TRABALHOS FUTUROS

Nossos trabalhos futuros incluem:

• Reescrever o código do preditor WNN VG-RAM para que explore o alto poder de processamento das Graphics Processing Units (GPU), por exemplo, uma implementação em C+CUDA (Compute Unified Device Architecture). Com isso, acreditamos que seja possível realizar o processo de calibração em computadores pessoais fazendo com que seja possível construir sistemas que são calibrados, treinados e testados sem a necessidade de utilização de clusters de computadores. • Como o preditor WNN VG-RAM consegue resultados com qualidade similares aos

preditores ARNN(4), porém com velocidade de predição muito maior, logo, surge a possibilidade de criar sistemas que utilizem estas predições para auxiliar investidores no processo de compra e venda de ações (trading systems) em investimento de curto e curtíssimo prazo, como, por exemplo, operações intraday. • Desenvolver sistemas automatizados de compra e venda de ações utilizando as

predições do preditor WNN VGRAM, ou seja, automatizar todo o processo de análise de mercado e negociação de ativos. O desenvolvimento desse tipo de sistema traz vantagens como: evitar o fator emocional no processo de negociação e economia de tempo do investidor.

• Desenvolver novas arquiteturas baseados no preditor WNN VGRAM para detectar pontos de máximo e mínimo dos preços de ações com o objetivo de maximizar os lucros nas operações.

REFERÊNCIAS BIBLIOGRÁFICAS

ALEKSANDER, I. RAM-Based Neural Networks. From WISARD to MAGNUS: a Family of

Weightless Virtual Neural Machines. World Scientific. 1998.

ALEKSANDER, I. Self-adaptive universal logic circuits, p.231–232. IEE Electronic Letters, 1966.

ALHASSAN, J. K; MISRA, S. Using a weightless neural network to forecast stock prices: A case study of Nigerian stock Exchange. Scientific Research and Essays, vol. 6, p. 2934- 2940, Jul. 2011.

ARMSTRONG, J. S.; COLLOPY, F. Error measures for generalizing about forecasting methods: Empirical comparisons. International Journal of Forecasting, v. 8, n. 1, p. 69–80, 1992.

BABA, N.; KOZAKI, M. An intelligent forecasting system of stock price using neural networks. IJCNN. International Joint Conference, p. 371-377, vol.1, 1992.

BEALE, R.; JACKSON, T. Neural Computing: an Introduction. Bristol. Adam Hilger, 1990.

BISHOP, C. M. Neural Networks for Pattern Recognition. Oxford University Press, 1996.

BOVESPA. Acesso em 09 de Maio de 2011, disponível em BOVESPA:

http://www.bovespa.com.br

BOVESPA. Acesso em 19 de Junho de 2011, disponível em BOVESPA: http://ri.bmfbovespa.com.br/site/portal_investidores/pt/home/home.aspx

CÂMARA DOS DEPUTADOS. BRASIL. Código Civil. 1. Coordenação de Publicações. Série Fontes de Referência. Legislação, n 43. Brasília, 2002.

COOTNER, P. H. The random character of stock market prices. MIT Press. 1964. ISBN 9780262030090

De SOUZA, A. F.; BADUE, C. G; PEDRONI, F.; OLIVEIRA, E.; SCHWANZ, S. D; OLIVEIRA, H; SOUZA, F. S. Face recognition with VG-RAM weightless neural networks. Proceedings of

the 18th International Conference on Artificial Neural Networks (ICANN’08), p. 209–216, 2008.

De SOUZA, A. F.; PEDRONI, F.; OLIVEIRA, E.; CIARELLI, P. M.; HENRIQUE, W. F.; VERONESE, L. d. Automated Multi-label Text Categorization with VG-RAM Weightless Neural Networks. Neurocomputing, p. 2209-2217. Amsterdã, 2009.

Investment Analysis, 7 ed. John Wiley & Sons, Inc., 2007.

FAMA, E. F. Efficient capital markets II. Journal of Finance, v. 46, n. 5, p. 1575–1617, dez. 1991.

FAMA, E. F. Efficient capital markets: A review of theory and empirical work. The Journal

of Finance, American Finance Association, v. 25, n. 2, p. 383–417, maio. 1970. ISSN 0022- 1082.

FAMA, E. F. Market efficiency, long-term returns, and behavioral finance. Journal of

Financial Economics, v. 49, p. 283–306, 1998.

FREITAS, F. D. Modelo de seleção de carteiras baseado em erros de predição. 2008.

FREITAS, F. D.; De SOUZA, A.; ALMEIDA, A. Prediction-based portfolio optimization model using neural networks. Neurocomputing, p. 2155–2170, 2009.

