1 / 22

Inteligência Artificial Redes Neurias

Inteligência Artificial Redes Neurias. Apoio à tomada de decisões no Mercado Financeiro utilizando Redes Neurais. Prof. Dr. Ivan Rizzo Guilherme Daniel Carlos Guimarães Pedronette. Problema. Tomada de Decisões no Mercado Financeiro Determinar melhores momentos para compra e venda da Ação

rufus
Download Presentation

Inteligência Artificial Redes Neurias

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Inteligência ArtificialRedes Neurias Apoio à tomada de decisões no Mercado Financeiro utilizando Redes Neurais Prof. Dr. Ivan Rizzo Guilherme Daniel Carlos Guimarães Pedronette

  2. Problema Tomada de Decisões no Mercado Financeiro • Determinar melhores momentos para compra e venda da Ação • Antecipar Movimentos de Subida e Queda • “Capacidade de Prever o Futuro”

  3. Características do problema • Abundância de Dados • Cotações, Valores de Compra/Venda, Indicadores Estatísticos • Indicadores Estatísticos • Indicadores numéricos que normalmente variam de 0 a 1 tentando identificar tendências de ascensão ou queda de preços • Rudimentares • Funcionam bem para grandes variações de preços • Exemplos: Momento, IFR (Índice de Força Relativa), Volume, etc

  4. Características do problema • Dificuldade de análise dos dados disponíveis • Como determinar quais as informações mais significativas? • Como sintetizar a grande quantidade de informações? • Necessidade de grande flexibilidade na avaliação dos dados

  5. Solução Proposta • Utilização de Redes Neurais • Aprendizado Supervisionado • Modelo Back-Propagation • Linguagem Java • Pacote de Redes Neurais JOONE • Aplicação de Regras à saída da Rede Neural para gerar Indicativos de Compra/Venda

  6. Redes Neurais Artificiais • Conjunto de Entradas Numéricas • Conjunto de Unidades de Processamento -“Neurônios”, com várias entradas e uma saída • Cada entrada possui um determinado peso sináptico: fator de multiplicação • Aprendizado: ajuste dos pesos segundo o resultado desejado • Função de Ativação produz Saída Numérica

  7. Redes Neurais Artificiais Erro

  8. Dados de Entrada • Dados reais da Bovespa • Formato: texto separado por ; • Tempo de Atualização: ajustável. Inicialmente em 1 min. • Cotação da Ação, Valor de Compra, Valor de Venda, Última Oscilação, Volume de Negociações • Indicadores Estatísticos: PP, SMI, Momento, IFR, Fôlego

  9. Pré-Processamento dos Dados • Definição do Valor Esperado • Para um conjunto de dados de Entrada, qual a Saída desejada? • Valores Esperados Estipulados: 0, 0.5, 1 • Momento que antecede uma queda, marcado com valor 0: Venda • Momento que antecede uma alta, marcado com valor 1: Compra • Demais Momentos marcados com 0.5: Neutro Utilizado Microsoft Excel, exportando para arquivo texto

  10. Topologia da Rede • 3 camadas de neurônios (Entrada,Intermdiária,Saída) • Camada de Entrada: • 11 neurônios (10 entradas e o Valor Esperado) • Camada Intermediária: • 20 neurônios • Camada de Saída: • 1 neurônio: Saída Final

  11. Outros Parâmetros da Rede • Momento da Rede: 0.4 • Taxa de Aprendizado: 0.8 • Monitor, ligado às camadas ajustando os parâmetros acima e coordenando o Aprendizado • Sinapses: FullSinapse, todos os neurônios se comunicam com todos • Tipo de Camada: SigmoidLayer • Função de Ativação:

  12. Topologia da Rede

  13. JOONE - Java Object Oriented Neural Engine • Free framework para criação, treinamento e teste de Redes Neurais • Modelo Back Propagation • Objetos disponíveis: • Vários tipos de Camadas • Vários tipos de Sinapses • Intercâmbio de dados: • Arquivos texto, HTTP, FTP

  14. Codificação da Rede Neural

  15. Aplicativo Java

  16. Treinamento e Processamento • Utilizada média de 150 registros para treinamento • Resultados satisfatórios entre 20.000 e 30.000 ciclos ou mais. • Treinamento necessita de grande capacidade de processamento • Após treinamento Rede Neural processa rapidamente os resultados

  17. Pós-Processamento • Objetivo: Gerar Indicativos de Compra e Venda a partir da Saída Numérica no intervalo [0,1] • A cada saída da Rede Neural, calcula-se a Variação em relação ao Valor Anterior • Definir um valor numérico constante para o Indicador de Tendências • Regra: Variação > + Indicador: Ordem de Compra Variação < - Indicador: Ordem de Venda • Indicador Maior : menos movimentos, menos erros • Indicador Menor: mais movimentos, mais erros

  18. Visão Geral do Processo

  19. Resultados Gerados • Simulações: se alguém tivesse “obedecido” todos os sinais da Rede, quais seriam os resultados? • Ação USIM5 (Usiminas) • Período: aproximadamente 5h • Atualização: a cada 1 minuto • Resultados: • 12 Movimentos Nulos • 6 Movimentos Certos • 1 Movimentos Errados • Saldo: R$ 0,71 (aproximadamente 2,41% do valor inicial da Ação)

  20. Resultados Gerados

  21. Desafios e Dificuldades • Otimização dos parâmetros da Rede Neural: • Tipo de Camadas e Sinapses • Número de Neurônios • Momento e Taxa de Aprendizagem • Definição de valores ótimos de Intervalos de Atualização e Indicadores de Tendência • Aperfeiçoamento do desempenho é um processo empírico

  22. Links URLs: http://www.bovespa.com.br http://www.investshop.com.br http://www.jooneworld.com

More Related