• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Dissertação de Mestrado
DOI
https://doi.org/10.11606/D.12.2019.tde-17032020-183245
Documento
Autor
Nome completo
Felipe Henrique Rubim
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Paulo, 2019
Orientador
Banca examinadora
Securato, Jose Roberto (Presidente)
Bergmann, Daniel Reed
Furlanetti, Carlos Eduardo
Vicente, Renato
Título em português
Deep learning no mercado acionário brasileiro: fatores que possibilitam previsões consistentes para a tomada de decisão em condições de risco
Palavras-chave em português
Deep learning
LSTM
Mercado acionário brasileiro
Previsão de retorno
Processo decisório
Resumo em português
A concepção e operação de estratégias de compra e venda de ações por mecanismos de inteligência artificial ganharam escala na última década visando resultados acima da média do mercado para seus usuários, em geral, hedge funds, investidores institucionais e grandes bancos de investimentos. O aprendizado de máquina se tornou o arcabouço central no desenvolvimento desses processos, em função de sua extraordinária capacidade de revelação de padrões escondidos em um universo obscuro de dados, que até então apenas dificultava o processo de tomada de decisão tradicional, realizado pelos agentes do mercado de capitais. Em particular, este trabalho visa compreender se no mercado acionário brasileiro é possível tomar decisões consistentes, em um processo diário de seleção de ações, com auxílio de redes neurais recorrentes do tipo Long Short-Term Memory (LSTM), que em determinados níveis de profundidade e conectividade são conhecidas como deep learning. Os modelos baseados na arquitetura LSTM são propícios para a extração de informações relevantes de longas sequências de dados, portanto, são naturalmente aplicáveis ao problema de previsão do retorno futuro de ações a partir de séries temporais financeiras históricas, como os preços diários das próprias ações, os índices gerais de mercado, a cotação do dólar, entre outras. Assim, foi proposta uma metodologia que utiliza redes neurais LSTM, em conjunto com tais séries temporais, como modelos preditivos para apoiar a tomada de decisão no mercado acionário brasileiro. Com isso, diversos experimentos foram realizados para encontrar a melhor arquitetura e verificar seu potencial econômico, compreendendo as ações constituintes do Índice Bovespa (Ibovespa) no período entre 2007 e 2018. Em linha com as evidências apontadas em estudos prévios, os modelos apresentaram ótimos resultados, mesmo em configurações relativamente simples. Grandes estruturas LSTM tiveram performance ligeiramente inferior às arquiteturas menores. Além disso, observou-se que o conjunto de informações complementares aos preços das ações melhoraram o aprendizado e a acurácia dos modelos, sobretudo os índices de mercado e a taxa de câmbio. Em termos econômicos, o retorno médio anual bruto de uma carteira que simula compras diárias de 10 ações atingiu a marca de 22,3%. Esse resultado supera em mais de 100% o retorno médio das ações constituintes do Ibovespa, no mesmo período. Sobretudo, a curva de rentabilidade dessa carteira foi consistentemente maior que a curva referente ao Ibovespa. As evidências encontradas sugerem, portanto, que a metodologia proposta é capaz de revelar fortes variáveis preditivas e proporcionar ganhos de capital relevantes, através da aplicação das redes neurais LSTM no mercado brasileiro.
Título em inglês
Deep learning in the brazilian stock market: factors that enable consistent predictions for risky decision making.
Palavras-chave em inglês
Brazilian stock market
Decision making process
Deep learning
Forecast return
LSTM
Resumo em inglês
The design and operation of stock buying and selling strategies by artificial intelligence mechanisms has gained scale over the past decade aiming at above-average market outcomes for its users, generally hedge funds, institutional investors and large investment banks. Machine learning has become the central framework in the development of these processes, due to its extraordinary ability to reveal patterns hidden in a dark universe of data, which until then only hindered the traditional decision-making process undertaken by market players. In particular, this work aims to understand if in the Brazilian stock market it is possible to make consistent decisions, in a daily stock selection process, with the aid of some type of recurrent neural networks called Long Short-Term Memory (LSTM), which at certain depth levels and connectivity are known as deep learning. Models based on the LSTM architecture are lucky to extracting relevant information from long data strings, so they are naturally applicable to the problem of predicting future stock returns from historical financial time series, such as daily stock prices, the general market indexes, the dollar quotation, among others. Thus, a methodology was proposed that uses LSTM neural networks, together with such time series, as predictive models to support decision making in the Brazilian stock market. Several experiments were performed to find the best architecture and verify its economic potential, including the actions that composed the Bovespa Index (Ibovespa) in years between 2007 and 2018. In line with the evidences pointed out in previous studies, the models presented excellent results, even in relatively simple configurations. Large LSTM structures performed slightly lower than smaller architectures. In addition, it was observed that the complementary set of stock price information improved the learning and accuracy of the models, especially the market indexes and the exchanges rates. In economic terms, the average annual return on a portfolio that simulates daily purchases of 10 shares reached 22.3% annually, excluding fees and taxes. This result exceeds by more than 100% the average return of Ibovespa's constituent shares in the same period. Withal, the portfolio yield curve was consistently higher than the Ibovespa curve. Therefore, there is positive evidence on the temporal consistency of the proposed methodology, on its ability to reveal strong predictive variables, and thereafter potential application of LSTM neural networks in the Brazilian market.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
OriginalFelipe.pdf (2.69 Mbytes)
Data de Publicação
2020-07-03
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2024. Todos os direitos reservados.