Dissertação

Combining NeuroEvolution and Principal Component Analysis to Trade in the Financial markets EVALUATED

Determinar um sinal de transacções capaz de corresponder às expectativas financeiras de um investidor é uma tarefa difícil e um tópico de pesquisa bastante popular na área de investimento financeiro. Esta tese apresenta uma abordagem que combina a Análise de Componentes Principais (PCA) com a Neuroevolução de Topologias de Aumento (NEAT) para gerar um sinal de transacções capaz de atingir retornos e ganhos diários elevados com baixo risco associado. Esta abordagem usa preços e volume diários em conjunto com vários indicadores técnicos como input. Este input é transformado pelo PCA (para reduzir a sua dimensão) e é entregue ao algoritmo NEAT. Este algoritmo evolui uma rede neuronal artificial para identificar padrões e gerar um sinal de transacções capaz de possuir um bom desempenho no mercado financeiro. A abordagem proposta é testada com dados diários reais de sete mercados financeiros e três funções de fitness distintas são consideradas no algoritmo NEAT. Os resultados mais robustos são obtidos com uma função de fitness que mede a média dos ganhos diários obtidos no mercado. Os resultados alcançados demonstram que esta abordagem supera a estratégia de Buy and Hold (B&H) na maioria dos mercados testados (no índice S&P 500 este sistema atinge uma taxa de retorno de 18.89% enquanto o B&H atinge 15.71% e nos contractos futuros de Brent Crude este sistema atinge uma taxa de retorno de 37.91% enquanto o B&H atinge -9.94%). É ainda possível concluir que o método de PCA é vital para o bom desempenho da abordagem proposta.
Mercados financeiros, Sinal de transacções, Análise técnica, Análise de Componentes Principais (PCA), Neuroevolução de Topologias de Aumento

Novembro 27, 2017, 14:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Rui Fuentecilla Maia Ferreira Neves

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar