Realização: Apoio:
TÍTULO: INTELIGÊNCIA ARTIFICIAL APLICADA NO MERCADO DE COMMODITIES - ANALISE PREDITIVA DO PREÇO DE FECHAMENTO DO ÍNDICE AÇÚCAR NY Nº11 FUTUROS
CATEGORIA: CONCLUÍDO
ÁREA: CIÊNCIAS EXATAS E DA TERRA
SUBÁREA: Computação e Informática
INSTITUIÇÃO: Faculdade de Tecnologia de Bauru - FATEC
AUTOR(ES): ADRIANO FIRMINO PEREIRA
RESUMO
Este trabalho propõe o uso da inteligência artificial aplicada ao mercado de commodities
na predição do preço de fechamento do índice Açúcar NY Nº11 Futuros baseando-se no
índice Thomson Reuters_CoreCommodit CRB Exceed Return Index como variável
complementar para avaliar a influência desse índice na tomada de decisão de
investidores que realizam operações de proteção do capital, mitigando os riscos das
oscilações dos preços no mercado de commodities. Em particular, este trabalho adota
técnicas de redes neurais e de suavização exponencial, com aplicação do algoritmo
Multi-Layer Perceptron em comparação ao método Holt-Winters para avaliar a influência desse
índice na precificação do preço de fechamento do índice Açúcar NY Nº11 Futuros.
Nossos resultados experimentais mostraram que o uso de redes neurais é mais eficiente
para prever o valor do índice Açúcar NY Nº11 Futuros, sugerindo que tal técnica se
mostra promissora como ferramenta de auxílio à tomada de decisão para a compra/venda
desse ativo em operações no mercado futuro.
1. INTRODUÇÃO
Nos últimos 30 anos as exportações brasileiras de açúcar equivaliam por volta de
8% de participação no mercado mundial. A partir do ano de 2012 o setor açucareiro
contribuiu com US$43.8 bilhões, referente a 2% do PIB do país. Olhando para toda a
cadeia produtiva, investidores, fornecedores e mercados dependentes do setor
sucroenergético, obtiveram uma receita bruta de US$86 bilhões de dólares neste ano. O
PIB da agropecuária teve crescimento de 13,4% no primeiro trimestre de 2017,
consolidando-se como a maior alta em mais de 20 anos. Esse avanço puxou a alta de
1% da economia brasileira no trimestre. O crescimento da demanda mundial por etanol,
devido ao seu ciclo de fontes renováveis, atrelado a amplitude das áreas cultiváveis do
país e suas condições climáticas, são favoráveis ao plantio da cana-de-açúcar. Isso fez
com que o Brasil se consolidasse como um importante player na exportação dessa
commodity. No ano de 2017 o Brasil foi um dos maiores exportadores de cana de açúcar,
com participação de mercado de 45% do total mundial [Unica 2018].
1.1 MERCADO DE COMMODITIES
Segundo [Copeland e Weston 1998, Geman 2005], commodity tem como definição
um ativo físico que possui características padronizadas, de ampla negociação de
diversas localidades, que pode ser transportada e armazenada no longo prazo.
A cotação do açúcar negociado na bolsa de Nova York NY Nº11 é referenciada
através de contratos futuros do açúcar bruto, que representam a negociação do um ativo
no mercado financeiro. Segundo [Hull 1997], são acordos de compra e venda de um
determinado ativo por certo preço, numa certa época no futuro, com padronizações de
qualidade, quantidade, locais de entrega e datas específicas para liquidação dos
negócios.
Para capturar a mudança na inflação global, incluímos o Índice CRB Thomson
Reuters / CoreCommodity (CRB Index), que é um indicador representativo dos mercados
globais de commodities, compreendendo uma cesta de 19 commodities, sendo 39%
alocados em contratos de energia, 41% agricultura, 7% para metais preciosos e 13%
para metais industriais. Em geral, o índice internacional de preços futuros de commodities
reflete os movimentos gerais de preços das commodities negociadas em todo o mundo,
porque contém muitas commodities para serem usadas como matéria-prima. Por isso, é
visto como o principal indicador da taxa de inflação de preços. [A Commodity Index
Solution 2018].
1.2 REDES NEURAIS ARTIFICIAIS
Segundo [Soares et al. 2008], muitas áreas do conhecimento têm utilizado a
enorme capacidade de identificação de padrões e a capacidade de generalização das
redes neurais na solução de diversos problemas. Entre estas está a área de finanças,
que busca nas redes neurais artificiais uma ferramenta para realizar a predição de valores
futuros de séries de cotações de opções, commodities e, principalmente, de ações.
Em relação à previsão de séries temporais de cotações de ações, [Mueller 1996]
destaca em seu trabalho que o uso de redes neurais artificiais de múltiplas camadas
(MLP - Multi-Layer Perceptron), treinadas com o algoritmo backpropagation, pode
apresentar melhores resultados que outros modelos tradicionais. Há muitos algoritmos
de retropropagação ou de treinamento que foram desenvolvidos para serem aplicados
em uma rede neural MLP. Para modelar a atribuição de pesos na entrada de informação
na rede.
1.3 MÉTODO DE HOLT-WINTERS
De acordo com [Veríssimo et al. 2012], os métodos estatísticos de séries temporais
são técnicas quantitativas frequentemente utilizadas para realizar prognósticos de
variáveis, dentre os quais se encontram os métodos de suavização exponencial, em
particular o método Holt-Winters que é uma expansão do método Holt (1957)
desenvolvida por Winter (1960) para aplicar em séries temporais que exibem tendência
e sazonalidade.
Esses métodos, segundo Gardner (1985; 2006), são reconhecidos como uma das
ferramentas mais empregadas na previsão de curto prazo de séries temporais. Sua
popularidade se deve principalmente a sua simples formulação, facilidade de ajustes e
boa precisão [Makridakis et al, 1998]. Os procedimentos destes métodos incorporam de
maneira simples e compreensível o nível, a tendência e a sazonalidade que apresentam
os dados da série temporal, assim como o erro de previsão, que é o componente
estocástico do método [Hyndman et al, 2008].
Dentro da área de previsão de séries temporais, o software WEKA possui
bibliotecas estatísticas com funções específicas para as técnicas de previsão utilizadas,
como a função timeseries Holt-Winters, especifica para a predição de valores pela técnica
de Holt-Winters.
2. OBJETIVOS
O presente projeto tem por finalidade estudar o comportamento das redes neurais
artificiais para prever o preço de fechamento do índice do Açúcar negociado na bolsa de
Nova York (Açúcar NY Nº11 Futuros) influenciado pelo índice Thomson
Reuters_CoreCommodit CRB Exceed Return. Esse estudo tem a finalidade de entender
o dinamismo das redes neurais artificias aplicadas ao contexto do mercado financeiro,
com especificidade para melhorar a tomada de decisões de investidores que realizam
operações de compra e venda desses índices no mercado de commodities, mitigando o
erro e o risco no momento de realizar tais investimentos.
4. METODOLOGIA
Para a implementação da rede, foi utilizada a função o algoritmo Multi-Layer
Perceptron, que utiliza um normalizador de atributos. Isso pode ajudar a melhorar o
desempenho da rede. Após a normalização, utiliza-se o passo de decaimento, que fará
com que a taxa de aprendizado diminua. Isso dividirá a taxa de aprendizado inicial pelo
número da época, para determinar qual deve ser a taxa atual de aprendizado. Isso pode
ajudar a impedir que a rede se desvie da saída desejada, além de melhorar o
desempenho geral [Abdi et al, 1999].
Utilizando o método de suavização exponencial Holt-Winters, que é usado quando
se pretende fazer previsões para séries com sazonalidade. Um modelo será ajustado
levando em consideração os parâmetros de suavização e os coeficientes provenientes
de cada previsão. Trata-se de um algoritmo para ser usado com séries com efeito sazonal
(quando a série apresenta flutuações constantes, recebe o nome de efeito sazonal
aditivo) [Morettin e Toloi. 2006].
