Sistema automático para negociação de ações usando algoritmos baseados em inteligência coletiva e análise técnica

Texto

(1)SISTEMA AUTOMÁTICO PARA NEGOCIAÇÃO DE AÇÕES USANDO ALGORITMOS BASEADOS EM INTELIGÊNCIA COLETIVA E ANÁLISE TÉCNICA POR. RODRIGO DE CARVALHO BRASILEIRO DISSERTAÇÃO DE MESTRADO. Universidade Federal de Pernambuco posgraduacao@cin.ufpe.br www.cin.ufpe.br/~posgraduacao. RECIFE, AGOSTO/2013.

(2) Universidade Federal de Pernambuco CENTRO DE INFORMÁTICA PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO. RODRIGO DE CARVALHO BRASILEIRO. SISTEMA AUTOMÁTICO PARA NEGOCIAÇÃO DE AÇÕES USANDO ALGORITMOS BASEADOS EM INTELIGÊNCIA COLETIVA E ANÁLISE TÉCNICA. Dissertação. apresentada. como. requisito. parcial para a obtenção do título de Mestre, pelo. Programa. de. Pós-Graduação. em. Ciência da Computação do Centro de Informática da Universidade Federal de Pernambuco.. Orientador: Oliveira, PhD. RECIFE, AGOSTO/2013. ii. Adriano. Lorena. Inácio. de.

(3) Catalogação na fonte Bibliotecária Jane Souto Maior, CRB4-571. Brasileiro, Rodrigo de Carvalho Sistema automático para negociação de ações usando algoritmos baseados em inteligência coletiva e análise técnica / Rodrigo de Carvalho Brasileiro. - Recife: O Autor, 2013. xv, 100 f., il., fig., tab. Orientador: Adriano Lorena Inácio de Oliveira. Dissertação (mestrado) - Universidade Federal de Pernambuco. CIn, Ciência da Computação, 2013. Inclui referências e apêndice. 1. Ciência da computação. 2. Inteligência computacional. 3. Algoritmos evolucionário. I. Oliveira, Adriano Lorena Inácio de (orientador). II. Título. 004. CDD (23. ed.). MEI2014 – 003.

(4) Dissertação de Mestrado apresentada por Rodrigo de Carvalho Brasileiro à Pós Graduação em Ciência da Computação do Centro de Informática da Universidade Federal de Pernambuco, sob o título “SISTEMA AUTOMÁTICO PARA NEGOCIAÇÃO DE AÇÕES USANDO ALGORITMOS BASEADOS EM INTELIGÊNCIA COLETIVA E ANALISE TÉCNICA” orientada pelo Prof. Adriano Lorena Inacio de Oliveira e aprovada pela Banca Examinadora formada pelos professores:. ______________________________________________ Prof. Paulo Jorge Leitão Adeodato Centro de Informática / UFPE. ______________________________________________ Prof. Carmelo Jose Albanez Bastos Filho Escola Politécnica de Pernambuco / UPE. _______________________________________________ Prof. Adriano Lorena Inacio de Oliveira Centro de Informática / UFPE. Visto e permitida a impressão. Recife, 23 de agosto de 2013.. ___________________________________________________ Profa. Edna Natividade da Silva Barros Coordenadora da Pós-Graduação em Ciência da Computação do Centro de Informática da Universidade Federal de Pernambuco..

(5) Dedico este trabalho aos meus pais Ricardo e Suely, minha formação. Ao meu irmão Ricardo e minha namorada Roberta. iii.

(6) AGRADECIMENTOS Primeiramente agradeço a Deus pela saúde e motivação ao longo desta jornada. Agradeço também às diversas pessoas que apoiaram direta ou indireta o desenvolvimento deste trabalho. Por acreditar, incentivar e apoiar incondicionalmente em todos os momentos da realização deste trabalho, um agradecimento especial à minha namorada, Roberta Souza. Meus agradecimentos, particularmente vão: •. Ao Prof. Adriano Lorena, pela confiança, oportunidade e aprendizado nestes últimos anos;. •. Ao Victor Souza, que contribuiu com várias pesquisas;. •. A todos que fazem parte da Finacap, em especial ao Márcio Galindo e aos sócios Aristides Bezerra e Samuel Emery;. •. Aos meus pais Ricardo Brasileiro e Suely Brasileiro;. •. Ao meu irmão Ricardo Régis Brasileiro Júnior;. •. A todos da minha família, em especial a minha avó Yolanda Régis (em memória) e meu avô Wilton de Carvalho (em memória), maior ponta esquerda da história do Clube Náutico Capibaribe;. •. A todos da família da minha namorada;. •. Aos colegas e amigos de trabalho da Provider Tecnologia de Sistemas, Especialmente ao Prof. Bruno Fernandes (UPE);. •. Aos meus amigos das quintas-feiras;. •. A todos os colegas e amigos que fiz no decorrer do curso;. •. Aos Profs. Paulo Adeodato (UFPE) e Carmelo Bastos (UPE), por aceitarem compor a banca examinadora.. iv.

(7) “Seja você quem for, seja qual for a posição social que você tenha na vida, a mais alta ou a mais baixa, tenha sempre como meta muita força, muita determinação e sempre faça tudo com muito amor e com muita fé em Deus, que um dia você chega lá. De alguma maneira você chega lá.” (Ayrton Senna da Silva) v.

(8) RESUMO Há muitas pesquisas voltadas para prever tendências de valores nos mercados financeiros. Alguns destes trabalhos têm mostrado que é possível obter resultados satisfatórios, contrariando a teoria da Hipótese dos Mercados Eficientes (HME),a qual sugere que os preços são gerados aleatoriamente ao longo do tempo. Este trabalho propõe um sistema inteligente baseado no histórico dos preços de fechamento, usando algoritmos baseados em inteligência coletiva (algoritmo de colônia artificial de abelhas e algoritmo de otimização por enxame de partículas), Análise Técnica e a regra dos k-vizinhos mais próximos (k-NN) e uma variação denominada de regra adaptativa dos k-vizinhos mais próximos (A-k-NN).Outro passo importante para previsão de tendências é a seleção correta das observações passadas. No presente trabalho são utilizadas essas estratégias, uma vez que o k-NN e o A-k-NN é usado para decidir os pontos de compra e venda, combinando com algoritmo de colônia artificial de abelhas (ABC) ou o algoritmo de otimização por enxame de partículas (PSO), os quais são úteis para procurar os melhores parâmetros de configurações do sistema e um bom conjunto de valores passados. Este trabalho compara os resultados obtidos através do método proposto com a estratégia buy-and-hold e com outro trabalho que realizou experimentos similares, com o mesmo modelo de negociação e as mesmas ações. Também são comparados os resultados usando os algoritmos ABC e PSO através dos testes de hipóteses. A medida chave de comparação de desempenho é a rentabilidade no período analisado. O método proposto é capaz de gerar lucros maiores comparados com o outro trabalho e a estratégia buy-and-hold, utilizando intervalos de confiança para realizar a comparação. Os intervalos de confiança inferiores dos métodos utilizados para cada ação deste trabalho superam a maioria dos resultados comparados, minimizando o risco de exposição no mercado. Palavras-chave: Inteligência Computacional, Análise Técnica, Previsão em bolsa de valores, Algoritmos baseados em inteligência coletiva, seleção de valores passados.. vi.

(9) ABSTRACT There are many researches on forecasting time series for building trading systems for financial markets. Some of these studies have shown that it is possible to obtain satisfactory results, thereby contradicting the theory of Efficient Markets Hypothesis (EMH) that suggests that prices are randomly generated over time. This paper proposes an intelligent system based on historical closing prices that uses algorithms based on collective intelligence (Artificial Bee Colony Algorithm and particle swarm optimization), technical analysis, a selection of past values (lags), nearest neighbor classification (k-NN) and its variation, the Adaptative Classification and Nearest Neighbor (A-k-NN). A very important step for trends is the correct selection of the past observations. The present work uses this strategy since it uses the k-NN and A-k-NN to decide on the buy and sell points, combined with artificial bee colony algorithm (ABC) or particle swarm optimization (PSO) which is used to search for the best parameter settings of system and a good set of lags. This paper compares the results obtained by the proposed method with the buy and hold strategy and with other work that performed similar experiments with the same trading model and the same stocks. The results are also compared using the ABC and PSO algorithms. The key measure for performance comparison is the profitability in the analyzed period. The proposed method is able to generate higher profits compared to the other work and to the buy-and-hold strategy, using confidence intervals to perform the comparison. The lower confidence intervals of the methods, for each stock of this work, overcome most of the results compared, minimizing the risk of market. Keywords: Computational Intelligence, Technical Analysis, prediction stock market, algorithms based on collective intelligence, selection of past values.. vii.

(10) LISTA DE FIGURAS Figura 2.1 : Fatores políticos e econômicos movimentam a alta e a baixa do Ibovespa. .................................. 16 1. Figura 2.2 : Ibovespa alternando movimentos de alta e baixa. .......................................................................... 16 2. Figura 2.3 : Tendências de alta, de baixa e lateral. ........................................................................................... 17 3. Figura 2.4 : Regiões de suporte e resistência. .................................................................................................... 17 4. Figura 3.1 : k-NN classificando padrão desconhecido xd................................................................................... 24 5. Figura 3.2: Maiores raios associados ao padrão de treinamento nas fronteiras das outras classes. ................ 26 6. Figura 3.3 : Abelha trabalhadora realizando a "dança agitada" na área de dança da colméia. ...................... 29 7. Figura 3.4 : Comportamento das abelhas em busca da fonte de alimento (Andrade & Cunha, 2011). ............. 30 8. Figura 3.5 :Movimento de uma partícula em direção da solução ideal. ............................................................ 33 9. Figura 3.6 : Movimentos de uma partícula através dos componentes cognitivo e social. ................................. 33 10. Figura 3.7 : Construção da seleção de atrasos .................................................................................................. 36 11. Figura 4.1 : Arquitetura do sistema de previsão de Teixeira e Oliveira (2010). ............................................... 41 12. Figura 4.2 : Arquitetura do sistema na fase de treinamento. ............................................................................. 42 13. Figura 4.3 : Vetor binário contendo as configurações do valor k, Stop Loss, Stop Gain e o conjunto de lags. 43 14. Figura 4.4 : Arquitetura do sistema na fase de operação. ................................................................................. 43 15. Figura 4.4 :Diagrama de pacotes do sistema proposto...................................................................................... 46 16. Figura 5.1 : Gráfico de preços do índice Ibovespa no período de 1998 até 2009. ............................................ 50 17. Figura 5.2 : Procedimento de divisão dos dados para execução dos experimentos. ......................................... 51 18. Figura 5.3 : Fluxograma de execução dos experimentos ................................................................................... 53 19. Figura 5.4 : Resultados usando o algoritmo ABC comparados com a estratégia buy-and-hold. ...................... 54 20. Figura 5.5 : Resultados do k-NN-ABC e A-k-NN-ABC usando as distâncias de Manhattan e Euclidiana. ....... 55 21. Figura 5.6 : Resultados usando o algoritmo PSO comparados com a estratégia buy-and-hold........................ 56 22. Figura 5.7 : Resultados do k-NN-PSO e A-k-NN-PSO com distâncias de Manhattan e Euclidiana. ................. 57 23. Figura 5.8 : Intervalos de confiança de todas as estratégias deste trabalho comparadas com o trabalho 24. Teixeira e Oliveira (2010) para a ação CMIG4. ............................................................................................... 63 Figura 5.9 : Intervalos de confiança de todas as estratégias deste trabalho comparadas com o trabalho 25. Teixeira e Oliveira (2010) para a ação CRUZ3. ............................................................................................... 63 Figura 5.10 : Intervalos de confiança de todas as estratégias deste trabalho comparadas com o trabalho 26. Teixeira e Oliveira (2010) para a ação AMBV4. ............................................................................................... 65 Figura 5.11 : Lucro acumulado de um portfólio hipotético. .............................................................................. 65 27. Figura C1: Médias com Intervalos de Confiança em relação ao buy-and-hold da Ação AMBV4..................... 86 28. Figura C2: Médias com Intervalos de Confiança em relação ao buy-and-hold da Ação ARCZ6..................... 86 29. Figura C3: Médias com Intervalos de Confiança em relação ao buy-and-hold da Ação BBAS3. ..................... 87 30. Figura C4: Médias com Intervalos de Confiança em relação ao buy-and-hold da Ação BBDC4. .................... 87 31. Figura C5: Médias com Intervalos de Confiança em relação ao buy-and-hold da Ação CMIG4. .................... 88 32. Figura C6: Médias com Intervalos de Confiança em relação ao buy-and-hold da Ação CRUZ3. .................... 88 33. Figura C7: Médias com Intervalos de Confiança em relação ao buy-and-hold da Ação CSNA3...................... 89 34. viii.

(11) Figura C8: Médias com Intervalos de Confiança em relação ao buy-and-hold da Ação ELET6. ..................... 89 35. Figura C9: Médias com Intervalos de Confiança em relação ao buy-and-hold da Ação ITSA4. ...................... 90 36. Figura C10: Médias com Intervalos de Confiança em relação ao buy-and-hold da Ação ITUB4. ................... 90 37. Figura C11: Médias com Intervalos de Confiança em relação ao buy-and-hold da Ação NETC4. .................. 91 38. Figura C12: Médias com Intervalos de Confiança em relação ao buy-and-hold da Ação PETR4. ................... 91 39. Figura C13: Médias com Intervalos de Confiança em relação ao buy-and-hold da Ação TNLP4. ................... 92 40. Figura C14: Médias com Intervalos de Confiança em relação ao buy-and-hold da Ação USIM5. ................... 92 41. Figura C15: Médias com Intervalos de Confiança em relação ao buy-and-hold da Ação VALE5. ................... 93 42. ix.

(12) LISTA DE TABELAS Tabela 4.1 : Conjunto de características criadas para serem usadas no classificador. .................................... 39 1. Tabela 5.1 : Ações usadas no experimento. Adaptada (Teixeira L. A., 2009). ................................................... 49 2. Tabela 5.2 : Diferença usando o algoritmo ABC em relação ao buy-and-hold. Em parênteses está o desvio 3. padrão. ............................................................................................................................................................... 55 Tabela 5.3 : Diferença usando o algoritmo PSO em relação ao buy-and-hold. Os desvios padrões da média de 4. cada experimento está apresentado entre parênteses. ....................................................................................... 57 Tabela 5.4: Comparação das estratégias utilizadas por ação através dos testes de hipóteses. ......................... 59 5. Tabela 5.5 : Experimentos da ação CSNA3 usando a estratégia A-k-NN-M-ABC. ............................................ 60 6. Tabela 5.6 : Experimentos executados com valores positivos e negativos em relação ao buy-and-hold 7. utilizando as estratégias A-k-NN-M-ABC e k-NN-E-ABC. ................................................................................ 61 Tabela 5.7 : Resultados dos lucro em relação a estratégia buy-and-hold do trabalho de Teixeira e Oliveira 8. (2010). ................................................................................................................................................................ 62 Tabela A1: Melhor método (A-k-NN-M-ABC) usando o algoritmo ABC para a ação AMBV4.......................... 70 9. Tabela A2: Melhor método (A-k-NN-M-ABC) usando o algoritmo ABC para a ação ARCZ6. ......................... 70 10. Tabela A3: Melhor método (A-k-NN-M-ABC) usando o algoritmo ABC para a ação BBAS3. .......................... 71 11. Tabela A4: Melhor método (A-k-NN-E-ABC) usando o algoritmo ABC para a ação BBDC4. ......................... 71 12. Tabela A5: Melhor método (A-k-NN-M-ABC) usando o algoritmo ABC para a ação CMIG4. ......................... 72 13. Tabela A6: Melhor método (A-k-NN-M-ABC) usando o algoritmo ABC para a ação CRUZ3. ......................... 72 14. Tabela A7: Melhor método (A-k-NN-M-ABC) usando o algoritmo ABC para a ação CSNA3. ......................... 73 15. Tabela A8: Melhor método (k-NN-M-ABC) usando o algoritmo ABC para a ação ELET6. ............................. 73 16. Tabela A9: Melhor método (A-k-NN-M-ABC) usando o algoritmo ABC para a ação ITAU4. .......................... 74 17. Tabela A10: Melhor método (A-k-NN-E-ABC) usando o algoritmo ABC para a ação ITSA4. .......................... 74 18. Tabela A11: Melhor método (A-k-NN-E-ABC) usando o algoritmo ABC para a ação NETC4. ........................ 75 19. Tabela A12: Melhor método (A-k-NN-M-ABC) usando o algoritmo ABC para a ação PETR4......................... 75 20. Tabela A13: Melhor método (k-NN-M-ABC) usando o algoritmo ABC para a ação TNLP4. ........................... 76 21. Tabela A14: Melhor método (k-NN-M-ABC) usando o algoritmo ABC para a ação USIM5. ........................... 76 22. Tabela A15: Melhor método (k-NN-M-ABC) usando o algoritmo ABC para a ação VALE5. ........................... 77 23. Tabela B1: Melhor método (A-k-NN-M-PSO) usando o algoritmo PSO para a ação AMBV4. ......................... 78 24. Tabela B2: Melhor método (A-k-NN-M-PSO) usando o algoritmo PSO para a ação ARCZ6. .......................... 78 25. Tabela B3: Melhor método (A-k-NN-E-PSO) usando o algoritmo PSO para a ação BBAS3. ........................... 79 26. Tabela B4: Melhor método (A-k-NN-E-PSO) usando o algoritmo PSO para a ação BBDC4. .......................... 79 27. Tabela B5: Melhor método (k-NN-M-PSO) usando o algoritmo PSO para a ação CMIG4. ............................. 80 28. Tabela B6: Melhor método (A-k-NN-E-PSO) usando o algoritmo PSO para a ação CRUZ3. .......................... 80 29. Tabela B7: Melhor método (A-k-NN-E-PSO) usando o algoritmo PSO para a ação CSNA3............................ 81 30. Tabela B8: Melhor método (A-k-NN-M-PSO) usando o algoritmo PSO para a ação ELET6. .......................... 81 31. Tabela B9: Melhor método (A-k-NN-M-PSO) usando o algoritmo PSO para a ação ITAU4............................ 82 32. Tabela B10: Melhor método (A-k-NN-E-PSO) usando o algoritmo PSO para a ação ITSA4. .......................... 82 33. x.

(13) Tabela B11: Melhor método (A-k-NN-M-PSO) usando o algoritmo PSO para a ação NETC4......................... 83 34. Tabela B12: Melhor método (A-k-NN-M-PSO) usando o algoritmo PSO para a ação PETR4. ........................ 83 35. Tabela B13: Melhor método (A-k-NN-M-PSO) usando o algoritmo PSO para a ação TNLP4. ........................ 84 36. Tabela B14: Melhor método (A-k-NN-M-PSO) usando o algoritmo PSO para a ação USIM5. ........................ 84 37. Tabela B15: Melhor método (A-k-NN-E-PSO) usando o algoritmo PSO para a ação VALE5. ......................... 85 38. xi.

(14) LISTA DE ABREVIATURAS E SIGLAS ABC GA A-k-NN A-k-NN-E-ABC A-k-NN-E-PSO A-k-NN-M-ABC A-k-NN-M-PSO k-NN-E-ABC k-NN-E-PSO k-NN-M-ABC k-NN-M-PSO HME IFR k-NN MMS MME NN PSO. Artificial Bee Colony (Colônia Artificial de Abelhas) Genetic Algorithm (Algoritmos Genéticos) Adaptative k-Nearest Neighbor (Regra Adaptativa dos k-Vizinhos mais próximo) Adaptative k-Nearest Neighbor Euclidiana Artificial Bee Colony Adaptative k-Nearest Neighbor Euclidiana Particle Swarm Optimization Adaptative k-Nearest Neighbor Manhattan Artificial Bee Colony Adaptative k-Nearest Neighbor Manhattan Particle Swarm Optimization k-Nearest Neighbor Euclidiana Artificial Bee Colony k-Nearest Neighbor Euclidiana Particle Swarm Optimization k-Nearest Neighbor Manhattan Artificial Bee Colony k-Nearest Neighbor Manhattan Particle Swarm Optimization Hipótese dos Mercados Eficientes Índice de Forças Relativas k-Nearest Neighbor (Regra dos k-Vizinhos mais próximo) Média Móvel Simples Média Móvel Exponencial Nearest Neighbor (Regra do Vizinho mais próximo) Particle Swarm Optimization (Otimização por Enxame de Partículas). xii.

(15) LISTA DE ALGORITMOS Algoritmo 3.1: Pseudocódigo do k-NN para a classificação de um padrão desconhecido. .............................. 25 1. Algoritmo 3.2: Pseudocódigo do algoritmo ABC (Aghazadeh & Meybodi, 2011) ............................................. 32 2. Algoritmo 3.3: Pseudocódigo do algoritmo PSO ............................................................................................... 35 3. Algoritmo 4.1: Pseudocódigo da Atribuição de classes aos padrões de treinamento (Teixeira L. A., 2009) ..... 39 4. Algoritmo 4.2: Pseudocódigo do modelo de negociação proposto (Teixeira & Oliveira, 2010) ....................... 41 5. xiii.

(16) SUMÁRIO 1. INTRODUÇÃO ......................................................................................................................... 1 1.1. 2. ESTADO DA ARTE ..................................................................................................................... 3. 1.1.1.. INTELIGÊNCIA COMPUTACIONAL APLICADA AO MERCADO FINANCEIRO .......................................... 3. 1.1.2.. TÉCNICAS DE CLASSIFICAÇÃO, OTIMIZAÇÃO E SELEÇÃO DE ATRASOS.............................................. 6. 1.2. MOTIVAÇÃO ........................................................................................................................... 7. 1.3. OBJETIVOS ............................................................................................................................. 8. 1.4. ORGANIZAÇÃO E CONTEÚDO DA DISSERTAÇÃO ............................................................................... 9. MERCADO DE AÇÕES ............................................................................................................ 11 2.1. INTRODUÇÃO ........................................................................................................................ 11. 2.2. BOLSA DE VALORES ................................................................................................................ 11. 2.3. ÍNDICES................................................................................................................................ 14. 2.4. MERCADO À VISTA................................................................................................................. 14. 2.5. ANÁLISE TÉCNICA .................................................................................................................. 15. 2.5.1.. CONCEITOS DE TENDÊNCIA ................................................................................................ 16. 2.5.2.. INDICADORES TÉCNICOS .................................................................................................... 17. 2.5.2.1.. MÉDIAS MÓVEIS .......................................................................................................... 18. 2.5.2.2.. ÍNDICE DE FORÇA RELATIVA (IFR) ..................................................................................... 19. 2.5.3. 2.6 3. CONSIDERAÇÕES FINAIS .......................................................................................................... 21. TÉCNICAS DE CLASSIFICAÇÃO, OTIMIZAÇÃO E SELEÇÃO DE ATRASOS .................................. 22 3.1. INTRODUÇÃO ........................................................................................................................ 22. 3.2. REGRA DOS K-VIZINHOS MAIS PRÓXIMOS (K-NEAREST NEIGHBOR -K-NN) ......................................... 23. 3.2.1. K-NN). REGRA ADAPTATIVA DOS K-VIZINHOS MAIS PRÓXIMIOS (ADAPTATIVE K-NEAREST NEIGHBOR - A25. 3.2.2. 3.3. MEDIDAS DE SIMILARIDADE ............................................................................................... 26. ALGORITMOS DE OTIMIZAÇÃO BASEADOS EM INTELIGÊNCIA COLETIVA .............................................. 27. 3.3.1. 3.3.1.1. 3.3.2. 3.3.2.1.. 4. GERENCIAMENTO DE RISCOS (STOP LOSS E STOP GAIN) ............................................................ 20. COLÔNIA ARTIFICIAL DE ABELHAS (ARTIFICIAL BEE COLONY – ABC) .......................................... 28 DESCRIÇÃO DO ALGORITMO............................................................................................ 30 OTIMIZAÇÃO POR ENXAME DE PARTÍCULAS (PARTICLE SWARM OPTIMIZATION - PSO) ................. 32 DESCRIÇÃO DO ALGORITMO............................................................................................ 34. 3.4. SELEÇÃO DE ATRASOS ............................................................................................................. 35. 3.5. CONSIDERAÇÕES FINAIS .......................................................................................................... 37. SISTEMA PROPOSTO PARA NEGOCIAÇÃO DE AÇÕES NO MERCADO ..................................... 38 4.1. INTRODUÇÃO ........................................................................................................................ 38. xiv.

(17) 5. 4.2. REPRESENTAÇÃO DOS DADOS ................................................................................................... 38. 4.3. MODELO DE NEGOCIAÇÃO ...................................................................................................... 39. 4.4. ARQUITETURA DO SISTEMA...................................................................................................... 41. 4.5. PROTÓTIPO DO SISTEMA.......................................................................................................... 44. 4.6. CRITÉRIOS DE DESEMPENHO ..................................................................................................... 46. 4.7. CONSIDERAÇÕES FINAIS .......................................................................................................... 47. EXPERIMENTOS .................................................................................................................... 48 5.1. INTRODUÇÃO ........................................................................................................................ 48. 5.2. DADOS UTILIZADOS ................................................................................................................. 48. 5.3. PARÂMETROS DE CONFIGURAÇÃO ............................................................................................. 51. 5.4. RESULTADOS......................................................................................................................... 53. 5.4.1.. SIMULAÇÕES COM O ALGORITMO ABC COMPARANDO COM O BUY-AND-HOLD ........................... 53. 5.4.2.. SIMULAÇÕES COM O ALGORITMO PSO COMPARANDO COM O BUY-AND-HOLD............................ 56. 5.4.3.. COMPARANDO O ALGORITMO ABC COM O ALGORITMO PSO .................................................. 58. 5.4.4.. COMPARANDO OS RESULTADOS DESTE TRABALHO COM OUTRO TRABALHO DA ÁREA ..................... 61. 5.5 6. CONSIDERAÇÕES FINAIS ........................................................................................................... 65. CONCLUSÕES ........................................................................................................................ 67 6.1. CONTRIBUIÇÕES .................................................................................................................... 68. 6.2. DELIMITAÇÃO DE RESTRIÇÕES DA ABORDAGEM ........................................................................... 68. 6.3. TRABALHOS FUTUROS ............................................................................................................. 69. APÊNDICE A ................................................................................................................................ 70 APÊNDICE B ................................................................................................................................. 78 APÊNDICE C ................................................................................................................................. 86 REFERÊNCIAS .............................................................................................................................. 94. xv.

(18) 1. INTRODUÇÃO. No mercado de ações são negociados os títulos mobiliários, também chamados de ações, por intermédio da bolsa de valores. Uma ação faz parte do patrimônio de uma empresa e quem a possuir, torna-se acionista. Essas ações possuem cotações que ao longo do tempo formam o histórico de preços. Baseado nesses históricos, surgiram hipóteses que acreditam ser possível prever o comportamento futuro dos preços das ações. A possibilidade de prever tendências de preços de ações é um assunto que vem sendo discutido na literatura ao longo dos anos (EYDEN, 1996; MURPHY, 1999; PUMAVILLANUEVA, DOS SANTOS e VON ZUBEN, 2007; RIBEIRO, MATTOS, et al., 2011; TEIXEIRA e OLIVEIRA, 2009; TEIXEIRA e OLIVEIRA, 2010; ZHU, WANG e SUN, 2006). Uma das hipóteses mais aceitas atualmente é a Hipótese dos Mercados Eficientes (HME) (TEIXEIRA e OLIVEIRA, 2009), na qual os preços são baseados em informações disponíveis no mercado, que podem ser notícias referentes a empresas listadas no mercado. Como as novas informações são imprevisíveis (descoberta de um poço de petróleo, por exemplo), os preços no mercado parecem ser gerados aleatoriamente, não sendo possível obter grandes lucros com frequência, mesmo com todas as informações disponíveis. Assim, na HME o maior lucro seria alcançado através da estratégia buy-and-hold, que consiste em comprar e manter as ações na carteira por um longo período de tempo. Porém, vários estudos (MURPHY, 1999; TEIXEIRA e OLIVEIRA, 2009) discutem a credibilidade desta hipótese e o trabalho diário no mercado de ações sugere a presença de tendências nos preços, tornando viáveis as tentativas de antecipar os movimentos do mercado. De modo geral, duas abordagens são utilizadas para analisar a evolução dos preços prevendo seus valores futuros. A primeira é a Análise Fundamentalista que utiliza fatores econômicos para estimar os valores intrínsecos dos títulos (GRAHAM, ZWEIG e BUFFETT, 2006). Normalmente as valorizações (preços-alvo) determinadas por esta análise não são respeitadas pelo mercado, obtendo valores irreais. Isto pode levar eventualmente o investidor que se baseia nesse princípio a perder as melhores oportunidades de compra ou venda (MURPHY, 1999). A segunda abordagem, conhecida como Análise Técnica, é baseada nos princípios da Teoria de Dow (RHEA, 1932) e utiliza o histórico de preços para prever os movimentos futuros. A abordagem utilizada nesse tipo de análise pode ser formulada como um problema de reconhecimento de padrões, onde as entradas são 1.

(19) derivadas do histórico dos preços, e a saída é uma estimativa do preço ou uma estimativa da tendência dos preços. A Teoria de Dow foi publicada em uma série de editoriais do Wall Street Journal, que atualmente forma uma base técnica para análise do movimento de preços e consiste basicamente em seis fundamentos: •. Os índices descontam tudo: As ações possuem um preço e pertencem a vários investidores, desde os mais bem informados até os inexperientes. Portanto, na variação diária dos preços já estão incluídos e descontados todos os eventos que irão acontecer e que são desconhecidos pela maioria dos investidores, refletindo todos os fatores que afetam a relação de oferta e demanda.. Esses eventos podem ser desastres políticos, econômicos,. naturais, possíveis ataques estrangeiros; •. Os mercados se movem em tendências: O mercado possui três tendências de movimento: primária, secundária e terciária. A tendência primária é a tendência principal de um mercado, é um movimento longo que pode ser de alta ou de baixa, e que leva a uma grande valorização ou desvalorização dos ativos (duração superior a 1 ano). A tendência secundária surge como correções à tendência primária (duração de 3 semanas, até alguns meses). Por fim, a tendência terciária acontece como correções aos preços da tendência secundária (com duração menor que 2 ou 3 semanas);. •. As Três Fases dos Movimentos: Os preços têm movimentos de tendência de alta, baixa ou lateral, que podem ser primárias, secundárias ou terciárias, de acordo com sua duração;. •. Princípio da confirmação: Para confirmar uma tendência é necessário que os índices coincidam com a tendência;. •. As tendências primárias têm três fases: Tendências mais longas são formadas por uma fase de acumulação, depois por uma fase de participação pública e, em seguida, por uma fase de distribuição;. •. O volume confirma a tendência: Na tendência principal de alta é esperado que o volume aumente com a valorização dos ativos e diminua nas reações de desvalorização. Já na tendência de baixa é esperado que o volume aumente com a desvalorização dos ativos e diminua nas reações de valorização.. 2.

(20) O presente trabalho foca na previsão das tendências dos preços no mercado de ações, utilizando técnicas de Inteligência Computacional e Análise Técnica. O principal objetivo é estudar a viabilidade da utilização de um sistema inteligente de previsão, baseado em dados obtidos a partir do histórico de preços das ações. Para validar a eficácia deste modelo, são comparados em termos de lucratividade, os resultados deste trabalho com os que foram obtidos em Teixeira e Oliveira (2010) e na estratégia buy-and-hold, tida como a melhor estratégia pela Hipótese dos Mercados Eficientes. Também são levados em consideração os custos para realização das transações. Para efeitos comparativos, são adotados os mesmos período de testes, modelo de negociação e teste usados no trabalho de Teixeira e Oliveira (2010). Por outro lado, o modelo proposto neste artigo utiliza algoritmos de inteligência coletiva em conjunto com seleção de atrasos (lags), com o objetivo de reduzir a fase de treinamento, eliminar características irrelevantes e/ou redundantes, definir os valores do stop loss e stop gain, que são utilizados para o gerenciamento de riscos e otimizar o valor k do algoritmo da Regra dos k-vizinhos mais próximo, do inglês k-Nearest Neighbor (k-NN) e da Regra adaptativa dos k-vizinhos mais próximo, do inglês Adaptative k-Nearest Neighbor (A-k-NN).. 1.1 ESTADO DA ARTE. 1.1.1. INTELIGÊNCIA COMPUTACIONAL APLICADA AO MERCADO FINANCEIRO. Sistemas de previsão têm sido muito utilizados, uma vez que várias decisões podem ser formuladas em função de eventos passados (GARLIAUSKAS, 1999; KOURENTZES e CRONE, 2010; NANNI, 2006; OLIVEIRA e MEIRA, 2006; SAAD, PROKHOROV e WUNSCH, 1998; PUMA-VILLANUEVA, DOS SANTOS e VON ZUBEN, 2007). A capacidade de prever o comportamento futuro de algum fenômeno torna possível prevenir futuros problemas. Contudo, a previsão de tendências de preços pode ser imprecisa, devido a características dos ativos financeiros, como irregularidades, volatilidade e tendências, presentes no histórico de preços (ARAÚJO, ARANILDO e FERREIRA, 2008). Nesse contexto, surgem os algoritmos de otimização, para ajudar a lidar com essas características do comportamento dos ativos financeiros. Esses algoritmos podem ser utilizados para encontrar o melhor conjunto de parâmetros para treinamento de um sistema 3.

(21) inteligente (PUMA-VILLANUEVA, DOS SANTOS e VON ZUBEN, 2007; RIBEIRO, MATTOS, et al., 2011; OLIVEIRA, BRAGA, et al., 2010). Um dos parâmetros mais importantes é a seleção dos valores passados (lags) para prever o comportamento futuro que está sendo analisado (RIBEIRO, MATTOS, et al., 2011). A seleção dos valores passados visa identificar as variáveis de entrada mais relevantes dentro do conjunto de dados, e melhorar o resultado dos classificadores, eliminando entradas irrelevantes e ruído. Isto acelera o processamento do modelo de previsão, melhora a eficácia e aumenta a eficiência computacional, reduzindo o conjunto de treinamento (OLIVEIRA, BRAGA, et al., 2010; MATTOS, SILVA, et al., 2011). Vários métodos foram propostos para encontrar a melhor estratégia para a seleção dos valores passados, entretanto não existe uma única metodologia de modelos de previsão que seja comprovadamente a melhor em todas as situações (ARMSTRONG, 2006) (KOURENTZES e CRONE, 2010). No trabalho de Teixeira e Oliveira (2010) é proposto um sistema automático para previsão de tendências de preços na bolsa de valores, que não utiliza algoritmos de otimização. Nele, foi adotado um modelo de negociação associado a uma técnica de inteligência computacional denominada de regra dos k-vizinho mais próximo (k-NN), que utiliza como características alguns índices técnicos, criados a partir dos históricos de preços das ações. Para avaliar o desempenho do modelo proposto, foi adotado o lucro obtido durante o período de teste, a partir do modelo de negociação. O saldo final após o período de teste é comparado com o lucro que seria obtido com a estratégia buy-and-hold. Os resultados são promissores: de 15 ações analisadas no mercado de ações de São Paulo (BM&FBovespa, 2013), 13 obtiveram resultados superiores à estratégia buy-and-hold. Apesar dos resultados satisfatórios, o trabalho de Teixeira e Oliveira (2010) tem algumas limitações, tais como: •. Os parâmetros de configurações das características do classificador foram fixados. Mesmo escolhendo valores utilizados na Análise Técnica, em várias situações, os valores adotados não são os melhores possíveis;. •. Não existe seleção de características, assim o classificador (k-NN) sempre utiliza todas as características disponíveis, diminuindo sua precisão em determinados momentos e tornando o processo de classificação mais lento;. •. O valor k do classificador k-NN foi fixado, assim como os valores de stop loss e stop gain, podendo influenciar os resultados apresentados; 4.

(22) •. Os históricos dos preços das ações não foram otimizados na fase de testes, para eliminar entradas irrelevantes e ruídos.. Outro trabalho interessante é o de Ribeiro et al. (2011), que utiliza seleção de lags em conjunto com um algoritmo de otimização, para definir as características do classificador.Nesse trabalho foram propostos dois componentes: o de otimização e o de previsão. No componente de otimização, os lags são selecionados com o auxílio de um algoritmo, chamado de otimização por enxame de partículas, do inglês Particle Swarm Optimization (PSO) e uma variação do PSO. O componente de previsão é utilizado para avaliar o lag selecionado, contribuindo na escolha do melhor conjunto de lags. Nessa avaliação são utilizadas duas técnicas de Inteligência Computacional: a rede neural artificial, do inglês Multilayer Perceptron neural network (MLP) e a máquina de vetor de suporte, do inglês Support Vector Machine (SVM). A MLP (ou SVM) é usada para avaliar o os lags, ajudando o PSO a encontrar o melhor conjunto. Após definidos, os lags são usados para construir as características de entradas da MLP (ou SVM) e realizar a previsão dos preços das ações. O trabalho de Araújo e Ferreira (2009) é interessante devido ao modo como foi empregado o uso de algoritmos de otimização. Nesse trabalho foi proposto um modelo híbrido inteligente, que utilizou a MLP e o algoritmo genético modificado, do inglês (MGA). O MGA é um algoritmo de otimização, que é utilizado para realizar a otimização dos parâmetros da MLP. A MLP possui alguns parâmetros de configuração fixos e seus valores são alterados de acordo com determinado tipo de problema a ser resolvido. Então, a ideia foi utilizar o MGA para definir os parâmetros através de um vetor, que, na verdade, é um vetor de números binários (contém apenas 0 e 1), que formam os componentes. Esses componentes são os parâmetros de configuração da MLP. Assim, por exemplo, se for otimizar três parâmetros, o vetor vai possuir três componentes. A iteração entre o MGA e a MLP é simples, o MGA define o vetor e cada componente binário é convertido para um número decimal. Então, esses números encontrados são utilizados na configuração da MLP. Depois, a MLP avalia os parâmetros, contribuindo com o MGA a definir o melhor vetor para configurar a MLP. Ao final das iterações ou do critério de parada, esses valores são utilizados para avaliar o modelo no período de testes.. 5.

(23) 1.1.2. TÉCNICAS DE CLASSIFICAÇÃO, OTIMIZAÇÃO E SELEÇÃO DE ATRASOS. Os algoritmos de otimização podem ser classificados em dois grupos: algoritmos evolucionários e enxames inteligentes. Os algoritmos ABC e PSO fazem parte do grupo dos enxames inteligentes. Além de mais recentes, eles também são capazes de realizar uma melhor otimização, devido a suas características que evitam os mínimos locais (KARABOGA e BASTURK, 2007). Dessa forma, o algoritmo ABC foi escolhido para ser utilizado devido a sua eficiência em evitar mínimos locais, bem como por possuir poucos parâmetros de configuração (KARABOGA e BASTURK, 2007). Também foi utilizado o algoritmo PSO, porque além de ser uma referência em algoritmos de otimização, também é frequentemente utilizado em outros trabalhos (KARABOGA e BASTURK, 2007). Assim, para otimizar a arquitetura deste trabalho são utilizados os algoritmos ABC e PSO, aproveitando a oportunidade para realizar uma comparação de desempenho em relação ao lucro entre os dois algoritmos. O k-NN é uma técnica de classificação utilizada na área de Inteligência Computacional, que apresentou resultados sólidos em vários trabalhos (TAHIR, BOURIDANE e KURUGOLLU, 2007;. WANG, NESKOVIC. e LEON, 2007;. SHAKHNAROVICH, DARRELL e INDYK, 2005). Algumas variações do k-NN foram propostas, entre elas o A-k-NN, que apresenta uma variação capaz de aumentar o poder de classificação (WANG, NESKOVIC e LEON, 2007). A variação do A-k-NN está no cálculo da distância, que sofre uma pequena alteração, incluindo o cálculo de um raio. No trabalho de Wang et al. (2007) o A-k-NN foi comparado com o k-NN e outro classificador chamado de Máquina de Vetores de Suporte (VAPNIK, 1995). Nessa comparação, o A-k-NN foi mais eficiente que os outros métodos testados. O classificador k-NN foi adotado porque possui uma boa taxa de acerto e tem a vantagem de ter apenas um parâmetro de configuração, o k. Isso motiva utilizá-lo, pelo fato de diminuir a quantidade de componentes a serem otimizados pelos algoritmos ABC e PSO. O mesmo vale para sua variação, o A-k-NN, que possui o mesmo parâmetro de configuração, porém tem uma simples mudança no cálculo capaz de gerar resultados superiores ao k-NN e até mesmo ao SVM (WANG, NESKOVIC e LEON, 2007). Também é 6.

(24) realizada uma comparação entre o k-NN e o A-k-NN em relação ao lucro, para verificar se realmente está variação (A-k-NN), é capaz de realizar a classificação de forma mais eficiente. A seleção de variáveis é uma linha de pesquisa que visa auxiliar propostas de aprendizagem de máquina. A seleção de variáveis é classificada de três formas: filtro, envoltório (do inglês wrapper) e embarcado (do inglês embbeding). No filtro, a seleção das variáveis é realizada independente do classificador. No envoltório, as variáveis são selecionadas com o auxílio do classificador. Na versão embutida, a seleção das variáveis faz parte do algoritmo de treinamento do modelo de classificação. O objetivo da metodologia envoltório é melhorar o resultado do classificador, e como consequência eliminar variáveis não-relevantes e/ou redundantes. Também diminui o número de parâmetros do classificador, ao desconsiderar variáveis redundantes ou pouco informativas, tendo como consequência a diminuição de memória e do esforço computacional requerido. A técnica de seleção de variáveis ideal para trabalhar em conjunto com os classificadores (k-NN e A-k-NN) e os algoritmos de otimização (ABC e PSO) é o envoltório (embbeding). O motivo disso é que, no envoltório, as variáveis são selecionadas com o auxílio do classificador, ou seja, o classificador avalia a solução e, com isso, o algoritmo de otimização pode encontrar a melhor solução. Por isso, o envoltório em conjunto com os classificadores e os algoritmos de otimização é ideal para selecionar os lags e os parâmetros de configuração do sistema (RIBEIRO, MATTOS, et al., 2011).. 1.2 MOTIVAÇÃO. A motivação para realização deste trabalho surge do fato de existirem pesquisas na literatura, que tratam do problema de previsão no mercado de ações, no entanto a maior parte delas não é avaliada em termos de lucro. Por isso, a ideia deste trabalho foi construir um sistema que seja otimizado para o lucro. Aqui, a medida chave é o lucro, da mesma forma que no trabalho de Teixeira e Oliveira (2010). Este trabalho é inspirado no de Teixeira e Oliveira (2010) em termos de modelo de negociação e período de treinamento e testes. Isso é importante porque além de avaliar os lucros em relação ao buy-and-hold, ainda se podem comparar os métodos propostos neste trabalho com o de Teixeira e Oliveira (2010). 7.

(25) A comparação entre os métodos propostos foi motivada devido à arquitetura do sistema de Teixeira e Oliveira (2010). Nele, as 22 (vinte e duas) características de entrada do classificador foram fixadas, além de todos os outros parâmetros do modelo de negociação e das técnicas de inteligência computacional utilizadas. Nesse trabalho são levadas em consideração as otimizações dos parâmetros de configuração. Para que isto aconteça, a arquitetura é dividida em duas fases: treinamento e operação. Na fase de treinamento existem dois componentes: otimização e previsão. É através desses componentes que a otimização é realizada, gerando um modelo. Na fase de operação, o modelo gerado é utilizado para configurar os parâmetros do sistema e realizar as simulações. Isto faz acreditar que é possível obter um melhor desempenho, utilizando técnicas que possam definir esses valores através da otimização.. 1.3 OBJETIVOS. Como visto anteriormente, a Hipótese dos Mercados Eficiente diz que o mercado é imprevisível, porém há diversos trabalhos que relatam tentativas bem sucedidas de previsões no mercado de ações. Na maioria das vezes, esses trabalhos são da área de Inteligência Computacional e não fica claro se as técnicas utilizadas seriam capazes de gerar lucro na prática. Por isso, o objetivo desse trabalho é apresentar um protótipo de sistema, que usa técnicas de previsão de tendência de preços no mercado de ações bem como realizar a avaliação de acordo com sua capacidade de geração de lucro. Sendo mais específico, os objetivos gerais são: •. Investigar a viabilidade da utilização de um sistema automático de previsão baseado exclusivamente em dados obtidos a partir do histórico de preços das ações;. •. Investigar técnicas de classificação, seleção de variáveis e otimização, que podem ser adequadas para o problema;. •. Investigar o uso de análise técnica com parâmetros otimizados por técnicas de inteligência computacional;. •. Realizar experimentos utilizando dados reais da Bolsa de Valores de São Paulo (BM&FBovespa, 2013);. 8.

