Modelo da estratégia Inner Circle Trade usando Inteligência Artificial

• Autor(a) principal: Ticona, Marco Antonio Jorge
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UNIPAMPA
• Texto Completo: https://repositorio.unipampa.edu.br/jspui/handle/riu/8540
• topic: CNPQ::ENGENHARIAS; Aprendizagem de Máquina; Inteligência Artificial; Mercado Financeiro; Forex; Matriz de Confusão; Machine Learning; Artificial Intelligence; Financial market; Confusion matrix

A aplicação da Inteligência Artificial (IA) no setor financeiro, especialmente nas áreas de gestão de ativos e finanças, tem se tornado cada vez mais comum, devido à vasta disponibilidade de dados e ao acesso a poder computacional. No entanto, a falta de prática ou conhecimento nesse campo pode resultar em prejuízos para os envolvidos. O objetivo deste estudo é desenvolver um modelo, chamado de TradeClassifier, capaz de tomar decisões sobre o momento adequado para operar em Long ou Short em um ativo do mercado Forex, utilizando a estratégia Inner Circle Trade (ICT) e técnicas de Inteligência Artificial. O modelo tem a finalidade de auxiliar tanto os operadores inexperientes quanto os experientes. As técnicas de Aprendizado de Máquina (Machine Learning) utilizadas para classificação incluem Suport Vector Machine (SVM), Árvore de Decisão, Floresta Aleatória e Redes Neurais, que são amplamente empregadas em trabalhos acadêmicos para previsão e classificação. Optou-se pelo uso da linguagem de programação Python devido às bibliotecas disponíveis e à sua popularidade no setor financeiro e no desenvolvimento de projetos de IA. Foi adotada a abordagem de aprendizado supervisionado para a classificação, uma vez que o modelo recebeu uma base de dados do ativo EUR/USD (Euro x Dólar Americano) e classifica os momentos de operar. Os resultados de acurácia dos modelos obtiveram cerca de 55% de acurácia utilizando a técnica GridSearchCV() para otimização dos parâmetros. A matriz de confusão foi utilizada para analisar as classificações realizadas pelos modelos. Além disso, foram realizadas simulações de negociações com base nas previsões geradas por modelos que apresentaram resultados lucrativos, os modelos SVM e Redes Neurais. O SVM obteve 79,235.23% de lucro e o modelo de Rede Neural acumulou 63,450.64%.