Autor: Diego Dias Pereira
Instituição: UFU
Data: 11/02/2024
Esse trabalho consiste em aplicar técnicas de aprendizado supervisionado em dados das ações de empresas Brasileiras para tentar prever o preço dessa ação.
Prever os movimentos dos preços das ações é um desafio complexo pois envolvem muitas variáveis mensuráveis como taxa básica de juros, resultados da empresa, entre outros, e alguns imensuráveis como o emocional dos investidores, sentimento do mercado em relação a empresa. Devido isso a possibilidade de prever o preço de uma ação se torna relevante, para auxiliar os investidores a tomarem decisões mais assertivas.
Esse trabalho objetiva prever os preços das ações de três empresas brasileiras presentes na bolsa de valores Vale (VALE3), Cosan (CSAN3) e Magazine Luiza (MGLU3). Para isso, este estudo utiliza três algoritmos de machine learning support vector machines (SVM), redes neurais artificias (RNA) e Ridge Regression (RR).
Por fim são estipulados dados estatísticos para comparar a eficiência dos algoritmos
- Definição: Uma rede neural é um modelo computacional inspirado na estrutura e no funcionamento do cérebro humano, composta por unidades de processamento chamadas neurônios.
- Arquitetura Básica: A estrutura fundamental de uma rede neural consiste em camadas de neurônios interconectados, incluindo uma camada de entrada, uma ou mais camadas ocultas e uma camada de saída.
- Neurônios: Os neurônios são unidades de processamento que recebem entradas ponderadas, aplicam uma função de ativação e produzem uma saída. A interconexão de neurônios forma as conexões sinápticas da rede.
- Treinamento: O processo de treinamento de uma rede neural envolve o ajuste dos pesos das conexões sinápticas para minimizar uma função de perda, geralmente usando algoritmos como retropropagação.
- Definição: Support Vector Machines (Máquinas de Vetores de Suporte) são um conjunto de algoritmos de aprendizado supervisionado usados para classificação e regressão.
- Princípio Básico: SVM busca encontrar o hiperplano de decisão que melhor separa as classes no espaço de características, maximizando a margem entre as classes.
- Vetores de Suporte: Os vetores de suporte são os pontos de dados mais próximos ao hiperplano de decisão e desempenham um papel crucial na definição da margem.
- Núcleos: SVM pode usar funções de kernel para mapear dados para um espaço de características de maior dimensão, permitindo a separação de classes não linearmente separáveis.
- Regularização: A regularização em SVM é controlada pelo parâmetro C, que equilibra a busca por uma margem mais ampla com a classificação correta dos pontos de treinamento.
- Vantagens: SVMs são eficazes em espaços de alta dimensão, robustos contra overfitting e versáteis devido à escolha de diferentes funções de kernel.
- Definição: Ridge Regression, também conhecida como Regressão de Crista, é uma técnica de regularização utilizada em problemas de regressão linear para lidar com a multicolinearidade.
- Objetivo: O principal objetivo da Ridge Regression é impedir a ocorrência de coeficientes de regressão muito grandes, penalizando-os através da adição de um termo de regularização à função de perda.
- Função de Custo: A função de custo em Ridge Regression inclui um termo de regularização L2, que é proporcional ao quadrado da norma euclidiana dos coeficientes de regressão. Isso ajuda a evitar overfitting.
- Parâmetro de Regularização ((\lambda)): O sucesso da Ridge Regression depende da escolha adequada do parâmetro de regularização ((\lambda)), que controla a força da penalização. Cross-validation é frequentemente usado para encontrar o valor ótimo de (\lambda).
Ridge Regression
SVM
Redes Neurais
Os algoritmos citados foram implementados por meio da linguagem Python com auxílio de algumas bibliotecas disponíveis na extensa comunidade da linguagem. As bibliotecas são:
- Pandas
- NumPy
- Scikit-Learn
- Keras
- Tensorflow
- Matplotlib
Os dados das ações foram obtidos através do Yahoo Finance contendo os valores de abertura, máximo, mínimo, fechamento e volume de determinada ação em uma frequência diária. Esses valores são normalmente plotados nos chamados gráfico de candlesticks.
Após a coleta dos dados precisamos efetuar alguns pré processamentos nos dados para se adequarem aos nossos testes.
- É adicionado uma coluna de target se referindo ao valor de fechamento da linha posterior que é o que queremos que os nossos algoritmos propostos tentem prever.
- Os dados são normalizados utilizando a técnica chamada Min-Max Scaler.
- É removida a última linha dos registros pois ela não estará rotulada.
- Para treinamento foram obtidos todos os dados da ação antes de 01/01/2023 e para os testes foram utilizados os dados depois de 01/01/2023.
Foi desenvolvida uma RNA com 1 camada de entrada, 2 camadas ocultas e 1 camada de saída. A camada de entrada e a primeira camada oculta possuem 12 neurônios, a segunda camada oculta possui 3 neurônios, já a camada de saída possui 1 neurônio. A função de ativação empregada nas células foi a Rectified Linear Unit (ReLU). A rede neural foi compilada utilizando o otimizador Adam e função de perda de Erro Quadrático Médio.
Na analise técnica é muito comum a operação de compra e venda de ações serem sustentadas por meio de indicadores que os investidores utilizam dentre eles temos médias móveis, estocástico e entre outros. Muita das vezes esses indicadores tem como base os dados anteriores da ação e por isso indicam também a possível tendência daquela ação. Em um trabalho anterior [1] fiz a analise dos investimentos baseado em um desses indicadores e nesse trabalho foi possível obter apenas 36,49% de acurácia.
Com esse trabalho foi possível obter dados relevantes de, como técnicas de aprendizado supervisionado performam diante de um problema de regressão. Foi possível identificar que os 3 algoritmos conseguem boas métricas, com destaque para a Rede Neural Artificial (RNA) proposta que teve os melhores resultados médios comparado ao Ridge Regression (RR) e Support Vector Machines (SVM).
- Pereira, Diego Dias, Jean Lucas de Sousa. "Análise computacional de estratégias para o mercado financeiro." (2019).
- Santos, Gustavo Carvalho. "Algoritmos de machine learning para previsao de açoes da B3." (2020).
- Danilofneto, "Prevendo valores de ações usando Machine Learning e Deep Learning." Disponível em: link. Acesso em: 25 de nov. de 2023.