(26) •. Comparar a rentabilidade dos resultados obtidos com as diferentes estratégias utilizadas;. •. Comparar a rentabilidade dos resultados obtidos com os classificadores e com os resultados que seriam obtidos através da estratégia buy-and-hold;. •. Comparar o lucro em relação ao buy-and-hold deste trabalho com o de Teixeira e Oliveira (2010).. Para atingir esses objetivos, foi definido o uso do classificador k-NN e do A-k-NN em conjunto com a seleção de atrasos e dos algoritmos ABC e PSO. A Análise Técnica é utilizada para auxiliar as técnicas de inteligência computacional, através do gerenciamento do risco e do Índice de Forças Relativo (IFR). É importante mencionar que um dos objetivos é comparar todas as estratégias utilizadas nesse trabalho com o buy-and-hold, considerando o lucro obtido. Assim, é possível saber qual é a melhor estratégia para cada ação analisada. Então, após obter a melhor estratégia, uma comparação em relação ao trabalho de Teixeira e Oliveira (2010) é realizada.. 1.4 ORGANIZAÇÃO E CONTEÚDO DA DISSERTAÇÃO. A presente dissertação está organizada em seis capítulos. Além deste introdutório, a dissertação possui os capítulos descritos abaixo. No Capitulo 2 são introduzidos os conceitos básicos do mercado de ações. Inicialmente, são apresentados os conceitos relativos a bolsa de valores, onde as compras e vendas são realizadas. Em seguida, é detalhado em que consistem os índices e em que mercado as ações são negociadas. Por fim, são explicados os conceitos da Análise Técnica, pormenorizando a Teoria de Dow, os indicadores técnicos e o gerenciamento dos riscos. No Capítulo 3 são apresentadas as técnicas de classificação, otimização e seleção de atrasos utilizadas neste trabalho. São detalhados, também, os classificadores k-NN e A-kNN, os algoritmos baseados em inteligência coletiva ABC e PSO e a seleção de atrasos. No Capítulo 4 é apresentado o sistema para negociação automática na bolsa de valores proposto nesta dissertação. Nesse capítulo é discutida a forma utilizada para. 9.

(27) representação do problema, o modelo de negociação utilizado nas simulações, a arquitetura de funcionamento de todo o sistema, o protótipo do sistema e os critérios de desempenho. No Capitulo 5 são apresentados os resultados de simulações feitas para avaliar o sistema proposto. Foram realizados experimentos com dados reais de cerca de 10 anos, referentes a 15 ações de empresas de vários setores da economia brasileira. Os resultados são comparados, em termos de lucro, com relação ao buy-and-hold, considerando as 8 (oito) estratégias criadas neste trabalho. Além disso, os resultados obtidos são comparados com o trabalho de Teixeira e Oliveira (2010). No Capítulo 6, são expostas as conclusões deste trabalho e sugestões para futuras pesquisas.. 10.

(28) 2. MERCADO DE AÇÕES. 2.1 INTRODUÇÃO. O mercado de ações é um ambiente público e organizado para negociação de alguns títulos mobiliários. As transações podem ocorrer por intermédio das Bolsas de Valores, local onde são negociados títulos das empresas, os quais são chamados de ações. Ter uma ação significa possuir uma determinada fração da empresa. Os detentores de ações, por serem também donos da empresa, têm direito a receber: dividendos (lucros da empresa), juros sobre capital, bonificação e direito de subscrição. Os valores pagos são divididos entre todos os que possuem os títulos de forma proporcional (PIAZZA, 2010). Para uma empresa negociar suas ações na Bolsa de Valores, é necessário abrir o capital. Para isso, existe uma série de regras a serem cumpridas. Após a abertura, a empresa deixa de ser uma instituição limitada, e se torna uma instituição anônima e quem faz a gestão da empresa é o grupo que possui a maior quantidade de ações. Existem diversos tipos de Mercados onde se pode investir. Cada tipo Mercado tem um modo de funcionamento, porém todos os Mercados existentes são derivados do Mercado à Vista. Qualquer operação realizada em algum Mercado tem como objetivo conseguir ações no Mercado à Vista por um custo mais baixo. Para isso, existem diversas opções com as quais o investidor pode operar, desde a mais arriscada até a mais segura (BRUM, 2006).. 2.2 BOLSA DE VALORES. A Bolsa de valores é uma instituição que fornece condições e todo um aparato de sistemas de informações necessárias para realizar operações de compra e venda de títulos e valores mobiliários de forma transparente. Além disso, ela atua como auxiliar da Comissão de Valores Mobiliários na fiscalização do mercado e divulgando as operações executadas com rapidez, amplitude e detalhes. Para o seu funcionamento, existem regras a serem seguidas e órgãos regulamentadores (BRUM, 2006). A principal função da Bolsa é proporcionar um ambiente transparente e líquido, adequado à realização de negócios com valores mobiliários. Os investidores têm acesso à 11.

(29) Bolsa unicamente através das corretoras. Sendo esse acesso feito através de sistemas de negociação onde são realizadas transações de compra e venda. As companhias que possuem ações negociadas na bolsa são chamadas de companhias “listadas”. Para ter ações na bolsa, uma companhia deve ser aberta ou pública. Isso não significa que pertença ao governo, e sim que o público em geral detém suas ações. Para abrir capital na Bolsa, a companhia deve atender aos requisitos estabelecidos pela Lei das S.A. (Lei nº 6.404, de 15 de dezembro de 1976), e pelas instruções da CVM, além de obedecer a uma série de normas e regras estabelecidas pela própria Bolsa. No passado, o Brasil chegou a possuir 9 Bolsas, mas atualmente a principal é a BM&FBOVESPA, que é a maior Bolsa de Valores da América Latina e uma das maiores do mundo, justificando o motivo pelo qual o Brasil é considerado a maior potência econômica da América Latina. Nela são negociadas ações de companhias abertas e títulos privados de renda fixa, commodities, entre outros valores mobiliários (GREENBLATT, 2008). As Bolsas são importantes para a economia e a sociedade como um todo, gerando benefícios para toda a sociedade. Os benefícios gerados pelas bolsas são (ASSAF, 2012): •. Levantar capital para negócios: As Bolsas de Valores têm um excelente ambiente para as companhias levantarem capital para expansão de suas atividades, através de vendas de ações e outros valores mobiliários ao público investidor;. •. Mobilizar poupanças em investimentos: Quando as pessoas investem suas poupanças em ações de companhias abertas, isso ocasiona a uma alocação mais racional dos recursos da economia, porque os recursos que, de outra forma, poderiam ter sido utilizados no consumo de bens e serviços ou mantidos nas contas bancárias, são mobilizados e redirecionados para promover atividades que geram novos negócios. Com isso, vários setores da economia são beneficiados, tais como agricultura, comércio e indústria, resultando em um crescimento econômico forte e no aumento de nível de produtividade;. •. Facilitar o crescimento de companhias: Para uma companhia, a aquisição e/ou fusão de outras empresas são vistas como oportunidades de expansão de linha de produto, aumento dos canais de distribuição, aumento de suas 12.

(30) participações no mercado, etc. As Bolsas servem como um canal que as companhias utilizam para aumentar seus ativos e seu valor de mercado, através de compra de uma companhia por outra. Esta é a forma mais simples de uma companhia crescer. Quando a fusão ou aquisição é realizada na Bolsa, ela se torna mais transparente, permitindo, assim, uma maior valorização, pois as informações são mais divulgadas e há uma maior interação entre os agentes envolvidos, tanto compradores como vendedores; •. Redistribuir renda: A Bolsa oferece a oportunidade para uma grande variedade de pessoas adquirirem as ações de companhias abertas e possibilita as torna-las sócias de negócios lucrativos. O mercado de capitais ajuda a reduzir a desigualdade de distribuição de renda no país. Tanto investidores profissionais como casuais, através do aumento das ações e da distribuição de dividendos, têm a oportunidade de compartilhar os lucros dos negócios bem sucedidos feitos pelos administradores das companhias;. •. Aprimorar a Governança Corporativa: A demanda cada vez maior de novos acionistas e as regras cada vez mais rígidas impostas pelo Governo e Bolsas de Valores têm levado as companhias a melhorarem seus padrões de administração e eficiência. Por consequência, é normal dizer que as companhias abertas são mais bem administradas que as companhias fechadas (companhias que não possuem ações negociadas na Bolsa de Valores, e que geralmente pertencem aos seus fundadores, familiares ou herdeiros). Os princípios de governança corporativa estão, cada vez mais, sendo aceitos e aprimorados;. •. Criar oportunidades de investimento para pequenos investidores: Diferentemente de outros empreendimentos, que necessitam de uma soma elevada de capital, o investimento em ações é aberto para qualquer indivíduo, seja ele grande ou pequeno investidor. Um pequeno investidor pode adquirir a quantia de ações que está de acordo com suas condições financeiras, tornando-se sócio minoritário (investidores que possuem uma pequena quantia investida numa determinada companhia). Dessa forma, a Bolsa de Valores abre a possibilidade de uma fonte de renda adicional para pequenos poupadores; 13.

(31) •. Atuar como termômetro da economia: Os preços oscilam bastante na bolsa de valores, dependendo das forças do mercado e tendem a acompanhar o ritmo da economia, refletindo seus momentos de retração, estabilidade ou crescimento. Uma recessão, depressão ou crise pode eventualmente levar a uma queda brusca do mercado. Os índices de ações são bons indicadores das tendências da economia.. 2.3 ÍNDICES. Índice é o valor atual em moeda do país de uma carteira de ações teórica, a partir de uma aplicação hipotética. Os índices têm vários objetivos, entretanto o principal deles é identificar as tendências de alta ou baixa da bolsa de valores. Também fornecem uma visão geral do mercado, pois incorporam as principais ações e setores da economia. São considerados uma poderosa ferramenta para a avaliação de desempenho para os investidores e gestores do mercado de capitais. No Brasil, o principal índice é o Ibovespa, que é uma ferramenta indispensável para quem investe em ações. O Ibovespa é o valor atual, em moeda corrente, de uma carteira teórica de ações constituída em 02/01/1968, a partir de uma aplicação hipotética. Supõe-se não ter sido efetuado nenhum investimento adicional desde então, considerando-se apenas os ajustes efetuados em decorrência da distribuição de proventos pelas empresas emissoras que constituem a carteira de ações (BRUM, 2006).. 2.4 MERCADO À VISTA. No mercado à vista, são realizadas operações em tempo real, que podem ser uma compra ou venda de uma determinada quantidade de ações. Quando um negócio é realizado, o comprador efetua o pagamento envolvido na transação e o vendedor entrega os títulosobjeto (emissões de ações permitidas à negociação na bolsa de valores) da transação, nos prazos estabelecidos pela bolsa de valores (ASSAF, 2012). Quando as ações são compradas no mercado à vista, o comprador tem 3 dias úteis para realizar o pagamento. Da mesma forma, quando o vendedor vende as ações, ele tem 3 dias úteis para receber (PIAZZA, 2010). 14.

(32) 2.5 ANÁLISE TÉCNICA. Análise Técnica é o estudo da movimentação do mercado financeiro através do uso de gráficos com objetivo de prever tendências futuras de preços (MURPHY, 1999). Para essa técnica, a movimentação do mercado é observada através de duas variáveis principais, os preços das ações e o volume de negociação. A Análise Técnica é baseada nos trabalhos publicados por Charles Dow em uma série de editoriais no Wall Street Journal, que foram reunidos e formaram o que hoje se chama de Teoria de Dow (RHEA, 1932). A Análise Técnica estuda o movimento dos preços do mercado, enquanto a Análise Fundamentalista é baseada no estudo das forças econômicas de oferta e demanda. De modo geral, essas técnicas utilizam abordagens diferentes para resolver o mesmo problema, que é a previsão da direção dos preços (TEIXEIRA e OLIVEIRA, 2010). A diferença é que os fundamentalistas estudam as causas dos movimentos dos preços e os analistas técnicos estudam seus efeitos. A visão da Análise Técnica baseia-se em três premissas gerais: 1. O preço desconta tudo; 2. O preço tem tendência; 3. A história se repete. Na primeira premissa, não é importante saber por que os preços se movem em uma determinada direção, já que os motivos podem ser os mais diversos e difíceis de descobrir. Também é levado em consideração que toda informação relevante (macroeconomia, conjuntura setorial, balanço de empresas, fatores políticos e outros) está embutida no preço. Assim, o importante é conhecer como os preços se movem, pois o que importa é saber quando comprar ou vender, sem precisar entender a razão da alta ou da baixa. Esses movimentos, registrados em um gráfico, podem ser consequência de fatores econômicos ou políticos, mas não importa a causa: toda informação relevante está contida no preço. A Figura 2.1 apresenta um exemplo das consequências de fatores econômicos no período de 1. 1996 até 2005.. 15.

(33) Figura 2.1 :Fatores políticos e econômicos movimentam a alta e a baixa do Ibovespa. 1. Na segunda premissa, o movimento dos preços reflete a percepção positiva ou negativa dos investidores em relação ao mercado. As expectativas mudam com frequência, mas existem períodos em que prevalece o otimismo ou pessimismo. Nesses períodos, embora os preços oscilem, eles caminham seguindo uma tendência. É nesses momentos em que aparecem as melhores oportunidades para comprar ou vender. Na Figura 2.2 é possível 2. observar os movimentos alternados de tendência de alta e de baixa.. Figura 2.2 :Ibovespa alternando movimentos de alta e baixa. 2. Na terceira premissa, é considerado que o mercado é movido por uma grande quantidade de pessoas, cujo comportamento segue a lógica emocional da perda e do ganho, do medo e da ganância. Esse comportamento acompanha determinados padrões que se repetem ao longo do tempo, aumentando a previsibilidade do mercado.. 2.5.1. CONCEITOS DE TENDÊNCIA. 16.

(34) A Teoria de Dow tem como principal fundamento o estudo das tendências, que está relacionado à direção dos preços do mercado. A tendência de alta é o resultado de uma força compradora maior, enquanto a tendência de baixa reflete o domínio dos vendedores. Por outro lado, quando não é possível identificar uma tendência de alta ou baixa, ela é chamada de tendência lateral ou sem tendência. Qualquer que seja a tendência, o movimento não é uniforme porque há momentos em que a força entre compradores e vendedores se alterna, mesmo que de forma transitória. São situações nas quais ocorre uma pequena reversão, mas a tendência principal é retornada em seguida, após uma breve realização de lucros. A Figura 2.3 apresenta exemplos das tendências de alta, de baixa e lateral. 3. Figura 2.3 : Tendências de alta, de baixa e lateral. 3. Na Figura 2.4, os fundos e topos formam áreas de suportes e resistências respectivamente. O suporte significa que os compradores estão dispostos a comprar por preços cada vez mais altos, sendo utilizados como sinal de uma possível inversão de movimento. Já na resistência, os vendedores estão dispostos a vender por preços cada vez mais baixos. De modo geral, áreas de suportes são encontradas próximas a fundos anteriores no gráfico de preços, enquanto que topos anteriores geralmente indicam zonas de resistência. A Figura 2.4 apresenta o conceito de suporte e resistência (MURPHY, 1999). 4. Figura 2.4 : Regiões de suporte e resistência. 4. 2.5.2. INDICADORES TÉCNICOS. As fórmulas matemáticas criadas a partir de diversas combinações de preço e volume, que procuram captar padrões resultantes do valor médio de um período de preços, 17.