A partir dos dados formatados para a realização dos treinamentos e testes das
redes neurais artificias, foi necessário realizar um processo de pré-processamento dos
dados selecionados, que é conhecido como processo de normalização. Seguindo a
contextualização de [Silva, Spatti e Flauzino 2010], este processo objetiva escalonar as
amostras de dados para uma faixa de valores dinâmica das funções de ativação das
camadas escondidas, a fim de evitar o ruído dos dados externos à rede.
O treinamento realizado foi dividido em duas partes. A primeira com 70% dos
pontos destinados à fase de treinamento da rede. Já os 30% restantes foram utilizados
na etapa de validação e teste, sendo 15% para cada etapa, o qual foi testada a
capacidade de generalização do modelo construído. Além disso, o ajuste dos pesos
sinápticos foi construído a cada padrão do conjunto de treinamento realizado pela rede
neural. A funções utilizadas no experimento foram, tangente hiperbólica e linear nas
camadas intermediária e de saída, respectivamente, da rede.
O presente trabalho utiliza-se de redes neurais artificiais através do algoritmo
Multi-Layer Perceptron para realizar previsões futuras para o índice Açúcar NY Nº11
Futuros negociado na bolsa de valores de Nova Iorque, que é o índice referenciado para
negociações dessa commodity no mercado americano. A base de dados foi retirada, do
site da investing.com, onde utilizou-se uma base de dados com período de um ano, com
253 dias, onde foram retirados todos os dias referentes a finais de semanas e feriados,
com a regra em que ambos tiveram negociações, entre 11 de julho de 2016 a julho 11 de
2017. Utilizou-se o software WEKA (Waikato Environment for Knowledge Analysis)
1para
realizar o treinamento da rede neural, para quantificar a influência do índice Thomson
Reuters_CoreCommodit CRB Exceed Return, referência no mercado financeiro global
para negociações de commodities.
Utilizou-se o software computacional WEKA para avaliar o modelo proposto neste
trabalho. A tabela 1 mostra os principais parâmetros dos experimentos realizados.
Tabela 1. Principais parâmetros dos experimentos realizados
Seis variáveis foram utilizadas para cada índice, com a finalidade de avaliar a
influência dos mesmos para a tomada de decisão para melhorar a precisão da análise
preditiva. A primeira variável indica o preço de fechamento no final do pregão para cada
índice. A variável 2, faz jus ao preço de abertura para cada índice, a variável 3 e a variável
4 referem-se respectivamente ao preço máximo e mínimo atingido no dia das
negociações em cada pregão, a variável 5 corresponde ao volume de negociações
realizada em milhões de dólares, e a variável 6 é baseada na variação do preço em
porcentagem em relação ao fechamento diário de cada índice.
1 WEKA (Waikato Environment for Knowledge Analysis). https://www.cs.waikato.ac.nz/ml/weka/
Paramêtro Variável 1 Variável 2 Variável 3 Variável 4 Variável 5 Variável 6 Preço de Fechamento Açúcar Futuro NY Nº11 Preço de Abertura Açúcar Futuro NY Nº11 Máxima do Preço Açúcar Futuro NY Nº11 Miníma do Preço Açúcar Futuro NY Nº11 Volume de Negociação(Milhões) Açúcar Futuro NY Nº11 Variação do Preço(%) Açúcar Futuro NY Nº11 Preço de Fechamento CRB index Preço de Abertura CRB index Máxima do Preço CRB index Miníma do Preço CRB index Volume de Negociação(Milhões) CRB index Variação do Preço(%) CRB index Variáveis de Entrada
5. DESENVOLVIMENTO
Através da aplicação do treinamento pelo software WEKA, utilizando o algoritmo
Multi-Layer Perceptron e o método de Holt-Winters, com a finalidade de prever o preço
de fechamento do Açúcar NY Nº11 Futuros, utilizando as variáveis de abertura, máxima
do preço, mínima do preço, volume de negociação e variação do preço dos dois índices
utilizados nesse estudo, todas essas variáveis foram aplicadas para os treinamentos dos
próximos quinze dias para. No primeiro treinamento, realizou-se um único treinamento,
para que o algoritmo Multi-Layer Perceptron gerasse um resultado com a previsão do
preço de fechamento do Açúcar NY Nº11 Futuros para os próximos quinze dias
posteriores. Para o método de Holt-Winers, realizou-se o treinamento também para
quinze dias futuros.
