FenixEdu™

Dissertação

A sequential approach in forecasting the S&P500 index: Combining Genetic Algorithm and Random Forests EVALUATED

Detalhes: Esta tese propõe investigar a previsibilidade do índice S&P500. Com base no comportamento previsto, temos como objetivo formar uma estratégia de trading rentável, obtendo lucros diários com um baixo risco de investimento associado. O sistema sugerido usa uma nova abordagem baseada no combinação de dois algoritmos, o GA, e, em seguida, um algoritmo de Aprendizagem Automática, o RAF. Como input do sistema são usados, juntamente com um conjunto de indicadores técnicos, preços e volume diários. Primeiramente, será feita uma abordagem recorrendo aos GA onde serão selecionados os parâmetros usados na computação dos indicadores técnicos. Do grupo inicial de indicadores técnicos serão, eleitos os indicadores que conseguirem extrair informação útil dos dados financeiros, reduzindo a dimensão do grupo inicial, mas preservando a essência dos dados. Posteriormente, será formada uma RAF que fará uma previsão do comportamento do mercado, que será avaliada para que o investidor adopte a melhor posição de mercado. Por fim, será realizada uma avaliação. A solução proposta é testada com dados diários de cinco mercados financeiros com características inerentes distintas. Quatro funções de fitness foram usadas para avaliar a performance das diferentes soluções encontradas e os melhores resultados são produzidos por estratégias baseadas no uso de uma função de fitness que mede o rácio entre taxa de retorno e o risco do investimento obtido pelo sinal de transações gerado. Os resultados obtidos demostram que esta abordagem obtém melhores resultados do que os obtidos pela estratégia de B&H na maioria dos mercados testados.
Keywords: Previsão dos Mercados Financeiros, Algoritmo de aprendizagem, Aprendizagem conjunta, Hipótese dos Mercados Eficientes, Algoritmos Genéticos, Random Forest

Discussão: novembro 2, 2018, 18:0