e ambguos apresentados na lei da contradio. Esta lei, proposta por
Jan Lukasiewicz em 1930, preconiza que uma determinada afirmao pode ser
verdadeira e falsa ao mesmo tempo (OTTAVIANO; FEITOSA, 2003). Isso se
torna possvel desde que no apresentem apenas dois nveis (verdadeiro e falso),
mas um grau de verdade, o que acarreta a existncia vrios nveis (CAMPOS
FILHO, 2004). Essa a ideia da lgica fuzzy, a no restrio entre apenas dois
valores afirmada na lgica clssica, verdadeiro e falso, preto e branco, mas, por
exemplo, vrios tons de cinza que indicam a ideia de conjuntos com graus de
pertinncia.
A lgica fuzzy trata de um raciocnio que busca classificar em nmeros
uma determinada realidade ou situao que trabalha com muitas variveis
incertas e vagas, a fim de facilitar o trabalho e a manipulao dos computadores
(SHAW; SIMES, 1999). Assim, a lgica fuzzy busca uma generalizao da
lgica clssica, flexibilizando-a entre [0,1] de modo que a implementao de um
projeto de sistema fuzzy possa ser reduzida a um ponto em que problemas
anteriormente intratveis passam a ter possveis solues. A caracterstica de
lidar com a impreciso e a ambiguidade da linguagem natural fez com que a
lgica fuzzy se tornasse alvo de pesquisas em diversas reas, por exemplo,
controle de sistemas e inteligncia artificial (BOTELHO, 2002).
Este captulo est organizado da seguinte forma. Benefcios dos modelos
baseados em lgica fuzzy so discutidos na Seo 3.2. Aplicaes utilizando
29
30
31
32
33
34
da
lgica
clssica
para
intervalo
[0,1],
ou
seja,
35
Figura 2
Figura 3
36
Figura 4
(2)
Figura 5
37
(3)
(4)
38
39
(6)
Figura 9
Operao de unio
(7)
40
(8)
41
(9)
(10)
Sejam os valores x
A ey
42
(11)
(12)
(13)
(14)
desenvolve no decorrer de
sua
observao
e operao
(MAGALHES, 2009).
Os modelos fuzzy tm como principais caractersticas a facilidade de
compreenso, por sua simplicidade estrutural. Em geral, eles so de grande
destreza para a soluo de problemas no lineares e aproximao de
comportamentos complexos, cujas variveis so pouco compreensveis
(MENDEL, 2003).
A construo de um sistema fuzzy inicia-se pela identificao de
variveis lingusticas que representam as variveis de entrada e de sada do
sistema. A ideia central desobrigar-se de boa parte dos padres matemticos
rigorosos para mensurar os estados das variveis de um sistema dinmico. Estas
43
conjunto
com
44
45
inferncia da base de regras, usa inferncia fuzzy para simular tomada de deciso
humana (PEREIRA, 2010).
Os sistemas fuzzy so o resultado de uma generalizao dos sistemas
clssicos, ou seja, nessa abordagem, os conceitos fuzzy so incorporados a esses
sistemas. Os sistemas fuzzy estimam funes com descrio parcial do
comportamento do sistema, onde especialistas podem prover o conhecimento
heurstico ou esse conhecimento pode ser inferido a partir de dados de entrada e
de sada do sistema. Desta forma, pode-se dizer que os sistemas fuzzy so
sistemas baseados em regras que utilizam variveis lingusticas fuzzy para
executar um processo de tomada de deciso (TH, 2001).
O conhecimento no um valor ou conceito preciso e/ou exato, ele pode
refletir ao mesmo tempo o quanto se sabe e o quanto no se sabe, sem que
ambos sejam complementares. Quanto maior a quantidade de informaes com
qualidade, mais certo e preciso ele , contudo continua a expressar um
desconhecimento ou incerteza (PEREIRA, 2010).
Um modelo esquemtico da mquina de inferncia fuzzy ilustrado na
Figura 13. Um modelo lingustico fuzzy um sistema baseado em regras que usa
a teoria de conjuntos fuzzy para lidar com um fenmeno particular (COSTA,
2004). Em geral, cada entrada fuzzy (um nmero real ou par de nmeros reais ou
n-upla de nmeros reais) tem uma sada fuzzy correspondente. Neste caso, um
sistema fuzzy uma funo de Rn em R, construda de alguma maneira
especfica. A estrutura bsica de um sistema fuzzy inclui quatro componentes (ou
mdulos) principais: i) um "fuzzificador"; ii) um mecanismo de inferncia; iii)
uma base de regras; e iv) um "defuzzificador".
46
47
{antecedentes}
ENTO
{consequentes}
(PEREIRA, 2010).
Os antecedentes descrevem uma condio (premissas), enquanto a parte
consequente descreve uma concluso ou uma ao que pode ser esboada
quando as premissas se verificam. A diferena entre uma regra fuzzy e uma regra
clssica : a primeira descreve uma condio elstica (uma condio que pode
ser parcialmente satisfeita) e a segunda descreve uma condio rgida (a regra
no funciona se os antecedentes no so completamente satisfeitos).
A construo do mdulo de regras inclui a aplicao fuzzy para variveis
antecedentes, a definio dos mtodos de inferncia do antecedente para o
48
49
50
(GOMIDE;
GUDWIN;
TANSCHEIT,
1995).
Na
etapa
51
52
(15)
53
(16)
54
55
3.10
Consideraes finais
Um sistema utilizando lgica fuzzy um sistema baseado no
56
57
58
59
60
c) Tolerncia
falhas1.
Enquanto
os
meios
computacionais
61
62
63
17
64
65
66
67
68
69
70
71
Hopfield
(multicamadas)
em 1982
algoritmo
de
72
Momentum uma constante que determina o efeito das mudanas passadas dos pesos
na direo atual do movimento no espao de pesos (BRAGA, 2007; HAYKIN, 2000).
73
74
75
5 ANLISE TCNICA
5.1 Consideraes iniciais
A anlise tcnica de ativos financeiros surgiu por volta do ano 1700,
quando famlias japonesas passaram a acompanhar as variaes do preo do
arroz, com o intuito de formular tendncias para tais variaes. Esse mtodo
ficou conhecido como Candlesticks (VIDOTTO; MIGLIATO; ZAMBON,
2009). Essa anlise o estudo dos movimentos passados dos preos e dos
volumes de negociao de ativos financeiros, com o objetivo de fazer previses
sobre comportamento futuro dos preos (PINHEIRO, 2012). Alm disso, ela
baseia-se no princpio dos preos dos ativos financeiros, em data futura, serem
influenciados pelos preos passados, sendo possvel prever a tendncia de
movimentao desses preos em determinado perodo de tempo.
A teoria de Charles Dow, um dos expoentes na utilizao da anlise
tcnica, sinaliza que eventos passados podem determinar eventos futuros
(MATSURA, 2007). A configurao grfica dos preos tende a se relacionar
com a direo que eles tomaro no futuro. Isso significa que ocorrem formaes
indicando previamente a movimentao que deve ocorrer em relao a
determinado ativo financeiro, antes de um movimento significativo de alta ou de
baixa nas cotaes de um ativo financeiro. A anlise tcnica possui trs
premissas bsicas das quais decorrem os estudos acerca do comportamento do
mercado e suas tendncias (BRUM, 2006):
1) Tudo pode ser resumido no preo dos ativos financeiros. A
expectativa, boa ou m, dos investidores com relao a determinado
ativo financeiro reflete no seu preo dirio;
76
2010;
ONLINE
TRADING
CONCEPTS,
2010;
77
18
78
79
80
81
resultado multiplicado por 100 para mover o ponto decimal em dois lugares.
Como este indicador tem limite de escala [0, 100], ele til para identificar
nveis de sobrecompra e de sobrevenda (STOCKCHARTS, 2010).
19
82
83
indicador
consiste
basicamente
em
trs
mdias
mveis
84
20
21
85
86
22
23
24
87
88
25
89
26
90
27
28
91
92
dos ativos financeiros, antes que os preos subam. O indicador OBV utilizado
para confirmar tendncias de preos ou avisar potenciais reverses de preo por
causa de divergncias entre o preo e o volume negociado.
93
94
utilizao
de
tcnicas
de
inteligncia
computacional
tem
95
96
97
de
98
Bolsa de Valores com base na perspectiva histrica dos preos dos ativos
financeiros.
Os conjuntos fuzzy para a "fuzzificao" do indicador IFR e do indicador
Oscilador Estocstico so apresentados na Figura 39 e na Figura 40,
respectivamente. A construo destes conjuntos foi baseada nas interpretaes
de seus grficos e as interseces dos conjuntos esto em torno da regio
sobrecomprado e da regio sobrevendido.
99
que se refere ao ngulo da reta originada pela regresso linear dos trs
100
101
Regras Fuzzy
Se LinMACD > 0 e LinMACD > LinSinal e m1 > 0 e m1 > m2 ento MACD =
Muito Alto
Se LinMACD > 0 e LinMACD > LinSinal e m1 > 0 e m1 < m2 ento MACD = Alto
Se LinMACD > 0 e LinMACD > LinSinal e m1 < 0 ento MACD = Neutro
Se LinMACD < 0 e LinMACD > LinSinal e m1 > 0 e m1 > m2 ento MACD = Alto
Se LinMACD < 0 e LinMACD > LinSinal e m1 > 0 e m1 < m2 ento MACD = Alto
Se LinMACD < 0 e LinMACD > LinSinal e m1 < 0 ento MACD = Neutro
Se LinMACD < 0 e LinMACD < LinSinal e m1 < 0 e m1 < m2 ento MACD =
Muito Baixo
Se LinMACD < 0 e LinMACD < LinSinal e m1 < 0 e m1 > m2 ento MACD =
Baixo
Se LinMACD < 0 e LinMACD < LinSinal e m1 > 0 ento MACD = Neutro
Se LinMACD > 0 e LinMACD < LinSinal e m1 < 0 e m1 < m2 ento MACD =
Baixo
Se LinMACD > 0 e LinMACD < LinSinal e m1 < 0 e m1 > m2 ento MACD =
Baixo
Se LinMACD > 0 e LinMACD < LinSinal e m1 > 0 ento MACD = Neutro
Se LinMACD = 0 e m1 > 0 ento MACD = Muito Alto
Se LinMACD = 0 e m1 < 0 ento MACD = Muito Baixo
Se m1 = 0 ento MACD = Neutro
102
103
Regras Fuzzy
Se IFR = Muito Alto ou Alto e EST = Muito Alto ento MOMENTO = Muito Alto
Se IFR = Muito Alto e EST = Muito Alto ou Alto ento MOMENTO = Muito Alto
Se IFR = Alto e EST = Alto ento MOMENTO = Alto
Se IFR = Neutro e EST = Muito Alto ento MOMENTO = Alto
Se IFR = Muito Alto e EST = Neutro ento MOMENTO = Alto
Se IFR = Neutro e EST = Alto ou Neutro ou Baixo ento MOMENTO = Neutro
Se IFR = Muito Alto ou Alto e EST = Baixo ou Muito Baixo ento MOMENTO=Neutro
Se IFR = Alto ou Neutro ou Baixo e EST = Neutro ento MOMENTO = Neutro
Se IFR = Muito Baixo ou Baixo e EST = Muito Alto ou Alto ento MOMENTO=Neutro
Se IFR = Neutro e EST = Muito Baixo ento MOMENTO = Baixo
Se IFR = Muito Baixo e EST = Neutro ento MOMENTO = Baixo
Se IFR = Baixo e EST = Baixo ento MOMENTO = Baixo
Se IFR = Muito Baixo ou Baixo e EST = Muito Baixo ento MOMENTO = Muito Baixo
Se IFR = Muito Baixo e EST = Muito Baixo ou Baixo ento MOMENTO = Muito Baixo
Regras Fuzzy
Se MACD = Muito Alto ou Alto e HIST = Muito Alto ento SINAL = Muito Alto
Se MACD = Muito Alto e HIST = Muito Alto ou Alto ento SINAL = Muito Alto
Se MACD = Alto e HIST = Alto ento SINAL = Alto
Se MACD = Muito Alto ou Alto e HIST = Baixo ou Muito Baixo ento SINAL = Neutro
Se MACD = Neutro e HIST = Neutro ento SINAL = Neutro
Se MACD = Muito Alto ou Alto e HIST = Neutro ento SINAL = Alto
Se MACD = Muito Baixo ou Baixo e HIST = Neutro ento SINAL = Baixo
Se MACD = Neutro e HIST = Muito Alto ou Alto ento SINAL = Alto
Se MACD = Neutro e HIST = Muito Baixo ou Baixo ento SINAL = Baixo
Se MACD = Muito Baixo ou Baixo e HIST = Alto ou Muito Alto ento SINAL = Neutro
Se MACD = Baixo e HIST = Baixo ento SINAL = Baixo
Se MACD = Muito Baixo ou Baixo e HIST = Muito Baixo ento SINAL = Muito Baixo
Se MACD = Muito Baixo e HIST = Muito Baixo ou Baixo ento SINAL = Muito Baixo
104
Regras Fuzzy
Se OBV = Muito Alto ento VOLUME = Muito Alto
Se OBV = Alto ento VOLUME = Alto
Se OBV = Neutro ento VOLUME = Neutro
Se OBV = Baixo ento VOLUME = Baixo
Se OBV = Muito Baixo ento VOLUME = Muito Baixo
VOLUME = volume
Regras Fuzzy
Se MOMENTO = Muito Alto ento C&V = Alto
Se MOMENTO = Muito Alto ou Alto e SINAL = Muito Alto ou Alto ento C&V = Alto
Se MOMENTO = Muito Alto ou Alto e VOLUME = Muito Alto ou Alto ento C&V = Alto
Se SINAL = Muito Alto ou Alto e VOLUME = Muito Alto ou Alto ento C&V = Alto
Se MOMENTO = Muito Alto ou Alto e SINAL = Muito Alto ou Alto e VOLUME = Muito Alto ou
Alto ento C&V = Muito Alto
Se MOMENTO = Neutro e SINAL = Neutro ento C&V = Neutro
Se MOMENTO = Neutro e VOLUME = Neutro ento C&V = Neutro
Se SINAL = Neutro e VOLUME = Neutro ento C&V = Neutro
Se MOMENTO = Muito Alto ou Alto e SINAL = Muito Baixo ou Baixo ento C&V = Neutro
Se MOMENTO = Muito Alto ou Alto e VOLUME = Muito Baixo ou Baixo ento C&V = Neutro
Se SINAL = Muito Alto ou Alto e VOLUME = Muito Baixo ou Baixo ento C&V = Neutro
Se MOMENTO = Muito Baixo ou Baixo e SINAL = Muito Alto ou Alto ento C&V = Neutro
Se MOMENTO = Muito Baixo ou Baixo e VOLUME = Muito Alto ou Alto ento C&V = Neutro
Se SINAL = Muito Baixo ou Baixo e VOLUME = Muito Alto ou Alto ento C&V = Neutro
Se MOMENTO = Muito Baixo ento C&V = Baixo
Se MOMENTO = Muito Baixo ou Baixo e SINAL = Muito Baixo ou Baixo ento C&V = B
Se MOMENTO = Muito Baixo ou Baixo e VOLUME = Muito Baixo ou Baixo ento C&V = B
Se SINAL = Muito Baixo ou Baixo e VOLUME = Muito Baixo ou Baixo ento C&V = B
Se MOMENTO = Muito Baixo ou Baixo e SINAL = Muito Baixo ou Baixo e VOLUME = Muito
Baixo ou Baixo ento C&V = MB
105
Quanto
modelagem
de
dados,
Diagrama
de
Entidade-
entidade
SistemaFuzzy
UniversoDeDiscursoFuzzy;
instncias
da
entidade
106
RelSistemaFuzzyMaquinaInferencia:
relacionamento
entre
107
RelBaseDeRegra_Regra:
relacionamento
entre
instncias
da
108
109
treinamento
dessas
RNAs
feita
por
aprendizagem
no
110
111
112
113
114
115
116
RNA
(LIMA
et
al.,
2010).
Em
razo
de
ser
complexo
117
118
119
conjuntos fuzzy obtidos so utilizados como entradas para trs RNAs. As sadas
dessas RNAs so valores para a varivel Sinal, a varivel Volume e a
varivel Momento. Esses valores so utilizados como entrada em outra RNA,
cuja sada indicao de compra e de venda (indicador C&V).
A terceira proposta de modelagem hbrida apresentada na Figura 56.
Nessa modelagem, os indicadores tcnicos so processados por RNAs, cujas
sadas so utilizadas como entrada para trs mquinas de inferncias. As sadas
dessas mquinas de inferncias so conjuntos fuzzy para a varivel Sinal, a
varivel
Volume e a varivel
120
121
122
123
124
o valor
a mdia da
125
29
30
126
dos trs ltimos valores da linha MACD; e iv) a diferena entre o ngulo da
regresso linear dos trs ltimos valores da linha MACD e o ngulo da regresso
linear dos trs ltimos valores da linha de sinal MACD. O indicador Histograma
MACD deve ser decomposto em dois valores e normalizados: i) a distncia do
histograma MACD ao eixo zero; e ii) o coeficiente angular da regresso linear
dos trs ltimos valores do histograma MACD. O ngulo da regresso linear dos
valores do indicador OBV deve ser normalizado.
127
LinhaMacd
MacdSinal
Zero
30/11/11
-312,300
-216,041
0,00
Mximo
Mnimo
N1
N2
Entrada
01/12/11
-185,500
-209,933
0,00
02/12/11
-110,800
-190,106
0,00
05/12/11
-107,000
-173,485
0,00
06/12/11
-83,900
-155,568
0,00
07/12/11
-113,700
-147,194
0,00
08/12/11
-144,400
-146,636
0,00
0,000
-312,300
0,538
1,000
-0,462
09/12/11
-125,800
-142,468
0,00
0,000
-209,933
0,401
1,000
-0,599
12/12/11
-161,900
-146,355
0,00
0,000
-190,106
0,148
1,000
-0,852
13/12/11
-183,600
-153,804
0,00
0,000
-183,600
0,000
1,000
-1,000
14/12/11
-222,100
-167,463
0,00
0,000
-222,100
0,000
1,000
-1,000
15/12/11
-269,500
-187,870
0,00
0,000
-269,500
0,000
1,000
-1,000
16/12/11
-331,100
-216,516
0,00
0,000
-331,100
0,000
1,000
-1,000
19/12/11
-393,000
-251,813
0,00
0,000
-393,000
0,000
1,000
-1,000
20/12/11
-403,100
-282,070
0,00
0,000
-403,100
0,000
1,000
-1,000
21/12/11
-366,200
-298,896
0,00
0,000
-403,100
0,092
1,000
-0,908
128
LinhaMacd
MacdSinal
30/11/11
-312,300
-216,041
Mximo
Mnimo
N1
N2
Entrada
01/12/11
-185,500
-209,933
02/12/11
-110,800
-190,106
05/12/11
-107,000
-173,485
06/12/11
-83,900
-155,568
07/12/11
-113,700
-147,194
08/12/11
-144,400
-146,636
-83,900
-312,300
0,735
0,725
0,010
09/12/11
-125,800
-142,468
-83,900
-209,933
0,668
0,535
0,132
12/12/11
-161,900
-146,355
-83,900
-190,106
0,266
0,412
-0,146
13/12/11
-183,600
-153,804
-83,900
-183,600
0,000
0,299
-0,299
14/12/11
-222,100
-167,463
-83,900
-222,100
0,000
0,395
-0,395
15/12/11
-269,500
-187,870
-113,700
-269,500
0,000
0,524
-0,524
16/12/11
-331,100
-216,516
-125,800
-331,100
0,000
0,558
-0,558
19/12/11
-393,000
-251,813
-125,800
-393,000
0,000
0,528
-0,528
129
20/12/11
-403,100
-282,070
-146,355
-403,100
0,000
0,471
-0,471
21/12/11
-366,200
-298,896
-153,804
-403,100
0,148
0,418
-0,270
, a stima
e a oitava coluna
que
130
foram calculados nas quatro primeiras linhas, pois so necessrios dados de pelo
menos cinco dias. Alm disso, os valores do coeficiente angular e arco tangente
do coeficiente angular no foram calculados nas seis primeiras linhas, pois so
necessrios dados de pelo menos sete dias.
LinhaMacd
F1
F2
F3
30/11/11
-312,300
0,000
01/12/11
-185,500
0,555
02/12/11
-110,800
0,882
05/12/11
-107,000
0,899
06/12/11
-83,900
07/12/11
-113,700
08/12/11
-144,400
Max
-83,900
Mdia
Mdia
Min
-312,300
0,86821
01/12/11
-185,500
0,000
02/12/11
-110,800
0,735
05/12/11
-107,000
0,773
F4
1,000
-1
0,132
-0,132
0,870
0,001
0,000
0,735
-0,133
-0,133
-0,140
06/12/11
-83,900
1,000
07/12/11
-113,700
0,707
-1
0,140
08/12/11
-144,400
0,405
-0,162
0,000
09/12/11
-125,800
0,588
0,021
0,021
Max
-83,900
Mdia
Mdia
Min
-185,500
0,56627
02/12/11
-110,800
0,655
05/12/11
-107,000
0,704
06/12/11
-83,900
1,000
07/12/11
-113,700
0,618
08/12/11
-144,400
0,224
-1
-0,005
0,005
09/12/11
-125,800
0,463
0,234
0,000
12/12/11
-161,900
0,000
-0,229
-0,229
Max
-83,900
Mdia
Mdia
Entrada
-0,1324
-0,1317
-0,0595
-0,0595
-0,1122
-0,1117
131
Min
-161,900
0,22906
132
LinhaMacd
LinhaSinal
N1
N2
30/11/11
-312,300
-216,041
0,000
0,000
01/12/11
-185,500
-209,933
0,555
0,088
02/12/11
-110,800
-190,106
0,882
0,374
05/12/11
-107,000
-173,485
0,899
0,613
06/12/11
-83,900
-155,568
1,000
0,871
07/12/11
-113,700
-147,194
0,870
0,992
08/12/11
-144,400
-146,636
0,735
1,000
-83,900
-146,636
Beta
-0,1324
0,0643
ngulo
Max
-312,300
-216,041
-0,1317
0,0643
01/12/11
Min
-185,500
-209,933
0,000
0,000
02/12/11
-110,800
-190,106
0,735
0,294
05/12/11
-107,000
-173,485
0,773
0,540
06/12/11
-83,900
-155,568
1,000
0,806
07/12/11
-113,700
-147,194
0,707
0,930
08/12/11
-144,400
-146,636
0,405
0,938
09/12/11
-125,800
-142,468
0,588
1,000
Max
-83,900
-142,468
Beta
-0,0595
0,0350
Min
-185,500
-209,933
ngulo
-0,0595
0,0350
02/12/11
-110,800
-190,106
0,655
0,000
05/12/11
-107,000
-173,485
0,704
0,349
06/12/11
-83,900
-155,568
1,000
0,725
07/12/11
-113,700
-147,194
0,618
0,901
08/12/11
-144,400
-146,636
0,224
0,913
09/12/11
-125,800
-142,468
0,463
1,000
12/12/11
-161,900
-146,355
0,000
0,918
Max
-83,900
-142,468
Beta
-0,1122
0,0029
Min
-161,900
-190,106
ngulo
-0,1117
0,0029
Entrada
-0,1959
-0,0945
-0,1147
133
Histograma
-96,259
Zero
0,000
01/12/11
24,433
0,000
02/12/11
79,306
0,000
05/12/11
66,485
0,000
06/12/11
71,668
0,000
07/12/11
33,494
0,000
Mximo
Mnimo
N1
N2
N1-N2
Entrada
08/12/11
2,236
0,000
79,306
-96,259
0,561
0,548
0,013
0,013
09/12/11
16,668
0,000
79,306
0,000
0,210
0,000
0,210
0,210
12/12/11
-15,545
0,000
79,306
-15,545
0,000
0,164
-0,164
0,164
13/12/11
-29,796
0,000
71,668
-29,796
0,000
0,294
-0,294
0,294
14/12/11
-54,637
0,000
71,668
-54,637
0,000
0,433
-0,433
0,433
134
15/12/11
-81,630
0,000
33,494
-81,630
0,000
0,709
-0,709
0,709
16/12/11
-114,584
0,000
16,668
-114,584
0,000
0,873
-0,873
0,873
19/12/11
-141,187
0,000
16,668
-141,187
0,000
0,894
-0,894
0,894
20/12/11
-121,030
0,000
0,000
-141,187
0,143
1,000
-0,857
0,857
21/12/11
-67,304
0,000
0,000
-141,187
0,523
1,000
-0,477
0,477
de
stima
(F3)
contm
valor
de
que corresponde ao
coeficiente angular dos valores dos trs ltimos dias normalizados. A dcima
coluna (Entrada) contm o valor do arco tangente do coeficiente angular
obtido ( ).
Abaixo dos valores do indicador Histograma MACD, h os valores de
mximo (Max) e mnimo (Min) calculados e utilizados no clculo da
135
Histograma
30/11/11
-96,259
0,000
01/12/11
24,433
0,687
02/12/11
79,306
1,000
F1
F2
F3
F4
05/12/11
66,485
0,927
06/12/11
71,668
0,956
-1
0,204
-0,204
07/12/11
33,494
0,739
-0,013
0,000
-0,191
-0,191
08/12/11
2,236
0,561
Max
79,306
Mdia
Mdia
Min
-96,259
0,75219
01/12/11
24,433
0,288
02/12/11
79,306
1,000
05/12/11
66,485
0,834
06/12/11
71,668
0,901
07/12/11
33,494
0,406
-1
0,208
-0,208
08/12/11
2,236
0,000
-0,198
0,000
-0,010
-0,010
09/12/11
16,668
0,187
Max
79,306
Mdia
Mdia
Min
2,236
0,19762
02/12/11
79,306
1,000
05/12/11
66,485
0,865
06/12/11
71,668
0,919
07/12/11
33,494
0,517
08/12/11
2,236
0,187
-1
0,012
-0,012
09/12/11
16,668
0,340
0,164
0,000
12/12/11
-15,545
0,000
-0,176
-0,176
Entrada
-0,1977
-0,1952
-0,1092
-0,1087
-0,0937
-0,0935
136
Max
79,306
Mdia
Mdia
Min
-15,545
0,17569
de
stima
(F3)
contm
valor
de
que corresponde ao
coeficiente angular dos valores dos trs ltimos dias normalizados. A dcima
coluna (Entrada) contm o valor do arco tangente do coeficiente angular
obtido ( ). Abaixo dos valores do indicador OBV, h os valores de mximo
(Max) e mnimo (Min) calculados e utilizados no clculo da normalizao do
indicador OBV (y). Abaixo dos valores da terceira e da quarta colunas, h os
valores mdios dessas colunas utilizados nos clculos das colunas seguintes.
