Dissertação

{en_GB=Applying Support Vector Machines and Direct Reinforcement Learning to Financial Forecasting} {} EVALUATED

{pt=Muitas empresas financeiras oferecem serviços como recomendações de investimentos ou partilha de estratégias específicas de transação com clientes. As ferramentas de previsão financeira têm um papel essencial em todos estes, oferecendo informação relativamente à identificação de bons pontos de entrada e saída para a transação de instrumentos financeiros. Esta tese apresenta uma abordagem, que combina Máquinas de Vetores de Suporte (SVMs), Aprendizagem por Reforço Direta (DRL) e Algoritmos Genéticos (GAs), capaz de gerar previsões relativas a quais os pontos de compra e venda (em mercados) que deverão ser definidos para se obter retornos elevados com baixo risco. O sistema em questão utiliza um GA com objetivo único para selecionar um conjunto de indicadores técnicos (derivados de dados financeiros básicos) que, quando utilizado como entrada de uma SVM, produz o melhor modelo para prever a subida e queda de uma Média Móvel Simples (SMA), a curto prazo, de um sinal de preço. São estudadas as capacidades de aprendizagem do sistema desenvolvido, tendo sido inclusive demonstrado um comportamento apropriado quando o custo de cada transação é elevado. Adicionalmente, a sua performance foi avaliada com dados reais diários de nove instrumentos financeiros, todos com características muito diferentes. Os resultados obtidos demonstraram que o sistema possui um elevado grau de robustez, tendo conseguido lucro final positivo em oito dos nove ativos testados. Para além do mais, conclui-se que a combinação entre o GA e a SVM (um algoritmo de aprendizagem supervisionada) adiciona bastante valor à abordagem proposta., en=Many finance companies offer services like making recommendations for investments or sharing targeted trading strategies with clients. Financial forecasting tools play an essential role in all of these, offering insight regarding the identification of good entry and exit points for the transaction of financial instruments. This thesis presents an approach combining Support Vector Machines (SVMs), Direct Reinforcement Learning (DRL) and Genetic Algorithms (GAs), capable of generating forecasts relative to which buy and sell points should be set in order to obtain high returns with low associated risk. The system in question uses a single-objective GA to select a set of technical indicators (derived from raw financial data) that, when used as inputs in a SVM, produce the best model for predicting the rise or fall of a security’s price short term Simple Moving Average (SMA). The DRL algorithm searches for patterns and repetitive mistakes made by the previously established model, constructing the final trading signal. The developed system’s learning capabilities are studied, being demonstrated its ability to identify important pieces of information within data and appropriate behaviour when dealing with high transaction costs. Additionally, its performance is evaluated with real daily data from nine financial instruments with very different characteristics. The obtained results demonstrated that the system possesses a high degree of robustness, achieving positive total profit in eight out of the nine tested assets. Furthermore, its concluded that the GA and SVM (Supervised Learning algorithm) combination adds significant value to the proposed approach.}
{pt=Mercados Financeiros, Previsão Financeira, Máquina de Vetores de Suporte (SVM), Aprendizagem por Reforço Direta (DRL), Algoritmo Genético (GA), en=Financial markets, Financial Forecasting, Support Vector Machine (SVM), Direct Reinforcement Learning (DRL), Genetic Algorithm (GA)}

Junho 19, 2018, 15:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Rui Fuentecilla Maia Ferreira Neves

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar