Predição do mercado financeiro com uma arquitetura de extração de contexto baseada em decomposição de series temporais

Abstract

O mercadodeaçõesdoBrasilseencontraemumagrandealta.Duranteapandemiada COVID-19,abolsabrasileirateveumcrescimentonaquantidadedepessoasfísicasde92,1% entreosanos2019e2020.Estefatosedeveadiversosfatores,dosquaisosprincipaisestão:a disseminação domercadodeaçõesviaredessociais,propagandasemcomunidadesdevídeose a baixadataxadejurosdopaísnesteperíodo.Destemodo,comaaltadenegociadoresnabolsa, a buscaporalgoritmosquereduzemorisconasoperaçõesdeativos,visandomaximizarolucro obtido nacompraevendadepapeis,tambémcresce.Muitostrabalhossugeremautilizaçãode métodosde machinelearning paraaprediçãodevaloresnabolsa.Contudo,obterresultados assertivoscomaaltavolatilidade,enão-linearidadedassériestemporaisdabolsa,aindaéum desafio. Sendoassim,estetrabalhopropõeumanovametodologiaparamodelarmatematica- mente osdadosfinanceirosdabolsadevalores,utilizandoredesneuraisrecorrentes,técnicas de decomposiçãodesériestemporais,correlaçãoentrebolsaseativosearquiteturasdeextração de contextos.Comaarquiteturapropostatambémfoipossívelfazeraprediçãodepontosde reversãodequedaparaaltaoudealtaparabaixa,dosvaloresdeumadeterminadaação.Como resultado,osmelhoresalgoritmosparaaregressãoforamosquefizeramautilizaçãoderedes Long Short-TermMemory (LSTM)e DiscreteWaveletTransform (DWT),comesemutilização de extraçãodecontextos,amboscom0.9de RootMeanSquaredError (RMSE). Porém,estes algoritmossão,emmédia,38%melhorquandotreinadosomentenabolsabrasileira.Paraaclas- sificação osmelhoresalgoritmosforamosquefizeramautilizaçãodeLSTMjuntamentecom DWT,e EchoStateNetwork (ESN) comDWT,com35%e34.6%de f1-score, respectivamente. Porfim,foipossívelobservarque,emgeral,ametodologiapropostatemmelhoresresultadosem relaçãoàsmétricasestatísticas,quandocomparadocomalgoritmostradicionaisquenãofazem o usodatécnicadeextraçãodecontextoparasériestemporais

The Brazilianstockmarkethasbeengrowinginafastpace.Ithasincreased92,1%from 2019 to2020,inquantityofinvestors.Thisishappeningduetomultiplefactors,however,twoof themainreasonsisrelatedtothespreadofinformationaboutthestockmarketinthesocialme- dia, propagandainvideocommunitiesandthedecreaseoftheinterestrateofthecountry.These factorscontributetoahighernumberofinvestorsinthestockmarket,andhence,thesearchfor algorithmsthatreducetheriskoftradingstocksalsogrows.Manypaperssuggesttheuseof machinelearningtopredictthestockmarket.However,itisstillachallengetoobtainresults withgoodaccuracy,duetonon-linearityandnon-stationarity,ofthestockdataseries.There- fore,thisworkproposesabrandnewmethodologytomathematicallypredictfinancialdatafrom thestockmarket,usingrecurrentneuralnetworks,timeseriesdecompositiontechniques,corre- lation betweendifferentstockmarketsandstocksandacontextextractionarchitecture.Withthe proposedarchitectureitisalsopossibletopredictreversalpoints,fromdowntrendtouptrend, or fromuptrendtodowntrend,onthetimeseriesofastock.Asresult,thebestalgorithmforthe regressionwastheoneusing Long Short-TermMemory (LSTM)and DiscreteWaveletTransform (DWT),withandwithoutcontextextraction,bothevaluetedwith0.9ofRMSE.Howeverthese algorithmsare,inaverage,38%betterwhentrainedusingonlybrazillianstockmarket.Forthe classification thebestalgorithmsweretheonesusingLSTMwithDWT,e EchoStateNetwork (ESN) withDWT,bothusingcontextextraction,with35%and34.6%off1-score,respectively. In conclusion,itwaspossibletoobservethat,ingeneral,theproposedmethodologyshowed betterresults,relatingtostatisticsmetrics,whencomparedtotradicionalalgorithmsthatdonot use timeseriescontextextractiontechnique