A.1.1 ALGN
Figura 28: ROI do SVM otimizado com Grid Search, do SVM otimizado com o GA e da estratégia de Buy&Hold na ação ALGN.
Figura 29: ROI/hora do SVM otimizado com Grid Search, do SVM otimizado com o GA e da estratégia de Buy&Hold na ação ALGN.
A.1.2 JNJ
Figura 31: ROI do SVM otimizado com Grid Search, do SVM otimizado com o GA e da estratégia de Buy&Hold na ação JNJ.
Figura 32: ROI/hora do SVM otimizado com Grid Search, do SVM otimizado com o GA e da estratégia de Buy&Hold na ação JNJ.
Figura 33: Drawdown do SVM otimizado com Grid Search, do SVM otimizado com o GA e da estratégia de Buy&Hold na ação JNJ.
A.1.3 MCD
Figura 34: ROI do SVM otimizado com Grid Search, do SVM otimizado com o GA e da estratégia de Buy&Hold na ação MCD.
Figura 35: ROI/hora do SVM otimizado com Grid Search, do SVM otimizado com o GA e da estratégia de Buy&Hold na ação MCD.
A.1.4 WMT
Figura 37: ROI do SVM otimizado com Grid Search, do SVM otimizado com o GA e da estratégia de Buy&Hold na ação WMT.
Figura 38: ROI/hora do SVM otimizado com Grid Search, do SVM otimizado com o GA e da estratégia de Buy&Hold na ação WMT.
Figura 39: Drawdown do SVM otimizado com Grid Search, do SVM otimizado com o GA e da estratégia de Buy&Hold na ação WMT.
A.2 Resultados obtidos no caso de estudo B nas restantes ações
A.2.1 ALGN
Figura 40: ROI da estratégia de volatilidade sem otimização do GA, com otimização do GA e da estratégia de Buy&Hold na ação ALGN.
Figura 41: ROI/hora da estratégia de volatilidade sem otimização do GA, com otimização do GA e da estratégia de Buy&Hold na ação ALGN.
A.2.2 JNJ
Figura 43: ROI da estratégia de volatilidade sem otimização do GA, com otimização do GA e da estratégia de Buy&Hold na ação JNJ.
Figura 44: ROI/hora da estratégia de volatilidade sem otimização do GA, com otimização do GA e da estratégia de Buy&Hold na ação JNJ.
Figura 45: Drawdown da estratégia de volatilidade sem otimização do GA, com otimização do GA e da estratégia de Buy&Hold na ação JNJ.
A.2.3 MCD
Figura 46: ROI da estratégia de volatilidade sem otimização do GA, com otimização do GA e da estratégia de Buy&Hold na ação MCD.
Figura 47: ROI/hora da estratégia de volatilidade sem otimização do GA, com otimização do GA e da estratégia de Buy&Hold na ação MCD.
A.2.4 WMT
Figura 49: ROI da estratégia de volatilidade sem otimização do GA, com otimização do GA e da estratégia de Buy&Hold na ação WMT.
Figura 50: ROI/hora da estratégia de volatilidade sem otimização do GA, com otimização do GA e da estratégia de Buy&Hold na ação WMT.
Figura 51: Drawdown da estratégia de volatilidade sem otimização do GA, com otimização do GA e da estratégia de Buy&Hold na ação WMT.
A.3 Resultados obtidos no caso de estudo C nas restantes ações
A.3.1 ALGN
Figura 52: ROI do sistema proposto, das duas estratégias que foram combinadas para gerar a solução proposta e da estratégia de Buy&Hold na ação ALGN.
Figura 53: ROI/hora do sistema proposto, das duas estratégias que foram combinadas para gerar a solução proposta e da estratégia de Buy&Hold na ação ALGN.
A.3.2 JNJ
Figura 55: ROI do sistema proposto, das duas estratégias que foram combinadas para gerar a solução proposta e da estratégia de Buy&Hold na ação JNJ
Figura 56: ROI/hora do sistema proposto, das duas estratégias que foram combinadas para gerar a solução proposta e da estratégia de Buy&Hold na ação JNJ.
Figura 57: Drawdown do sistema proposto, das duas estratégias que foram combinadas para gerar a solução proposta e da estratégia de Buy&Hold na ação JNJ.
A.3.3 MCD
Figura 58: ROI do sistema proposto, das duas estratégias que foram combinadas para gerar a solução proposta e da estratégia de Buy&Hold na ação MCD.
Figura 59: ROI/hora do sistema proposto, das duas estratégias que foram combinadas para gerar a solução proposta e da estratégia de Buy&Hold na ação MCD.
Figura 60: Drawdown do sistema proposto, das duas estratégias que foram combinadas para gerar a solução proposta e da estratégia de Buy&Hold na ação MCD.
A.3.4 WMT
Figura 61: ROI do sistema proposto, das duas estratégias que foram combinadas para gerar a solução proposta e da estratégia de Buy&Hold na ação WMT.
Figura 62: ROI/hora do sistema proposto, das duas estratégias que foram combinadas para gerar a solução proposta e da estratégia de Buy&Hold na ação WMT.
Figura 63: Drawdown do sistema proposto, das duas estratégias que foram combinadas para gerar a solução proposta e da estratégia de Buy&Hold na ação WMT.
