Ensemble system based on genetic algorithm for stock market forecasting

Abstract

Financial time series forecasting is regarded as one of the most challenging applications of time series forecasting. Many researchers have been focusing on this topic due to the potential of yielding significant profits on the invested money in a short time frame. Believing in the predictability of stock markets, traders have been using Technical Analysis tools for a very long time to analyze and predict the behavior of stocks, aiming to make the best investment decisions possible with this information. In addition, applying machine learning techniques to predict stock market movements has become an area of research that has received a lot of attention in recent years. Popular algorithms such as Artificial Neural Networks and Support Vector Machines have been widely used in this area and they have been reporting satisfactory performances. As an attempt to improve the accuracy of these algorithms, researchers have been proposing techniques to combine them, forming Ensemble Systems. This work presents the design of an Ensemble System based on Genetic Algorithm for forecasting the weekly prices‟ trend in the Sao Paulo Stock Exchange Index (Ibovespa Index). In order to evaluate the performance of the proposed method, experiments were conducted to compare it with other popular ensemble methods (e.g., Bagging, Boosting and Random Forests). Finally, the empirical results show that the proposed model outperforms the other ensemble methods. Therefore, this implies that the proposed approach can be used by traders as a promising tool for forecasting stock market prices.

A Previsão de séries temporais financeiras é considerado como uma das mais desafiadoras aplicações de previsão de séries temporais. Muitos pesquisadores estão se concentrando nesse tema devido ao potencial de se obter lucros significativos sobre o dinheiro investido em um curto espaço de tempo. Acreditando na previsibilidade do mercado de ações, os traders têm utilizado ferramentas de análise técnica desde a muito tempo para analisar e prever o comportamento das ações, com o objetivo de fazer melhores decisões de investimento com essa informação. Além disso, a aplicação de técnicas de aprendizado de máquina para prever os movimentos do mercado de ações tornou-se uma área de pesquisa que tem recebido muita atenção nos últimos anos. Algoritmos populares, como Redes Neurais Artificiais e Support Vector Machines têm sido bastante utilizados nessa área e vêm apresentando desempenhos satisfatórios. Na tentativa de melhorar a precisão desses algoritmos, pesquisadores estão propondo técnicas para combiná-los, formando Sistemas de Comitê. Este trabalho apresenta o projeto de um Sistema de Comitê baseado em Algoritmo Genético para prever tendência dos preços semanais no Índice Bovespa. A fim de avaliar o desempenho do método proposto, experimentos foram realizados para compará-lo com outros métodos populares de criação de comitê (por exemplo, Bagging, Boosting e Random Forests). Finalmente, os resultados empíricos mostram que o modelo proposto supera os outros métodos de comitê. Portanto, isso implica que a abordagem proposta pode ser utilizada por traders como uma ferramenta promissora para prever os preços do mercado de ações.