137
OBV
30/11/11
15403963049
0,753
01/12/11
15411692849
1,000
02/12/11
15404500849
0,770
F1
F2
F3
F4
05/12/11
15391649449
0,360
06/12/11
15398053949
0,564
-1
0,286
-0,286
07/12/11
15388894049
0,272
-0,007
0,000
-0,279
-0,279
08/12/11
15380392949
0,000
Max
15411692849
Mdia
Mdia
Min
15380392949
0,27862
01/12/11
15411692849
1,000
02/12/11
15404500849
0,770
05/12/11
15391649449
0,360
06/12/11
15398053949
0,564
07/12/11
15388894049
0,272
-1
0,103
-0,103
08/12/11
15380392949
0,000
-0,169
0,000
0,066
0,066
09/12/11
15387759749
0,235
Max
15411692849
Mdia
Mdia
Min
15380392949
0,16899
02/12/11
15404500849
1,000
05/12/11
15391649449
0,467
06/12/11
15398053949
0,733
07/12/11
15388894049
0,353
Entrada
-0,2821
-0,2750
-0,0181
-0,0181
138
08/12/11
15380392949
0,000
-1
-0,125
0,125
09/12/11
15387759749
0,306
0,180
0,000
12/12/11
15382088149
0,070
-0,055
-0,055
Max
15404500849
Mdia
Mdia
Min
15380392949
0,1253
0,0352
0,0351
Equao
100
Identificador
Equao 31
139
Indicador
Oscilador
100
Equao 32
-1
Equao 33
-2
Equao 34
1,57
Equao 135
3,14
Equao 36
1,57
Equao 37
1,57
Equao 38
Estocstico
Distncia da
linha MACD
ao eixo zero
Diferena entre
a linha MACD
e a linha de
sinal MACD
normalizao
do ngulo da
linha MACD
1,57
Diferena entre
o ngulo da
linha MACD e
o ngulo da
3,14
linha sinal
MACD
ngulo do
indicador
Histograma
1,57
MACD
ngulo do
indicador OBV
1,57
140
por
possuir
funes
computacionais
interessantes
para
Indicador IFR
IFR
IFRn
Indicador Oscilador
Estocstico
EST
ESTn
141
30/11/11
54,074
0,541
50,452
0,505
-0,742
0,129
-0,229
0,443
01/12/11
57,970
0,580
99,941
0,999
-0,498
0,251
0,066
0,516
02/12/11
61,825
0,618
83,445
0,834
-0,302
0,349
0,248
0,562
05/12/11
57,321
0,573
48,998
0,490
-0,292
0,354
0,251
0,563
06/12/11
59,031
0,590
60,680
0,607
-0,229
0,386
0,253
0,563
07/12/11
58,489
0,585
30,581
0,306
-0,310
0,345
0,118
0,530
08/12/11
60,461
0,605
25,241
0,252
-0,462
0,269
0,010
0,502
09/12/11
57,871
0,579
50,481
0,505
-0,599
0,200
0,132
0,533
12/12/11
18,447
0,184
18,447
0,184
-0,852
0,074
-0,146
0,463
13/12/11
21,360
0,214
21,360
0,214
-1,000
0,000
-0,299
0,425
14/12/11
6,794
0,068
6,794
0,068
-1,000
0,000
-0,395
0,401
15/12/11
0,000
0,000
0,000
0,000
-1,000
0,000
-0,524
0,369
16/12/11
0,000
0,000
0,000
0,000
-1,000
0,000
-0,558
0,360
19/12/11
0,000
0,000
0,000
0,000
-1,000
0,000
-0,528
0,368
20/12/11
15,693
0,157
15,693
0,157
-1,000
0,000
-0,471
0,382
21/12/11
39,168
0,392
39,168
0,392
-0,908
0,046
-0,270
0,433
Indicador OBV
30/11/11
0,035
0,511
0,160
0,525
0,341
0,609
0,257
0,582
01/12/11
0,464
0,648
0,504
0,580
0,388
0,624
0,464
0,648
02/12/11
0,375
0,619
0,298
0,547
0,286
0,591
0,014
0,505
05/12/11
0,150
0,548
-0,009
0,499
0,070
0,522
-0,464
0,352
06/12/11
0,047
0,515
-0,202
0,468
-0,015
0,495
-0,159
0,449
142
07/12/11
-0,012
0,496
-0,200
0,468
-0,065
0,479
-0,060
0,481
08/12/11
-0,132
0,458
-0,196
0,469
-0,195
0,438
-0,275
0,412
09/12/11
-0,059
0,481
-0,094
0,485
-0,109
0,465
-0,018
0,494
12/12/11
-0,112
0,464
-0,115
0,482
-0,093
0,470
0,035
0,511
13/12/11
-0,282
0,410
-0,101
0,484
-0,225
0,428
0,003
0,501
14/12/11
-0,214
0,432
0,185
0,529
-0,154
0,451
-0,078
0,475
15/12/11
-0,269
0,414
0,090
0,514
-0,221
0,429
-0,436
0,361
16/12/11
-0,259
0,417
0,060
0,510
-0,225
0,428
-0,265
0,416
19/12/11
-0,227
0,428
0,057
0,509
-0,186
0,441
-0,208
0,434
20/12/11
-0,148
0,453
0,089
0,514
-0,026
0,492
0,009
0,503
21/12/11
0,061
0,519
0,222
0,535
0,320
0,602
0,236
0,575
143
b) _carregar_rede_de_treinamento.sce:
arquivo
com
arquivo
com
funes
para
144
Contedo do arquivo
IFR
Quantidade de Entrada
Amostras
Nome do arquivo
IFR.txt
IFR_1.txt
CLASSE_IFR_MUITOALTO.txt, CLASSE_IFR_ALTO.txt,
Classificaes
CLASSE_IFR_NEUTRO.txt,
CLASSE_IFR_BAIXO.txt, CLASSE_IFR_MUITOBAIXO.txt,
145
Estrutura RNA
N_IFR.txt
W_IFR.txt
W1_IFR_1.txt, ...,
W1_IFR_6.txt
Rede Treinada
W2_IFR_1.txt, ..., W2_IFR_6.txt
Dados de Treinamento
Classificao
Quantidade de Entrada
Amostras
treinamentoRede_IFR.sce
RNA_IFR.sce
ESTOCASTICO.txt
ESTOCASTICO_1.txt
CLASSE_ESTOCASTICO_MUITOALTO.txt,
CLASSE_ESTOCASTICO_ALTO.txt,
Classificaes
CLASSE_ESTOCASTICO_NEUTRO.txt,
CLASSE_ESTOCASTICO_BAIXO.txt,
CLASSE_ESTOCASTICO_MUITOBAIXO.txt
Estocstico
Estrutura RNA
RNA_ESTOCASTICO.txt
W_ESTOCASTICO.txt
Rede Treinada
Dados de Treinamento
Classificao
treinamentoRede_ESTOCASTICO.sce
RNA_ESTOCASTICO.sce
Contedo do arquivo
Quantidade de Entrada
Momento
Nome do arquivo
MOMENTO.txt
Amostras
Classificaes
CLASSE_MOMENTO_MUITOALTO.txt,
CLASSE_MOMENTO_ALTO.txt,
CLASSE_MOMENTO_NEUTRO.txt,
CLASSE_MOMENTO_BAIXO.txt,
CLASSE_MOMENTO_MUITOBAIXO.txt
Estrutura RNA
RNA_MOMENTO.txt
W_MOMENTO.txt
Rede Treinada
Dados de Treinamento
Classificao
treinamentoRede_MOMENTO.sce
RNA_MOMENTO.sce
146
Quantidade de Entrada
Histograma
HISTOGRAMA.txt
Amostras
HISTOGRAMA_1.txt e HISTOGRAMA_2.txt
Classificaes
CLASSE_HISTOGRAMA_MUITOALTO.txt,
CLASSE_HISTOGRAMA_ALTO.txt,
CLASSE_HISTOGRAMA_NEUTRO.txt,
CLASSE_HISTOGRAMA_BAIXO.txt,
CLASSE_HISTOGRAMA_MUITOBAIXO.txt
Estrutura RNA
RNA_HISTOGRAMA.txt
W_HISTOGRAMA.txt
Rede Treinada
W1_HISTOGRAMA_1.txt,..., W1_HISTOGRAMA_6.txt
W2_HISTOGRAMA_1.txt, ..., W2_HISTOGRAMA_6.txt
Dados de Treinamento
Classificao
Quantidade de Entrada
Amostras
treinamentoRede_HISTOGRAMA.sce
RNA_HISTOGRAMA.sce
MACD.txt
MACD_1.txt, ..., MACD_4.txt
Classificaes
CLASSE_MACD_MUITOALTO.txt,
CLASSE_MACD_ALTO.txt, CLASSE_MACD_NEUTRO.txt,
CLASSE_MACD_BAIXO.txt,
CLASSE_MACD_MUITOBAIXO.txt
Estrutura RNA
RNA_MACD.txt
MACD
W_MACD.txt
Rede Treinada
Contedo do arquivo
MACD
Dados de Treinamento
Sinal
Quantidade de Entrada
Classificao
Amostras
Nome do arquivo
treinamentoRede_MACD.sce
RNA_MACD.sce
SINAL.txt
SINAL_1.txt, ..., SINAL_10.txt
CLASSE_SINAL_MUITOALTO.txt,
Classificaes
CLASSE_SINAL_ALTO.txt,
CLASSE_SINAL_NEUTRO.txt, CLASSE_SINAL_BAIXO.txt,
CLASSE_SINAL_MUITOBAIXO.txt
Estrutura RNA
RNA_SINAL.txt
Rede Treinada
W_SINAL.txt
W1_SINAL_1.txt, ..., W1_SINAL_11.txt
147
treinamentoRede_SINAL.sce
RNA_SINAL.sce
OBV.txt
OBV_1.txt
CLASSE_OBV_MUITOALTO.txt, CLASSE_OBV_ALTO.txt,
Classificaes
CLASSE_OBV_NEUTRO.txt,
CLASSE_OBV_BAIXO.txt e
CLASSE_OBV_MUITOBAIXO.txt
OBV
Estrutura RNA
RNA_OBV.txt
W_OBV.txt
W1_OBV_1.txt, ...,
W1_OBV_6.txt
Rede Treinada
treinamentoRede_OBV.sce
RNA_OBV.sce
VOLUME.txt
VOLUME_1.txt, , VOLUME_5.txt
CLASSE_VOLUME_MUITOALTO.txt,
Volume
CLASSE_VOLUME_ALTO.txt,
Classificaes
CLASSE_VOLUME_NEUTRO.txt,
CLASSE_VOLUME_BAIXO.txt,
CLASSE_VOLUME_MUITOBAIXO.txt
Contedo do arquivo
Estrutura RNA
Nome do arquivo
RNA_VOLUME.txt
W_VOLUME.txt
VOLUME
Rede Treinada
Dados de Treinamento
Classificao
Indicador
Quantidade de Entrada
Amostras
treinamentoRede_VOLUME.sce
RNA_VOLUME.sce
INDICADOR.txt
INDICADOR_1.txt, INDICADOR_15.txt
148
CLASSE_INDICADOR_MUITOALTO.txt,
Classificaes
CLASSE_INDICADOR_ALTO.txt,
CLASSE_INDICADOR_NEUTRO.txt,
CLASSE_INDICADOR_BAIXO.txt,
CLASSE_INDICADOR_MUITOBAIXO.txt
Estrutura RNA
RNA_INDICADOR.txt
W_VOLUME.txt
Rede Treinada
W1_VOLUME_1.txt,..., W1_VOLUME_33.txt
W2_VOLUME_1.txt,..., W2_VOLUME_33.txt
Dados de Treinamento
Classificao
treinamentoRede_INDICADOR.sce
RNA_INDICADOR.sce
149
150
151
152
153
154
155
156
Lgica
Fuzzy
Redes
157
158
159
Linha Sinal
Linha MACD
160
161
162
Ativo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
ALL3
AMBV4
BBAS3
BBDC4
BISA3
BRAP4
BRFS3
BRKM5
BRML3
BRTO4
BTOW3
BVMF3
CCRO3
CESP6
CIEL3
CMIG4
CPFE3
CPLE6
CRUZ3
CSAN3
CSNA3
CYRE3
DASA3
DTEX3
ELET3
ELET6
ELPL4
EMBR3
FIBR3
GFSA3
GGBR4
GOAU4
GOLL4
HGTX3
HYPE3
ITSA4
ITUB4
JBSS3
KLBN4
LAME4
LIGT3
LLXL3
LREN3
MMXM3
MRFG3
MRVE3
NATU3
OGXP3
PCAR4
PDGR3
PETR3
PETR4
Razo Social
All America Latina Logstica S.A.
Cia. Bebidas das Amricas - AMBEV
Bco Brasil S.A.
Bco Bradesco S.A.
Brookfield Incorporaes S.A.
Bradespar S.A.
BRF - Brasil Foods S.A.
Braskem S.A.
BR Malls Participaes S.A.
Brasil Telecom S.A.
B2W - Companhia Global do Varejo
BMFBovespa S.A. Bolsa Valores Merc Fut
CCR S.A.
CESP - Cia Energtica de So Paulo
Cielo S.A.
Cia. Energtica de Minas Gerais - CEMIG
CPFL Energia S.A.
