Proposta e avaliação de features para negociação algorítmica em mercado financeiro

Abstract

Séries temporais de ativos financeiros de negociação são conhecidas por ter propriedades estocásticas que tornam a previsão uma tentativa quase fútil. Na Economia, a teoria dominante da Hipótese do Mercado Eficiente propõe que qualquer tentativa de prever os preços futuros de um ativo negociável é em vão e não deve ser perseguida. Nas últimas décadas, o surgimento de algoritmos de aprendizado de máquina deu à comunidade de in vestimentos ferramentas interessantes para avançar na pesquisa de previsão. No entanto, entendemos que algoritmos não são suficientes para fazer previsões bem-sucedidas: para construir modelos melhores, o pesquisador deve empregar o desenvolvimento de recur sos, especialmente com o conhecimento e experiência de um praticante e especialista no campo. Neste trabalho, avaliamos o desempenho de um algoritmo de classificação (QDA - Análise Discriminante Quadrática) com a adição de recursos, comparando os resultados com um benchmark (compra e retenção) e um experimento de linha de base. A investigação foi realizada usando o Contrato Futuro do Índice Bovespa (Ibovespa Futuro), fazendo previsões de curto prazo em um ambiente simulado.

Time series of financial trading assets are known to have stochastic properties which turn prediction into an almost futile endeavor. In Economics, the mainstream theory of the Efficient Market Hypothesis proposes that any attempt to predict the future prices of a tradable asset is in vain, and should not be pursued. In the last decades, the advent of machine learning algorithms gave the investing community interesting tools for advanc ing the prediction research. However, we understand that algorithms are not enough to make successful predictions: in order to build better models the researcher should employ feature development, especially with the knowledge and experience of a practitioner and specialist in the field. In this work, we evaluate the performance of a classification algo rithm (QDA - Quadratic Discriminant Analysis) with the addition of features, comparing the results with a benchmark (buy-and-hold) and a baseline experiment. The investigation was carried out using the Bovespa Index Futures Contract (Ibovespa Futuro), by making short-term predictions in a simulated environment.