Avaliação de um algotrading baseado em deep learning para o mercado de capitais utilizando gerenciamento de risco

• Ano de defesa: 2021
• Autor(a) principal: SILVA, Thalita Ramires da
• Orientador(a): PAMPLONA, Edson de Oliveira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Itajubá
• Programa de Pós-Graduação: Programa de Pós-Graduação: Mestrado - Engenharia de Produção
• Departamento: IEPG - Instituto de Engenharia de Produção e Gestão
• País: Brasil
• Palavras-chave em Português: Avaliação econômica; Algotrading; Aprendizagem profunda; Long shortterm memory; Trading strategy; Gerenciamento de risco
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃO
• Link de acesso: https://repositorio.unifei.edu.br/jspui/handle/123456789/2410

Previsões de séries temporais financeiras são um desafio devido a sua não linearidade e natureza caótica. Nas últimas décadas, muitos pesquisadores e investidores estudaram métodos para melhorar as análises quantitativas. No campo da inteligência artificial, técnicas sofisticadas de aprendizado de máquina, como a aprendizagem profunda, apresentaram melhor performance. Nesta dissertação, um sistema de negociação automatizado, um algotrading, para prever as tendências futuras dos preços do índice de ações Ibovespa é apresentado e avaliado. Usando um agente baseado em LSTM (Long Short-Term Memory) para aprender padrões temporais dos dados, o algoritmo dispara negociações automáticas de acordo com os dados históricos, indicadores de análise técnica e gerenciamento de risco. Inicialmente, foram desenvolvidas cinco estratégias distintas utilizando o algoritmo LSTM como base, em seguida, foi selecionado o modelo que reportou a melhor performance. Durante os testes experimentais, foi possível demonstrar que a utilização de Trading Strategy e gerenciamento de risco ajudaram a minimizar perdas e reduzir custos operacionais, que possuem influência direta na rentabilidade. Posteriormente, o modelo que obteve melhor resultado, o LSTM-RMODV, foi submetido à diversas melhorias. Entre elas, a implementação das técnicas de Break-even e Trailing Stop e uma série de otimizações do trading strategy. Com isto, foi possível obter um conjunto de parâmetros que trouxe melhores resultados ao ATS (Automated Trading System), dando origem ao novo modelo denominado Algo-LSTM. Em última etapa, a avaliação do slippage permitiu inferir que a longo prazo o impacto do slippage em condições razoáveis de mercado não é significante para o resultado final. Por fim, os resultados demonstraram que o método proposto, o Algo-LSTM, apresenta melhor desempenho quando comparado a outros métodos, incluindo a técnica buy-and-hold. O método proposto também funciona em condições de bear ou bull market, apresentando uma taxa sobre a rentabilidade líquida com base no capital investido de 208,23% em 2019 e 112,81% em 2015. Ou seja, apesar da baixa acurácia, o algoritmo é capaz de gerar retornos consistentes quando considerados todos os custos de transação e imposto de renda devido.