Cia. Paranaense de Energia - COPEL
Souza Cruz S.A.
COSAN S.A. Industrial e Comrcio
Cia Siderrgica Nacional
Cyrela Brazil Realty S.A. Empreend e Part
Diagnsticos da America S.A.
Duratex S.A.
Centrais Elet Bras S.A. - Eletrobas
Centrais Elet Bras S.A. - Eletrobas
Eletropaulo Metrop. Elet. So Paulo S.A.
Embraer S.A.
Fibria Celulose S.A.
Gafisa S.A.
Gerdau S.A.
Metalrgica Gerdau S.A.
Gol Linhas Areas Inteligentes S.A.
Cia. Hering
Hypermarcas S.A.
Itasa Investimentos Ita S.A.
Ita Unibanco Holding S.A.
JBS S.A.
Klabin S.A.
Lojas Americanas S.A.
Light S.A.
LLX Logstica S.A.
Lojas Renner S.A.
MMX Minerao e Metlicos S.A.
Marfrig Alimentos S/A
MRV Engenharia e Participaes S.A.
Natura Cosmticos S.A.
OGX Petrleo e Gas Participaes S.A.
Cia Brasileira de Distribuio
PDG Realty S.A. Empreend e Participaes
Petrleo Brasileiro S.A. Petrobras
Petrleo Brasileiro S.A. Petrobras
Quantidade
de dados
780
780
780
780
780
780
780
780
780
780
780
780
780
780
654
780
780
780
780
780
780
780
780
583
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
Perodo
Inicial
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
26/06/2009
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
07/10/2009
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
163
53
RDCD3
Redecard S.A.
780
19/12/2008
Quantidade
de dados
780
780
584
780
780
780
780
780
780
780
780
780
780
780
780
780
780
Perodo
Inicial
19/12/2008
19/12/2008
06/10/2009
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
Ativo
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
RENT3
RSID3
SANB11
SBSP3
TAMM4
TIMP3
TMAR5
TNLP3
TNLP4
TRPL4
UGPA3
USIM3
USIM5
VAGR3
VALE3
VALE5
VIVT4
Razo Social
Localiza Rent a Car S.A.
Rossi Residencial S.A.
Bco Santander (Brasil) S.A.
Cia. Saneamento Bsico Est So Paulo
TAM S.A.
TIM Participaes S.A.
Telemar Norte Leste S.A.
Tele Norte Leste Participaes S.A.
Tele Norte Leste Participaes S.A.
CTEEP - Cia Transmisso Energia Eltrica Paulista
Ultrapar Participaes S.A.
Usinas Sid de Minas Gerais S.A. - USIMINAS
Usinas Sid de Minas Gerais S.A. - USIMINAS
Vanguarda Agro S.A.
Vale S.A.
Vale S.A.
Telefnica Brasil S.A.
Entrada
Valores
55,935400
Oscilador Estocstico
71,639200
1,000000
0,179178
0,283747
0,093242
0,151914
0,203617
0,047335
164
165
166
167
168
positiva no dia seguinte. Por outro lado, caso o resultado sugira uma ordem de
venda, a previso a ocorrncia de oscilao negativa no dia seguinte.
A estatstica obtida com a anlise dos 70 ativos financeiros
apresentada na Figura 89. Esta estatstica mostra que, ao ter um sinal de
compra/venda, houve probabilidade de alta/queda de 92% no dia seguinte. As
variaes maiores que 0,5% e 1% tiveram probabilidade de acerto de 84% e de
75%, respectivamente.
169
Valores
0,559354
Oscilador Estocstico
0,716392
1,000000
0,544795
0,590365
0,514847
0,151914
0,564846
0,515075
170
171
172
173
174
positiva no dia seguinte. Por outro lado, caso o resultado sugira uma ordem de
venda, a previso a ocorrncia de oscilao negativa no dia seguinte.
A estatstica obtida com a anlise dos 70 ativos financeiro apresentada
na Figura 99. Esta estatstica mostra que o sistema utilizando RNA ao indicar
um sinal de compra/venda teve uma probabilidade de alta/queda de 95% no dia
seguinte. As variaes maiores que 0,5% e 1% tiveram probabilidade de acerto
de 92% e de 89%, respectivamente.
175
positiva no dia seguinte. Por outro lado, caso o resultado sugira uma ordem de
venda, a previso a ocorrncia de oscilao negativa no dia seguinte.
A estatstica obtida com a anlise dos 70 ativos financeiros para cada
sistema hbrida apresentada na Figura 100. Esta estatstica mostra que o
sistema hbrido Fuzzy-RNA-RNA obteve os melhores resultados. Esta
modelagem hbrida ao indicar um sinal de compra/venda teve uma probabilidade
de alta/queda de 94% no dia seguinte. As variaes maiores que 0,5% e 1%
tiveram uma probabilidade de acerto de 92% e de 89%, respectivamente.
176
0,0
0,5
1,0
Lgica Fuzzy
0,92
0,84
0,75
0,95
0,92
0,89
0,83
0,74
0,64
0,94
0,92
0,89
0,90
0,86
0,82
0,94
0,90
0,86
0,94
0,88
0,81
0,93
0,90
0,86
177
7 CONSIDERAES FINAIS
Inicialmente, foi feita uma contextualizao terica sobre duas tcnicas
de inteligncia computacional (RNA e lgica fuzzy) e previso do mercado
financeiro, o que permitiu o embasamento conceitual para o desenvolvimento
deste trabalho. Com esta contextualizao, foram desenvolvidas modelagens
utilizando essas tcnicas para a tomada de deciso no mercado de capitais,
possibilitando ao investidor maior ganho em liquidez nas negociaes. Esta
contextualizao terica se mostrou muito importante ao longo do projeto por
garantir que os conceitos utilizados possam ser evoludos de modo consistente
em trabalhos futuros.
Este captulo est organizado da seguinte forma. Concluses so
apresentadas na Seo 7.1. Contribuies so mostradas na Seo 7.2.
Limitaes so discutidas na Seo 7.3. Trabalhos futuros so sugeridos na
Seo 7.4.
7.1 Concluses
Neste trabalho, buscou-se modelar e desenvolver um sistema de tomada
de deciso para o mercado financeiro, utilizando lgica fuzzy e RNA; tendo
como dados de entrada cinco indicadores tcnicos. Os resultados das
modelagens mostraram que o sistema de deciso baseado em RNA e lgica fuzzy
foi capaz de propor sugestes razoveis de compra e de venda.
