Aprendizagem de máquina aplicada à previsão dos movimentos do Ibovespa

Abstract

Resumo: Neste trabalho investiga-se o uso de técnicas de Aprendizagem de Máquina para a previsão dos movimentos do Ibovespa, .índice que representa o desempenho geral das ações negociadas na BM&FBovespa. Especificamente, só considerados modelos de Regressão Linear, Regressão Logística, C-SVM e Redes Neurais Artificiais. A partir de dados hist. Ricos mensais do Ibovespa, esses modelos só treinados para realizarem previsões binárias sobre o .índice (de alta ou baixa), com horizontes de 1, 3, 6 e 12 meses. Nos testes realizados, com o modelo C-SVM chega-se a uma taxa de acerto de 72,7% para previsões de 6 meses. Essa taxa e melhorada para 78,8% usando-se um modelo que combina Regressão Linear, Regressão Logística e C-SVM. Tal modelo híbrido e então incorporado a uma estratégia de investimento com manutenção semestral para negociação do fundo de .índices BOVA11, o qual busca replicar os movimentos do Ibovespa. Simulações sugerem que essa estratégia de investimento baseada em previsões e capaz de fornecer retornos significativamente maiores do que aqueles obtidos com uma estratégia simples conhecida como buy and hold. Esses resultados ilustram o grande potencial do uso de técnicas de aprendizagem de maquina como suporte para a tomada de decisões de compra e venda em bolsas de valores. Além disso, abordam-se aspectos teóricos referentes à alguns métodos de otimização. Em particular, um estudo unificado de complexidade para métodos de descida é apresentado.

Abstract: This work investigates the use of Machine Learning models for predicting the movements of Ibovespa, which is the index that represents the overall performance of the stocks negotiated in the BM&FBovespa. Specifically, the models considered are Linear Regression, Logistic Regression, C-SVM and Artificial Neural Networks. Using monthly data about Ibovespa, these models are trained to the task of predicting the index movements (up and down) for horizons of 1, 3, 6 and 12 months ahead. In the experiments performed, with a C-SVM it was possible to reach an accuracy of 72,7% for predictions 6 months ahead. This accuracy was improved up to 78,8% by using a suitable combination of Linear Regression, Logistic Regression and C-SVM. Then, this hybrid model was incorporated to a trading strategy for negotiation of index fund BOVA11, which tries to replicate the movements of Ibovespa. Numerical simulations suggest that this trading strategy based on forecasts is able to provide gains significantly higher than those obtained with a simple strategy known as buy and hold. These results illustrate the great potential of Machine Learning as support for trading decisions in the stock market. In addition, theoretical approaches to some optimization methods are discussed. In particular, a unified complexity study for descent methods is presented.