Diante da competitividade no mundo corporativo e globalizado, empresas com o objetivo de acelerar seu crescimento abrem seu capital em uma bolsa de valores, permitindo que pessoas comprem suas ações e se tornem sócias do negócio. Como consequência de diversos fatores da economia e também do desempenho de tais empresas, o preço das ações pode variar de modo que isto possibilite o ganho de capital com a compra e venda destas ações, caracterizando então um mercado de renda variável.
Dada esta oscilação no preço de ações, surgiu a necessidade de identificar métodos que apoiam a tomada de decisão para encontrar oportunidades disponíveis no mercado para inves- timento. Com isso, abordagens de investimento como a análise fundamentalista e a técnica (ou gráfica) foram difundidas ao longo dos anos. No entanto, outras áreas do conhecimento tam- bém avançaram com os estudos de séries temporais, levando a métodos que podem ser utilizados junto ao histórico de cotações de ações.
Dentre estas áreas, a inteligência computacional apresentou as redes neurais artificiais, que se mostraram capazes de lidar com diversos tipos de problemas, sendo um deles a previ- são de séries temporais. Sendo assim, diversos estudos foram desenvolvidos ao longo dos anos aplicando redes neurais a diversas áreas do conhecimento como climatologia, previsão de ven- das para um setor, previsão de produção em uma fábrica, financeira, sugestão de filmes, entre outras.
Diante disso, este trabalho teve o objetivo de construir um sistema de apoio à decisão para recomendar operações sobre uma ação definida pelo usuário. Este projeto contou com uma arquitetura modularizada onde o módulo de previsão utilizou redes neurais artificiais para prever cotações de ações listadas em bolsas de valores. Além disso, foi implementado um módulo de análise que otimiza o uso do preditor com o objetivo de verificar um bom momento para a sugestão da operação, baseando-se também na posição atual do usuário.
Ações de empresas com grande volume de negociação e boa representatividade no índice IBovespa foram selecionadas para a realização dos experimentos. O sistema proposto, chamado
StockMOS(Stock Market Operation System), apresentou um bom desempenho quando compa-
rado a estratégias de investimentos como as análises fundamentalista e técnica. No entanto, é importante ressaltar que tais estratégias de investimentos não podem ser descartadas, dado o sucesso que investidores têm tido ao longo dos anos com sua aplicação.
Além disso, outros dois experimentos foram realizados, sendo o primeiro deles para ava- liar qual arquitetura de rede neural apresentou o melhor desempenho para as ações selecionadas e o segundo para avaliar o impacto que indicadores da análise técnica têm sobre a previsão do preço de fechamento diário das ações.
O primeiro experimento avaliou as arquiteturas do tipo Multi-Layer Perceptron, Elman
Recurrent Neural Networke Jordan Recurrent Neural Network. Todos os experimentos avali-
outros. Entre as ações avaliadas, a rede Multi-Layer Perceptron destacou-se pela boa perfor- mance apresentada para a maioria dos casos avaliados. No entanto, foi mantido o suporte aos três tipos de arquiteturas de redes neurais para o uso no sistema, sendo também que novos modelos de previsão de séries temporais podem ser adicionados futuramente.
O segundo experimento avaliou o impacto que séries de indicadores da análise técnica, quando utilizadas de modo isolado em uma rede neural do tipo Multi-Layer Perceptron, têm sobre a previsão do preço de fechamento diário das ações. Para isso, 12 indicadores técnicos fo- ram calculados com os parâmetros recomendados pela literatura e utilizados nos experimentos. Além disso, foi avaliado se a combinação dos indicadores selecionados e também o preço de fechamento diário, através de uma busca exaustiva, poderia melhorar a acurácia dos resultados da previsão do preço de fechamento das ações. Para a maioria das ações avaliadas, indicadores técnicos de tendência (lagging) apresentaram o melhor desempenho, destacando-se principal- mente os indicadores Exponential Moving Average e Weight Moving Average.
As principais contribuições desta pesquisa foram a verificação das arquiteturas de redes neurais apropriadas para trabalhar com as ações selecionadas, o impacto de indicadores técnicos sobre a previsão dos preços das ações e a estratégia implementada no sistema de apoio à decisão, intitulado StockMOS, que proporcionou bons resultados financeiros.
Os preditores utilizados nesta pesquisa foram preparados para trabalhar com a previsão de um passo adiante. Através da realimentação dos dados gerados pelo próprio preditor, foi possí- vel obter previsões além de apenas um passo adiante. No entanto, esta estratégia pode apresentar erros que são propagados sobre cada passo de novas previsões. Para trabalhos futuros, a utiliza- ção de preditores preparados para trabalhar com mais de um passo adiante e sua adaptação ao sistema de apoio à decisão é sugerida.
A inclusão de novos parâmetros no sistema de apoio à decisão para o controle de prejuízo pode ser adotada como sugestão de trabalhos futuros. Este parâmetro poderia controlar um per- centual máximo de prejuízo aceito pelo usuário, sendo aplicado antes do uso do Fator de Risco, possibilitando uma flexibilidade maior ao usuário em relação ao risco das operações sugeridas. Além disso, é importante avaliar se a inclusão deste parâmetro poderia afetar o desempenho do sistema, dado que sua complexidade pode aumentar gradativamente. Uma abordagem comple- mentar, que pode ser avaliada para a definição dos parâmetros do sistema, poderia ser dada por um algoritmo de genético.
Outra sugestão seria o uso de técnicas de transformação sobre as séries temporais para aplicação no sistema de apoio à decisão junto aos preditores. Trabalhos já realizados sobre a previsão de séries temporais que aplicam transformações para o domínio da frequência (como a transformada de Wavelet) antes da utilização dos dados nos preditores apresentaram bons resultados. Como consequência disto, as aplicações de tais técnicas de transformação de sé- ries temporais podem ser agregadas ao sistemas de apoio à decisão para avaliar se isto amplia seu desempenho. Novos componentes para a previsão de séries temporais poderiam também ser adicionados ao módulo de Preditores no sistema proposto para avaliação de desempenho.
Na inteligência computacional existem as Máquinas de Vetores de Suporte (do inglês Support Vector Machines), que assim como as redes neurais artificiais podem ser aplicadas à previsão de séries temporais. Além deste modelo, existem também outros métodos, como ARIMA para séries não-estacionarias, que poderiam ser avaliados.