5. RESULTADOS
Os resultados obtidos a partir dos treinamentos realizados, utilizando-se a rede
neural Multi-Layer Perceptron e o método Holt-Winters, foram dispostos em duas tabelas,
que correspondem ao treinamento realizado quinze dias posteriores para ambos os
métodos. Como é observado na tabela 2, tem-se o preço de fechamento estimado para
o Açúcar NY Nº11 Futuros, e para o CRB Index. Foram dispostos os preços de
fechamento reais, de ambos os índices, e os erros médios absolutos (Mean Error – ME).
Tabela 2. Treinamento realizado com o uso do algoritmo Multi-Layer Perceptron
O resultado obtido para a rede neural, demonstra que erro médio é inferior que
3,3, sendo que no décimo dia o erro médio teve sua menor variação, isso pode ser devido
a ruídos encontrados no preço desses índices, ocasionado por variáveis externas que
influenciam diretamente no seu resultado.
Período Preço de Fechamento Estimado - Açúcar NY Nº11
Preço de Fechamento Estimado - CRB index
Preço de Fechamento Real - Açúcar NY Nº11 Preço de Fechamento Real - CRB index Erro - Açúcar NY Nº11 Erro - CRB index 1 13,32 166,47 13,49 173,88 0,17 7,41 2 12,14 168,11 14,14 174,35 2,00 6,24 4 12,30 165,59 14,09 175,88 1,79 10,29 5 12,42 163,84 14,1 176,88 1,68 13,04 6 11,30 162,48 14,5 178,66 3,20 16,18 7 12,26 167,32 14,41 178,4 2,15 11,08 8 11,80 162,70 14,4 176,66 2,60 13,96 9 12,00 164,78 14,4 176,23 2,40 11,45 10 13,80 166,47 13,9 177,67 0,10 11,20 11 12,93 164,30 14,23 179,45 1,30 15,15 12 14,20 163,62 14,43 181,14 0,23 17,52 13 13,88 170,46 14,37 182,12 0,49 11,66 14 15,21 174,46 14,91 182,64 0,30 8,18 15 13,51 167,65 14,88 180,76 1,37 13,11
O próximo treinamento foi configurado utilizando o método Holt-Winters, como
pode ser visto na tabela 3.
Tabela 3. Treinamento realizado com o uso do método Holt-Winters
A aplicação pelo método Holt-Winters, demonstra que todo os valores calculados
para o erro médio foram inferiores 3,51, sendo que no décimo segundo dia teve o erro
médio de menor valor, 0,78, sendo que há uma proximidade entre os erros obtidos
através do treinamento previsto pela rede neural.
Após terem atingidos resultados satisfatórios, resultados das projeções dos dados
para os anos de 2016 a 2017, entre os dias de 11 de julho de 2016 a 11 de julho de 2017,
avaliando os resultados gerados pelo software WEKA, a tabela 4 demonstra um
comparativo entre os resultados obtidos entre os dois métodos, havendo sete dias
distintos com erros menores para a aplicação com o algoritmo Multi-Layer Perceptron,
com destaque para o décimo dia, com erro médio de 0,10. Também obteve-se sete dias
com erros médios menores utilizando a metodologia Holt-Winters, com melhor resultado
para o décimo primeiro dia, com valor de 0,87.
Os melhores resultados são vistos para a rede neural com o uso do algoritmo
Multi-Layer Perceptron, em comparação ao valor da média dos erros, sendo que houve um
equilíbrio entre os erros médios para ambos os métodos. Logo, temos uma previsão mais
precisa para os treinamentos realizados através do algoritmo Holt-Winters para a
previsão de fechamento dos preços do índice Thomson Reuters_CoreCommodit CRB
Exceed. Todavia, é necessário utilizar um maior intervalo para chegar a resultados mais
confiáveis.
Período Preço de Fechamento Estimado - Açúcar NY Nº11 Preço de Fechamento Estimado - CRB index Preço de Fechamento Real - Açúcar NY Nº11 Preço de Fechamento Real - CRB index Erro - Açúcar NY Nº11 Erro - CRB index 1 15,64 179,22 13,49 173,88 2,15 5,3389 2 15,94 181,04 14,14 174,35 1,80 6,6936 4 15,74 181,26 14,09 175,88 1,65 5,3781 5 16,12 179,69 14,1 176,88 2,02 2,8091 6 15,84 181,28 14,5 178,66 1,34 2,6222 7 15,98 181,21 14,41 178,4 1,57 2,8053 8 15,90 179,59 14,4 176,66 1,50 2,934 9 15,44 179,29 14,4 176,23 1,04 3,0635 10 15,06 178,09 13,9 177,67 1,16 0,4168 11 15,10 177,65 14,23 179,45 0,87 1,8027 12 15,21 178,58 14,43 181,14 0,78 2,5645 13 18,10 186,71 14,37 182,12 3,73 4,5857 14 18,42 188,58 14,91 182,64 3,51 5,9404 15 18,09 188,83 14,88 180,76 3,21 8,0728
Tabela 4. Comparativo entre os erros para o Multi-Layer Perceptron e o
Holt-Winters
6. CONSIDERAÇÕES FINAIS
Ao se aplicar a metodologia selecionada, realizou-se o levantamento da série
histórica de um ano dos índices, Açúcar NY Nº11 Futuros e Thomson
Reuters_CoreCommodit CRB Exceed Return, no período de 1 ano, consolidados entre
11 de julho de 2016 à 11 de julho de 2017, como variáveis diretas, preços de
fechamentos, preços de aberturas, máximas dos preços, mínimas dos preços, variações
e volumes financeiros desses ativos negociados na Bolsa de Valores de Nova York –
NYSE. Foram analisados os dados de 253 dias, devido a exclusão de finais de semanas
e feriados, contabilizados apenas os mesmos dias que efetivamente houveram
negociações com estes índices.
O principal objetivo ao realizar o treinamento da rede neural e a utilização do
método Holt-Winters foi prever a probabilidade que o índice global Thomson
Reuters_CoreCommodit CRB Exceed Return influência na variação do preço de
fechamento do Açúcar NY Nº11 Futuros. A partir dessa avaliação, percebe-se que os
dois métodos possuem um equilíbrio em relação aos números de dias com menores erros
médios em ambas as técnicas, mas a média dos erros é menor para a rede neural
aplicada no índice Açúcar NY Nº11 Futuros.
Período Erro - Açúcar NY Nº11 Erro - CRB index Erro - Açúcar NY Nº11 Erro - CRB index 1 0,17 7,41 2,15 5,3389 2 2,00 6,24 1,80 6,6936 4 1,79 10,29 1,65 5,3781 5 1,68 13,04 2,02 2,8091 6 3,20 16,18 1,34 2,6222 7 2,15 11,08 1,57 2,8053 8 2,60 13,96 1,50 2,934 9 2,40 11,45 1,04 3,0635 10 0,10 11,20 1,16 0,4168 11 1,30 15,15 0,87 1,8027 12 0,23 17,52 0,78 2,5645 13 0,49 11,66 3,73 4,5857 14 0,30 8,18 3,51 5,9404 15 1,37 13,11 3,21 8,0728 Média 1,44 11,95 1,85 4,00
