Uma contribuição para implementação do Deep Learning aplicado à negociação de ações por algoritmos na B3

Abstract

Revisões da literatura no período de 2009 a 2015 apresentavam a área de finanças como campo pouco explorado pelo Deep Learning. Considerando-se os resultados já alcançados pela pesquisa e a disponibilização de novas ferramentas computacionais, identificou-se uma oportunidade para a investigação da produção científica nesta área, no período de 2016 a 2019. Tal investigação evidenciou um crescimento recente das publicações científicas sobre Deep Learning aplicado ao Algorithmic Trading a partir de 2018. O objetivo deste trabalho é pesquisar uma abordagem baseada em Deep Learning aplicada à negociação de ações baseada em algoritmos sobre ativos listados na bolsa de valores brasileira, B3, e implementar um artefato na forma de software com esta abordagem. Utiliza-se o método Design Science Research para a implementação, execução e avaliação do artefato de software. A abordagem Long Short-Term Memory foi escolhida por sua capacidade de extração de características das relações não lineares de séries temporais, de retenção seletiva das informações passadas relevantes, e de manter o aprendizado evitando o vanishing gradient e o exploding gradient. O artefato de software, representado por modelo lógico e código fonte, foi testado em duas ações negociadas na B3, tendo como dados de entrada os preços de fechamento diários de um período de dez anos, de 2008 a 2018. A análise dos resultados evidenciou aderência entre preços alvo e de predição em momentos de manutenção de tendência, e atraso no reconhecimento do novo padrão em momentos de reversão de preços ou maior volatilidade. As variâncias da acurácia da predição sobre preços padronizados para PETR4 e VALE3 foram 0,000193 e 0,000259 respectivamente. Tais resultados indicam a aplicabilidade do modelo LSTM no mercado de ações brasileiro.

Literature reviews from 2009 to 2015 presented finance as a field little explored by Deep Learning. Considering the results already achieved by the research and the availability of new computational tools, it has been identified an opportunity for the investigation of scientific production in this area, in the period from 2016 to 2019. Such investigation has evidenced a recent growth of scientific publications on Deep Learning applied to Algorithmic Trading from 2018. The objective of this work is to research an approach based on Deep Learning applied to Algorithmic Trading on Brazilian stock exchange and to present an artifact in the form of software with this approach. The Design Science Research method is used to implement, execute, and evaluate the software artifact. The Long Short-Term Memory approach was chosen for its ability to extract characteristics of non-linear time series relationships, for selective retention of relevant past information, and to maintain learning by avoiding vanishing gradient and exploding gradient. The software artifact, represented by the logical model and source code, was tested on two shares traded at B3, using daily closing prices from 2008 to 2018 as input data. Analysis of results showed adherence between target and prediction prices in times of trend formation, and a delay in recognizing the new pattern in times of price reversal or higher volatility. The variances of prediction accuracy over standardized prices for PETR4 and VALE3 were 0.000193 and 0.000259, respectively. Such results indicate the applicability of the LSTM model in the Brazilian stock market.