inteligência artificial redes neurias

Apoio à tomada de decisões no Mercado Financeiro utilizando Redes Neurais

Inteligência ArtificialRedes Neurias

Prof. Dr. Ivan Rizzo Guilherme

Daniel Carlos Guimarães Pedronette



Problema

Tomada de Decisões no Mercado Financeiro

• Determinar melhores momentos para compra e venda da Ação

• Antecipar Movimentos de Subida e Queda• “Capacidade de Prever o Futuro”


Características do problema

• Abundância de Dados• Cotações, Valores de Compra/Venda,

Indicadores Estatísticos • Indicadores Estatísticos

– Indicadores numéricos que normalmente variam de 0 a 1 tentando identificar tendências de ascensão ou queda de preços

– Rudimentares– Funcionam bem para grandes variações de preços– Exemplos: Momento, IFR (Índice de Força Relativa),

Volume, etc


Características do problema

• Dificuldade de análise dos dados disponíveis• Como determinar quais as informações mais

significativas?• Como sintetizar a grande quantidade de

informações?• Necessidade de grande flexibilidade na avaliação

dos dados


Solução Proposta

• Utilização de Redes Neurais• Aprendizado Supervisionado• Modelo Back-Propagation• Linguagem Java• Pacote de Redes Neurais JOONE• Aplicação de Regras à saída da Rede Neural para

gerar Indicativos de Compra/Venda


Redes Neurais Artificiais

• Conjunto de Entradas Numéricas• Conjunto de Unidades de Processamento

-“Neurônios”, com várias entradas e uma saída• Cada entrada possui um determinado peso

sináptico: fator de multiplicação• Aprendizado: ajuste dos pesos segundo o resultado

desejado• Função de Ativação produz Saída Numérica


Redes Neurais Artificiais

Erro


Dados de Entrada

• Dados reais da Bovespa• Formato: texto separado por ;• Tempo de Atualização: ajustável. Inicialmente em 1

min.

• Cotação da Ação, Valor de Compra, Valor de Venda, Última Oscilação, Volume de Negociações

• Indicadores Estatísticos: PP, SMI, Momento, IFR, Fôlego


Pré-Processamento dos Dados

• Definição do Valor Esperado• Para um conjunto de dados de Entrada, qual a Saída

desejada?• Valores Esperados Estipulados: 0, 0.5, 1

– Momento que antecede uma queda, marcado com valor 0: Venda

– Momento que antecede uma alta, marcado com valor 1: Compra

– Demais Momentos marcados com 0.5: Neutro

Utilizado Microsoft Excel, exportando para arquivo texto


Topologia da Rede

• 3 camadas de neurônios (Entrada,Intermdiária,Saída)

• Camada de Entrada: – 11 neurônios (10 entradas e o Valor Esperado)

• Camada Intermediária: – 20 neurônios

• Camada de Saída: – 1 neurônio: Saída Final


Outros Parâmetros da Rede

• Momento da Rede: 0.4• Taxa de Aprendizado: 0.8• Monitor, ligado às camadas ajustando os

parâmetros acima e coordenando o Aprendizado• Sinapses: FullSinapse, todos os neurônios se

comunicam com todos• Tipo de Camada: SigmoidLayer

– Função de Ativação:


Topologia da Rede

10 Neurônios 20 Neurônios

FullSinpase

FullSinpase

M onitor

Entrada

Saída


JOONE - Java Object Oriented Neural Engine

• Free framework para criação, treinamento e teste de Redes Neurais

• Modelo Back Propagation• Objetos disponíveis:

– Vários tipos de Camadas– Vários tipos de Sinapses

• Intercâmbio de dados:– Arquivos texto, HTTP, FTP


Codificação da Rede Neural


Aplicativo Java


Treinamento e Processamento

• Utilizada média de 150 registros para treinamento• Resultados satisfatórios entre 20.000 e 30.000

ciclos ou mais.• Treinamento necessita de grande capacidade de

processamento• Após treinamento Rede Neural processa

rapidamente os resultados


Pós-Processamento

• Objetivo: Gerar Indicativos de Compra e Venda a partir da Saída Numérica no intervalo [0,1]

• A cada saída da Rede Neural, calcula-se a Variação em relação ao Valor Anterior

• Definir um valor numérico constante para o Indicador de Tendências

• Regra:Variação > + Indicador: Ordem de CompraVariação < - Indicador: Ordem de Venda

• Indicador Maior : menos movimentos, menos erros• Indicador Menor: mais movimentos, mais erros


Visão Geral do Processo

Arquivo .txtde Entrada

Dados deEntrada

Geração dosValores Esperadosem 0, 0.5 ou 1

Processamentopela Rede NeuralAplicativo J ava

Arquivo .txtde Saída

Aplicação deRegras para geraçãodos I ndicativosCompra e Venda


Resultados Gerados

• Simulações: se alguém tivesse “obedecido” todos os sinais da Rede, quais seriam os resultados?

• Ação USIM5 (Usiminas) • Período: aproximadamente 5h• Atualização: a cada 1 minuto• Resultados:

– 12 Movimentos Nulos– 6 Movimentos Certos – 1 Movimentos Errados– Saldo: R$ 0,71 (aproximadamente 2,41% do valor inicial

da Ação)


Resultados Gerados


Desafios e Dificuldades

• Otimização dos parâmetros da Rede Neural:– Tipo de Camadas e Sinapses– Número de Neurônios– Momento e Taxa de Aprendizagem

• Definição de valores ótimos de Intervalos de Atualização e Indicadores de Tendência

• Aperfeiçoamento do desempenho é um processo empírico


Links

URLs: http://www.bovespa.com.br

http://www.investshop.com.br http://www.jooneworld.com

inteligência artificial redes neurias

Documents