Uma proposta para um sistema automatizado de tomada de decisão financeira especulativa

• Ano de defesa: 2009
• Autor(a) principal: Sisti, Gustavo Braga
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Trading systems; Artificial inteligence; Análise técnica; Médias móveis; Tendência; Artificial intelligence; Technical analysis; Moving average, trends
• Link de acesso: https://repositorio.insper.edu.br/handle/11224/980

Apresentaremos o desenvolvimento de um sistema de negociação automático, baseado em modelos simplificados de séries temporais de tendência que, aplicados sobre séries de preços de ativos e derivativos líquidos e com parâmetros ajustados sob backtesting e critérios de condições de realidade (Hansen’s SPA), busca apresentar retornos financeiros maiores do que o principal benchmark do mercado brasileiro, o CDI. O algoritmo foi aplicado sobre 65 ações negociadas no mercado brasileiro, 18 índices de ações mundiais, 9 pares de moedas e 16 commodities, com séries históricas, em sua maioria, partindo de maio de 1996 e se extendendo até maio de 2009, um período aproximado de 13 anos. Com o intuito de maximizar os retornos e não se esquecendo dos controles de riscos, calibrou-se seus parâmetros, como alavancagem e stop-loss. Testes de realidade foram realizados para identificação e sinalização de efeitos de data minning e data snooping. O sistema foi construído de forma a englobar 3 diferentes modelos de extração de tendência, uma média móvel simples, uma média móvel exponencial e um filtro HP. A utilização de stop-loss mostrou-se efetiva de forma a deslocar a distribuição de retornos assimetricamente à direita, evidenciando uma crítica às hipóteses fraca, semi-forte e forte de mercados eficientes. No final, o que se pretende é identificar-se os parâmetros da tendência mais favovável em cada fator de risco e posicionar as decisões de investimento para cada ativo de forma e extrair-se o maior lucro, com a limitação da volatilidade dos retornos e dos riscos, sempre buscando o controle de data-minning.