FREITAS, F. D.; De SOUZA, A. F.; ALMEIDA, A. A prediction-based portfolio optimization model. 5th International Symposium On Robotics and Automation — ISRA., p. 520–525. Hidalgo, México, 2006.

FREITAS, F. D.; De SOUZA, A. F.; ALMEIDA, A. Autoregressive neural network predictors in the Brazilian stock market. VII Simpósio Brasileiro de Automação Inteligente (SBAI)/II IEEE

Latin American Robotics Symposium (IEEE-LARS). São Luís, Brasil, 2005.

HAGAN, M.; MENHAJ, M. Training feedforward networks with the Marquardt algorithm.

IEEE Trans. Neural Network. 1994.

HANSEN, J.; NELSON, R. Neural networks and traditional time series methods: a synergistic combination in state economic forecasts. . IEEE Trans. Neural Network, 10.1109/72.595884, p. 863–873, 1997.

HAYKIN, S. Neural Networks: A Comprehensive Foundation. 2 ed. Prentice-Hall. 1999.

HELLSTROM, T. Data snooping in the stock market. Theory of Stochastic Processes. vol.5, n. 21, p. 33–50, 1999.

HENDERSHOTT T.; JONES, C.; MENKVELD, A. Does algorithmic trading improve liquidity.

The Journal of Finance. 2011.

KANDEL, S. J. Principles of Neural Science, 4 ed. Prentice-Hall International Inc. 2000.

LIU F, N. G. RLDDE: A novel reinforcement learning-based dimension and delay estimator

for neural networks in time series prediction, p. 1331–1341, 2007.

LO, ANDREW; MACKINLEY, A. C. Stock Prices do not follow Random Walks: Evidence from a simple specification test. 1998.

LO, ANDREW. A Non-Random Walk Down Wall Street. Princeton University. Press, 1999. ISBN 0691057745

LUDERMIR, T.; CARVALHO, A.; BRAGA, A.; SOUTO, M. Weightless neural models: A review

of current and past works. Neural Computing Surveys, p. 41–61, 1999.

MALKIEL, B. G. The efficient market hypothesis and its critics. The Journal of Economic Perspectives. American Economic Association, v. 17, n. 1, p. 59–82, 2003. ISSN 0895-3309

MITCHELL, B. J. RAM-Based Neural Networks: Comparison of Some Methods for

Processing Grey Level Data in Weightless Networks. World Scientific. 1998.

MOODY, J. Prediction risk and architecture selection for neural networks. From Statistics

to Neural Networks: Theory and Pattern Recognition Applications. Springer. 1994.

MORETTIN, P. A; TOLOI, C. M. C. Análise de Séries Temporais. 1. ed.: Editora Edgar Bücher Ltda, 2004.

MORETTIN, P.A. Econometria Financeira – Um curso em Séries Temporais Financeiras. 1. ed.: ABE – Associoação Brasileira de Estatística, 2004.

PAPOULIS, A. Probability, Random Variables, and Stochastic Processes, 3 ed. McGraw-Hill, 1991.

PELTZ, M. Inside the machine: A journey into the world of high-frequency trading.

Institutional Investor, p. 90–93, 2010.

SÁ, G. Mercado de Ações e Bolsa de Valores. Rio de Janeiro: Aplicação Editora, 1987.

SAAD, E.; PROKHOROV, D.; WUNSCH, D. I. Comparative study of stock trend prediction using time delay, recurrent and probabilistic neural networks. Neural Networks, IEEE

Transactions, p. 1456 – 1470, 1998.

SALGADO, E. Uma questão de milésimos. Revista Exame. Edição 0959. Disponível em: http://exame.abril.com.br/revista-exame/edicoes/0959/noticias/questao-milesimos- 521769. Acesso em: 10 ago. 2011.

SHARDA, R.; PARTIL, R. A connectionist approach to time series prediction: An empirical test. Journal of Intelligent Manufacturing, p. 317–323, 1992.

STEVENS, J. K. Reverse Engineering the Brain. Abril. p. 287–289, 1985.

WASSERMAN, P. D. Neural Computing: Theory and Practice. New York: Van Nostrand Reinhold. 1989.

WHITE, H. Economic prediction using neural networks: The case of IBM daily stock returns. Proceedings of the IEEE International Conference on Neural Networks, p. 451–45, 1988.

YOON, Y.; SWALES, G. Predicting stock price performance: a neural network approach.

Proceedings of the Twenty-Fourth Annual Hawaii International Conference, p. 156 - 162 vol.4. Hawaii, 1991.