Algorithmic Trading
Preços de Ações
Long Short-Term Memory
Área
Finanças
Tema
Decisões de Investimento
Autores
Nome
1 - Camilo Ilzo Shimabukuro CENTRO ESTADUAL DE EDUCAÇÃO TECNOLÓGICA PAULA SOUZA - CPS - São Paulo - Bom Retiro
2 - Napoleão Verardi Galegale Centro Paula Souza - FATEC/ETEC - Unidade de Pós-Graduação, Extensão e Pesquisa
3 - JOSÉ ODÁLIO DOS SANTOS PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO (PUCSP) - FEA ADMINISTRAÇÃO
Reumo
Os resultados recentes obtidos por fundos quantitativos baseados em algoritmos de negociação, Algorithmic Trading, contribuíram para impulsionar o uso de abordagens baseadas em Machine Learning e Deep Learning. Abordagens baseadas em Deep Learning têm se mostrado promissoras em áreas como o reconhecimento de imagens e o processamento da linguagem natural.
Nos últimos quatro anos, observa-se um número crescente de artigos sobre Deep Learning aplicado ao Algorithmic Trading. Época é um parâmetro de rede neural que indica quantas vezes o aprendizado percorre os dados.
Como o erro de predição de preços de ações varia em função do número de épocas no treinamento de uma rede neural recorrente baseada em Deep Learning?
Objetivo: estudar o efeito do número de épocas sobre o erro de predição de uma rede neural recorrente baseada em Deep Learning, utilizando a abordagem Long Short-Term Memory sobre séries de preços de ações negociadas na bolsa de valores brasileira
Long Short-Term Memory (LSTM) é uma rede neural recorrente que extrai características de relações não lineares, memoriza séries temporais longas, retém seletivamente informações passadas relevantes, descarta os dados não relevantes, como ruídos. Seus nós fecham circuitos de realimentação recorrentes, resultando em característica de memorização extensa. Mantém a capacidade de aprendizado durante o treinamento, com gradientes da função de perda estáveis, propagando-se com menor risco de vanishing gradients.
Medidas de dispersão e do coeficiente de determinação do erro de predição em função do número de épocas indicam que no intervalo de 10 a 50 épocas houve maior redução do erro de predição, e que de 50 a 100 épocas os resultados variam de forma quase assintótica, estabelecendo um ponto de partida em torno de 50 épocas para a rede da pesquisa, resultando em redução do tempo de processamento e eficiência do treinamento.
Escolha da abordagem LSTM justificada em revisão da literatura, por análise de características e funcionalidade.
Redes neurais de requerem ajuste de hiperparâmetros para um aprendizado eficiente. O estudo analisa o comportamento do erro de predição em função do número de épocas e identifica um valor inicial que minimize o tempo de processamento sem prejuízo para a predição.
BAO, W.; YUE, J.; RAO, Y. A deep learning framework for financial time series using stacked autoencoders and long-short term memory. PLoS ONE. 2017
BUCHANAN, B. G. Artificial intelligence in finance. The Alan Turing Institute. 2019
BUKHARI, Q.; JAMEEL, Y. Will coronavírus pandemic diminish by summer? MIT, 2020
CHONG, E.; HAN, H.; PARK, F. C. Deep learning networks for stock market analysis and prediction. Expert Systems w. Applications, 2017
FISCHER, T.; KRAUSS, C. Deep learning with Long Short-Term Memory Networks for Financial Market Predictions. European Journal of Operation Research