AutoML : redes neurais artificiais e programação genética aplicada à predição de preços de ativos financeiros

Abstract

Resumo: A Inteligência Artificial é uma área de pesquisa que objetiva a criação de sistemas computacionais capazes de realizar tarefas que, inicialmente, demandariam inteligência humana. Isso inclui a capacidade de aprender com dados, adaptar-se a novas situações e tomar decisões baseadas em informações. Dentre as diversas técnicas de Inteligência Artificial, as Redes Neurais Artificiais são amplamente utilizadas na resolução de problemas complexos, como o de previsão de preços de ações na bolsa de valores. As Redes Neurais Artificiais são modelos matemáticos inspirados na estrutura e funcionamento do cérebro humano, que são capazes de aprender a partir de dados de entrada. Esses modelos são compostos por camadas de neurônios artificiais, que processam e transformam as informações recebidas até gerar uma saída. No contexto da previsão de preços de ações, as Redes Neurais Artificiais são capazes de identificar padrões e tendências nos dados históricos de cotações, o que pode auxiliar na tomada de decisões de investimento. Como existem inúmeras maneiras de configurar um modelo de Rede Neural Artificial, este trabalho propõe uma maneira de AutoML (Aprendizado de Máquina Automatizado) por meio de Programação Genética Gramatical para gerar redes eficientes para cada conjunto de dados utilizado. Essa técnica permite a definição de um conjunto de regras para a geração de diferentes estruturas de redes neurais, permitindo a exploração de diversas combinações de parâmetros e configurações de rede, visando encontrar a melhor arquitetura para cada ativo/ação. Além disso, a solução proposta utiliza a Programação Genética para gerar diferentes populações de redes neurais e as submete a um processo de otimização similar à de seleção natural, no qual as arquiteturas mais bem-sucedidas são selecionadas e reproduzidas, gerando novas gerações de redes neurais com características cada vez mais adaptadas ao ambiente do problema em questão. Os resultados encontrados demonstraram que a solução proposta para o problema de previsão de preços de ativos financeiros superou diferentes técnicas exploradas para o mesmo problema, inclusive uma das técnicas de AutoML mais utilizadas atualmente. No entanto, também observou-se que a abordagem proposta tem algumas limitações, as quais foram identificadas e sugeridas como pesquisas futuras.

Abstract: Artificial Intelligence is a research field that aims to create computational systems capable of performing tasks that would initially require human intelligence. This includes the ability to learn from data, adapt to new situations, and make decisions based on information. Among the various techniques of Artificial Intelligence, Artificial Neural Networks are widely used in solving complex problems, such as predicting stock prices in the stock market. Artificial Neural Networks are mathematical models inspired by the structure and functioning of the human brain, capable of learning from input data. These models consist of layers of artificial neurons that process and transform received information to generate an output. In the context of predicting stock prices, Artificial Neural Networks can identify patterns and trends in historical quotation data, aiding in investment decision-making. Since there are numerous ways to configure an Artificial Neural Network model, this work proposes a way of Automated Machine Learning (AutoML) through Grammatical Genetic Programming to generate efficient networks for each dataset used. This technique allows the definition of a set of rules for generating different network structures, enabling the exploration of various combinations of parameters and network configurations to find the best architecture for each asset or stock. Furthermore, the proposed solution uses Genetic Programming to generate different populations of neural networks and subjects them to an optimization process similar to natural selection, where the most successful architectures are selected and reproduced, generating new generations of neural networks increasingly adapted to the problem environment. The results obtained demonstrated that the proposed solution for predicting financial asset prices outperformed different techniques explored for the same problem, including one of the most commonly used AutoML techniques currently. However, it was also observed that the proposed approach has some limitations, which were identified and could be used for future research.