O uso de técnicas de inteligência artificial e aprendizado de máquina tem se mostrado eficiente para aplicações complexas envolvendo processamento de imagens, processamento de linguagem natural (NLP), problemas de otimização em geral, entre outros. Como tais técnicas apresentam grande capacidade de descobrir padrões em problemas dinâmicos e não lineares, torna-se possível aplicar essas técnicas ao mercado financeiro.
Pensando no cenário de mercado financeiro, os algoritmos utilizados para auxiliar na tomada de decisão geralmente são baseados em modelos matemáticos ou estatísticos como modelos de regressão (BUSUTTIL; KALNISHKAN, 2007), auto regressivos (ANGELINI; EMILI, 2018), auto regressivos integrados com médias móveis (do inglês,
ARIMA) (VALENZUELA et al., 2008) e, também, probabilísticos (DEPEI BAO; YANG,
2008). O problema da aplicação dos modelos está nas características do mercado, onde o preço de ações se comporta de modo não lineares e não estacionário, tornando a predição de valor uma tarefa de difícil solução.
Huang et al. (2018) apresentaram em seus estudos uma série de abordagens diferentes das anteriores para a tomada de decisão em investimentos. Ao invés de tentar prever com exatidão o preço da ação em diferentes períodos, seus estudos sugerem modelar um problema de classificação, onde o objetivo do algoritmo é definir um padrão de negociação, sendo eles compra, venda ou manter posição a partir da análise dos indicadores técnicos. Os autores conseguiram bons resultados em ações do mercado financeiro, sendo que seu melhor resultado nos testes foi um lucro de 51,08% em ações da Apple® de janeiro a junho de 2009. O estudo proposto apresenta o algoritmo de bi-clusterização para descobrir padrões escondidos nos dados históricos de preço, para em seguida realizar a construção de classificadores fracos com o algoritmo Naive Bayes combinados com o método chamado Adaboost.
Mais especificamente no cenário de criptomoedas existem trabalhos que utilizaram redes neurais para encontrar pontos de negociação a partir de indicadores técnicos. No trabalho de Nakano, Takahashi e Takahashi (2018) os autores apresentaram um modelo que obteve resultados superiores em relação a estratégia Buy and Hold no período de dezembro de 2017 até janeiro de 2018. O problema principal deste modelo refere-se a métrica de drowndown máximo que simboliza a maior perda do algoritmo no período de teste, visto que na maioria dos casos demonstrados a perda é superior a 30%, o que representa alto risco nas operações.
Em 2019 foi apresentada uma tentativa da criação de sinais de negociação com a utilização de técnicas neuro-fuzzy (ATSALAKIS et al., 2019). Os autores criaram uma estratégia intitulada PASTOS que parte da premissa que para se obter um modelo vencedor é necessário uma acurácia (razão entre número de negociações vencedoras e perdedoras) superior a 50%. A acurácia média do modelo foi de 63% e o resultado de retorno monetário foi superior à estratégia Buy and Hold em 60 períodos de teste. Entretanto mesmo com uma acurácia de 63% o modelo apresentou prejuízo em uma das três criptomoedas testadas.
No trabalho de Borges e Neves (2020) foram utilizados indicadores técnicos para alimentar algoritmos de aprendizado de máquina combinados e técnicas de reamostragem de dados com o objetivo de encontrar pontos de negociação em criptomoedas. A principal métrica de desempenho do modelo foi o ROI (retorno sobre o investimento). O sistema foi testado com alguns algoritmos de aprendizado de máquina. Os autores concluíram, que
independente de utilizar técnicas de reamostragem ou não, todos os modelos apresentam desempenho superior em relação a estratégia Buy and Hold com o grupo de indicadores selecionado.
Dentre as configurações de modelos aplicadas por Borges e Neves (2020) a instância com o maior resultado ROI chama a atenção. O retorno sobre investimento no melhor caso foi obtido com a combinação de diversos algoritmos de aprendizado de máquina com um sistema de votação, caracterizando um modelo de aprendizado de máquina combinado. Com essa configuração foram testadas cerca de 1000 criptomoedas, onde ROI foi de 1100%. A maior acurácia média e menor drawdown também foram obtidos com essa configuração.
3 MÉTODO PROPOSTO
Este trabalho trabalho baseia-se em técnicas de aprendizado de máquina e otimização para a criação de um método de investimento capaz de identificar pontos de compra, venda ou manutenção de um ativo, considerando dados históricos de criptomoedas. Além disso, a implementação do método objetiva otimizar o retorno de uma série de negociações tendo como variável de entrada parâmetros de stop loss e ganho mínimo.
A avaliação do método proposto utilizou diferentes cenários, selecionando um grupo de criptomoedas com diferentes características e realizando a análise de desempenho com dados históricos.
3.1 COMPOSIÇÃO DO MÉTODO
Para maior facilidade da observação do método como um todo foi realizada a divisão por camadas determinando o fluxo de execução. A Figura 8 expressa as camadas e o fluxo de execução do método
Figura 8 – Diagrama das camadas do método
Fonte: Próprio Autor
Como pode ser observado na figura acima, a primeira camada é responsável pela aquisição dos dados são obtidos os dados OHLCV (open, high, low, close e volume) de uma corretora via conexão API (do inglês Application Programming Interface). No presente trabalho utilizou-se a corretora Binance®. Em seguida ocorre a organização em estruturas
de dados tabulares. Por fim, ocorre a seleção das criptomoedas, sendo utilizada nessa etapa a Correlação de Pearson.
Na segunda camada são calculados os indicadores técnicos necessários para a alimentação da etapa de aprendizado de máquina a partir dos dados OHLCV obtidos na primeira camada. A tabela dos indicadores calculados nessa etapa é concatenada aos dados OHLCV e entregue para a próxima camada.
Na camada de aprendizado de máquina os dados são preparados e divididos em três partes, onde o primeiro é utilizado para o treino do algoritmo classificador, o segundo para a otimização e o terceiro para o teste histórico. A quarta camada é encarregada de realizar os testes históricos e calcular as métricas de sucesso do método para análise posterior.
3.2 CAMADA DE AQUISIÇÃO DE DADOS