Dissertação

{en_GB=Using a Genetic Algorithm with Options Data to Forecast Stocks} {} EVALUATED

{pt=A possibilidade de retirar lucro dos mercados financeiros motiva muitos esforços na previsão financeira. Muitos investigadores tentam encontrar informação a partir de grandes volumes de dados, porque o acesso aos dados está cada vez mais fácil nos dias que correm. Este trabalho apresenta uma solução inovadora de fazer previsão financeira. O sistema construído aplica indicadores técnicos a dados de opções com o objetivo de prever movimentos futuros no mercado das ações. Nós construímos uma lista das 99 empresas pertencentes ao índice S&P 500 com maior volume de negociação de opções e adicionámos o próprio índice a lista também. Alguns dos indicadores técnicos usados são conhecidos no mercado de opções, mas nós construímos mais alguns indicadores para complementar alguma informação que não foi explorada ainda. Estes novos indicadores dão importância ao preço pago por cada opção relacionando, ao preço teórico da mesma e ao valor extrínseco de cada opção. Usámos um processo de otimização com dois passos com vista a encontrar as regras de investimento que conduzem a maiores retornos. Cada um destes passos da otimização usa um Algoritmo Genético que otimiza regras de negócio durante o período de treino. Depois disso, as regras são testas e comparadas com a evolução do índice e com os ganhos de alguns fundos de investimento. A nossa solução tem melhores resultados que todos eles. Num ano em que o índice teve percas de 0.70 %, o nosso sistema consegue ganhos de 3.52%., en=The possibility of profit coming from financial markets motivates a lot of efforts in financial forecasting. Many researchers try to find information from big amounts of data, because access to data is becoming increasingly easier. This thesis presents an innovate solution to market forecasting. The system built applies technical indicators to options data in order to predict future market movements in the stocks market. We built a list of the 99 companies, from S&P 500 index, with the most options trading volume, plus the index value. It was in this list elements that we invested. The technical indicators used are well known in options markets and we built some new ones that represent information that was not explored yet. These new indicators pay attention to the theoretical option prices and to the options extrinsic value. We use a two step optimization to find the best trading rules that leads to higher returns. Each of these two steps has a Genetic Algorithm optimizing trading rules during a training period. We tried many derivations of our systems, in different training periods. After that, the rules are tested and compared to the index performance and hedge funds benchmarks. Our solution has better performances than all of them. In a year, when index has a 0.70 % loss, our system achieves a 3.52 % return.}
{pt=Algoritmos Genéticos, Mercado de Opções, Previsão Financeira, Mercado de Ações, VIX, en=Genetic Algorithm, Option Markets, Financial Forecasting, Stocks Market, VIX}

Novembro 11, 2016, 13:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Rui Fuentecilla Maia Ferreira Neves

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar