SimCombEn : combinando predições para séries financeiras similares a fim de prever a direção do movimento de preços de ações.

Abstract

Prever os movimentos dos preços do mercado de ações é uma atividade essencial para os investidores desse mercado, e mesmo pequenas evoluções nos métodos utilizados podem resultar em ganhos financeiros consideráveis. Aprendizado de máquina é uma abordagem que tem sido muito utilizada para ajudar nessa tarefa. Apesar dos avanços alcançados e publicados em diversos estudos, muito ainda pode ser evoluído, dado que os resultados publicados frequentemente estão distantes dos valores ótimos para as métricas de avaliação utilizadas. É bastante comum se encontrar modelos de predição que funcionam muito bem em determinadas ações e em determinado período de tempo, mas que apresentam desempenho insatisfatório em outras ações e/ou outros períodos. Uma abordagem muito utilizada para resolver problemas com essa diversidade de modelos preditores é a utilização de métodos de ensemble, ou comitês de especialistas, os quais se beneficiam de tal diversidade. Apesar disso, propostas aplicando métodos de ensemble ainda são raras na área. Este trabalho propõe um método para predizer o movimento dos preços das ações ao final do próximo dia, mais precisamente se o preço estará mais do que 1% acima do preço atual, mais do que 1% abaixo do preço atual, ou entre esses limiares, sendo portanto um problema de classificação envolvendo 3 classes. Os preços e volumes de negociação históricos serão utilizados como dados de entrada. O método proposto, chamado Sim- CombEn, consiste em combinar as predições de modelos de classificação especialistas na predição de diferentes ações que exibem comportamento passado recente muito similar à ação alvo da predição. Tais modelos especialistas são independentes e treinados com dados apenas de suas séries financeiras, como é geralmente realizado nos trabalhos publicados na área. Para a avaliação dos resultados foram conduzidos experimentos de comparação do método proposto com outros muito utilizados na literatura, utilizando diversas métricas apropriadas para avaliação em problemas de classificação com múltiplas classes. Os resultados demonstram que o método proposto supera os concorrentes em todas as métricas avaliadas.

Predicting stock market price movements is an essential activity for investors in this market, and even small improvements in the methods used can result in considerable financial gains. Machine learning is an approach that has long been used to solve this problem. Despite the advances made and published in several studies, much can still be made, since the published results are often far from the optimal values for the evaluation metrics used. It is usual to find prediction models that work very well in certain stocks, and in a certain period of time, but which perform poorly in other stocks and/or other periods. A widely used approach for solving problems using this diversity of predictor models is the application of ensemble methods, or expert committees, which benefit from such diversity. Despite this, proposals applying ensemble methods are still rare in the area. This work proposes a method to predict the movement of stock prices for the next day, more precisely if the price will be more than 1% above the current price, more than 1% below the current price, or between those thresholds. Therefore, this is a classification problem with 3 classes. Historical prices and volumes will be used as input data. The proposed method, called SimCombEn, consists in combining the predictions of expert classification models in the prediction of different stocks which exhibit recent past price behavior very similar to the prediction target stock. Such expert models are independent and trained with data only from their financial series, as is usually done in published works in the area. For the evaluation of the results, experiments were carried out comparing the proposed method with others widely used in the literature, using several appropriate metrics for evaluation in classification problems with multiple classes. The results demonstrate that the proposed method surpasses the competitors in all metrics evaluated.