Referências
Referências
[1] Murphy, J. J. (1999). Technical analysis of the financial markets: A comprehensive guide to trading methods and applications. Penguin.
[2] Malkiel, B. G., & Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The journal of Finance, 25(2), 383-417.
[3] Yoo, P. D., Kim, M. H., & Jan, T. (2005, November). Machine learning techniques and use of event information for stock market prediction: A survey and evaluation. In International Conference on Computational Intelligence for Modelling, Control and Automation and International Conference on Intelligent Agents, Web Technologies and Internet Commerce (CIMCA-IAWTIC'06) (Vol. 2, pp. 835- 841). IEEE.
[4] Guresen, E., Kayakutlu, G., & Daim, T. U. (2011). Using artificial neural network models in stock market index prediction. Expert Systems with Applications, 38(8), 10389-10397.
[5] Khaidem, L., Saha, S., & Dey, S. R. (2016). Predicting the direction of stock market prices using random forest.
[6] Cao, L., & Tay, F. E. (2001). Financial forecasting using support vector machines. Neural Computing & Applications, 10(2), 184-192.
[7] Hsu, J., & Li, F. (2013). Low-volatility investing. The Journal of Index Investing, 4(2), 67-72.
[8] Helleiner, E. (2011). Understanding the 2007–2008 global financial crisis: Lessons for scholars of international political economy. Annual review of political science, 14, 67-87.
[9] Edwards, R. D., Magee, J., & Bassetti, W. C. (2018). Technical analysis of stock trends. CRC press.
[10] Wilder, J. W. (1978). New concepts in technical trading systems. Trend Research.
[12] Ang, A., Hodrick, R. J., Xing, Y., & Zhang, X. (2006). The cross‐section of volatility and expected returns. The Journal of Finance, 61(1), 259-299.
[13] Blitz, D. C., & Van Vliet, P. (2007). The volatility effect. The Journal of Portfolio Management, 34(1), 102-113.
[14] Baker, N. L., & Haugen, R. A. (2012). Low risk stocks outperform within all observable markets of the world.
[15] Ali, M. (2014). Relationship between Financial Leverage and Financial Performance (Evidence of Listed Chemical Companies of Pakistan). Research Journal of Finance and Accounting, 5(23), 46-56.
[16] Tsatsaronis, K., & Yang, J. (2012). Bank stock returns, leverage and the business cycle. BIS Quarterly Review, March.
[17] Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine learning, 20(3), 273-297.
[18] Kotsiantis, S. B., Zaharakis, I., & Pintelas, P. (2007). Supervised machine learning: A review of classification techniques. Emerging artificial intelligence applications in computer engineering, 160, 3- 24.
[19] Cristianini, N., & Shawe-Taylor, J. (2000). An introduction to support vector machines and other kernel-based learning methods. Cambridge university press.
[20] Holland, J. H. (1992). Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence. MIT press.
[21] Jasemi, M., Kimiagari, A. M., & Memariani, A. (2011). A modern neural network model to do stock market timing on the basis of the ancient investment technique of Japanese Candlestick. Expert Systems with Applications, 38(4), 3884-3890.
[22] Patel, J., Shah, S., Thakkar, P., & Kotecha, K. (2015). Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques. Expert Systems with Applications, 42(1), 259-268.
[23] Wang, J., & Wang, J. (2015). Forecasting stock market indexes using principle component analysis and stochastic time effective neural networks. Neurocomputing, 156, 68-78.
[24] Ruiz, E. J., Hristidis, V., Castillo, C., Gionis, A., & Jaimes, A. (2012, February). Correlating financial time series with micro-blogging activity. In Proceedings of the fifth ACM international conference on Web search and data mining (pp. 513-522). ACM.
[25] Huang, W., Nakamori, Y., & Wang, S. Y. (2005). Forecasting stock market movement direction with support vector machine. Computers & operations research, 32(10), 2513-2522.
[26] Pinto, J. M., Neves, R. F., & Horta, N. (2015). Boosting Trading Strategies performance using VIX indicator together with a dual-objective Evolutionary Computation optimizer. Expert Systems with Applications, 42(19), 6699-6716.
[27] Yu, H., Chen, R., & Zhang, G. (2014). A SVM stock selection model within PCA. Procedia computer science, 31, 406-412.
[28] Gorgulho, A., Neves, R., & Horta, N. (2011). Applying a GA kernel on optimizing technical analysis rules for stock picking and portfolio composition. Expert systems with Applications, 38(11), 14072- 14085.
[29] Huang, C. L., & Wang, C. J. (2006). A GA-based feature selection and parameters optimizationfor support vector machines. Expert Systems with applications, 31(2), 231-240.
[30] de Almeida, B. J., Neves, R. F., & Horta, N. (2018). Combining Support Vector Machine with Genetic Algorithms to optimize investments in Forex markets with high leverage. Applied Soft Computing, 64, 596-613.
[31] Data Preprocessing for Supervised Leaning. S. B. Kotsiantis, D. Kanellopoulos, and P. E. Pintelas
[32] Behl, S., Tondehal, K., & Zaman, N. A machine learning based stock trading framework using technical and economic analysis.