Na modelagem utilizando RNAs, obtiveram-se melhores resultados em
comparao s demais modelagens. A modelagem hbrida RNA-RNA-RNA
obteve a melhor previso, enquanto que a modelagem hbrida RNA-Fuzzy-Fuzzy
teve a pior deciso. O que traz indcios que a modelagem utilizando lgica fuzzy
178
7.2 Contribuies
Este trabalho contribui para o desenvolvimento de modelagens
utilizando duas tcnicas de inteligncia computacional: lgica fuzzy e RNAs para
prever o movimento do mercado financeiro. Do ponto de vista operacional, este
trabalho sinaliza direes para o desenvolvimento de aplicaes de tomada de
decises para o mercado financeiro utilizando diferentes tcnicas de inteligncia
computacional e diferentes indicadores, dentre eles fundamentalista, financeiro e
tcnico. Considera-se que este trabalho pde contribuir para mostrar a
viabilidade da aplicao de tcnicas de inteligncia computacional na previso
de preos futuros.
179
7.3 Limitaes
As principais limitaes deste trabalho so decorrentes da utilizao de
apenas indicadores tcnicos e por propor modelagens de tomada de deciso de
curtssimo prazo (a previso do dia corrente somente vlida para o dia
seguinte). Alm disso, h outras limitaes, tais como, (i) no foram analisados
diferentes algoritmos de treinamento e diversas configuraes possveis para
uma RNA, (ii) a utilizao dos setes minutos iniciais do prego eletrnico, os
quais podem ser complicadores de uma previso por sofrer oscilaes bruscas e
(iii) o critrio da escolha do especialista fuzzy, o qual foi considerado o
conhecimento de um nico especialista.
Porm, a anlise mais detalhada das possveis configuraes e
algoritmos de treinamento esto fora do escopo deste trabalho. Outras tcnicas
de inteligncia computacional relacionadas aos temas de estudo foram
encontradas, porm foram excludas da pesquisa: um caso de particular
importncia a tcnica que utiliza algoritmo gentico.
180
181
j)
182
REFERNCIAS
ALTUNKAYNAK, A.; ZGER, M.; AKMAKCI, M. Water consumption
prediction of istanbul city by using fuzzy logic approach. Water Resources
Management, Oxford, v. 19, n. 5, p. 641-654, 2005.
AMBRSIO, P. E. Redes neurais artificiais no apoio ao diagnstico
diferencial de leses intersticiais pulmonares. 2002. 85 p. Dissertao
(Mestrado em Cincias) - Universidade de So Paulo, So Paulo, 2002.
ATSALAKIS, G. S.; VALAVANIS, K. P. Forecasting stock market short-term
trends using a neuro-fuzzy based methodology. Expert Systems with
Applications, New York, v. 36, n. 7, p. 10696-10707, Sept. 2009. Disponvel
em: <http://www.sciencedirect.com/science/article/pii/S0957417409001948>.
Acesso em: 10 abr. 2012.
BARBOSA, G. R.; ALMEIDA, A. T. Sistemas de apoio a deciso sob o enfoque
de profissionais de ti e de decisores. In: ENCONTRO NACIONAL DE
ENGENHARIA DE PRODUO, 12., 2002, Curitiba. Anais... Curitiba: UFPR,
2002. p. 1-8.
BARRETO, J. M. Introduo s redes neuronais artificiais. In: ENCONTRO DA
ESCOLA REGIONAL DE INFORMTICA DA SBC, REGIONAL SUL, 5.,
2002, Campo Grande. Anais... Campo Grande: SBC, 2002. p. 41-71.
BARROS, L. C. Teoria fuzzy x biomatemtica. Campinas:
IMECC/UNICAMP, 2002. 52 p. Apostila. Disponvel em:
<http://www.ime.usp.br/~tonelli/verao-fuzzy/laecio/minicurso3.pdf>. Acesso
em: 12 abr. 2012.
BAUER, D. P. Aplicao de redes neurais artificiais na determinao do
preo de aes. 2008. 46 p. Monografia (Graduao em Cincia da
Computao) - Centro Universitrio FEEVALE, Novo Hamburgo, 2008.
BOCANEGRA, C. W. R. Procedimentos para tornar mais efetivo o uso das
redes neurais artificiais em planejamento de transportes. 2002. 97 p.
Dissertao (Mestrado em Engenharia Civil) - Universidade de So Paulo, So
Paulo, 2002.
183
184
185
186
187
188
189
<http://www.sciencedirect.com/science/article/pii/S0169207006000549>.
Acesso em: 20 abr. 2012.
PYLE, D. Data preparation for data mining. New York: M. Kaufmann, 1999.
540 p.
RADU, C.; WILKERSON, R. Using Fuzzy set theory. IEEE Potentials, New
York, v. 14, n. 5, p. 33-35, 1996.
RAGHAVENDRA, S.; PARASCHIV, D.; VASILIU, L. A framework for
testing algorithmic trading strategies. Galway: University of Ireland, 2008.
(Working Paper, 139). Disponvel em:
<http://aran.library.nuigalway.ie/xmlui/bitstream/handle/10379/325/paper_0139.
pdf?sequence=1>. Acesso em: 15 abr. 2012.
RAUBER, T. W. Redes neurais artificiais. Vitria: UFES, 2005. Disponvel
em:
<http://www.riopomba.ifsudestemg.edu.br/dcc/dcc/materiais/1926024727_recon
hecimento-de-caracter2.pdf>. Acesso em: 13 abr. 2012.
REZENDE, S. O. Sistemas inteligentes: fundamentos e aplicaes. So Paulo:
Manole, 2002. 550 p.
RODRGUEZ-GONZLEZ, A. et al. CAST: using neural networks to improve
trading systems based on technical analysis by means of the RSI financial
indicator. Expert Systems with Applications, New York, v. 38, n. 9, p. 1148911500, Sept. 2011.
ROH, T. H. Forecasting the volatility of stock price index. Expert Systems with
Applications, New York, v. 33, n. 4, p. 916-922, Apr. 2007. Disponvel em:
<http://www.sciencedirect.com.ez26.periodicos.capes.gov.br/science/article/pii/
S0957417406002223>. Acesso em: 20 abr. 2012.
RUHOFF, A. L. et al. Lgica Fuzzy e zoneamento ambiental da Bacia do Arroio
Grande. In: SIMPSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 12.,
2005, So Paulo. Anais So Paulo: INPA, 2005. p. 2355-2362.
RUMELHART, D. E.; HINTON, G. E.; WILLIAMS, R. J. Learning
representations by backpropagation errors. Nature, London, v. 323, p. 533-536,
1986.
190
191
192
<http://www.ead.fea.usp.br/semead/3semead/pdf/Finan%E7as/Art061.PDF>.
Acesso em: 15 abr. 2012.
ZHANG, Y.; WAN, X. Statistical Fuzzy interval neural networks for currency
exchange rate time series prediction. Applied Soft Computing, New York, v. 7,
n. 4, p. 1149-1156, Aug. 2007. Disponvel em:
<http://www.sciencedirect.com/science/article/pii/S1568494606000068>.
Acesso em: 20 abr. 2012.