Document

CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS
PROGRAMA DE PÓS-GRADUAÇÃO EM MODELAGEM MATEMÁTICA E
COMPUTACIONAL
CARACTERIZAÇÃO DE DADOS E
PROPOSTA DE ESTRATÉGIAS
DE COMERCIALIZAÇÃO DE
ATIVOS DA BOLSA DE VALORES
EDUARDO JABBUR MACHADO
Orientador: Prof. Dr. Adriano César Machado Pereira
Centro Federal de Educação Tecnológica de Minas Gerais
BELO HORIZONTE - MG
17 DE OUTUBRO DE 2014
EDUARDO JABBUR MACHADO
CARACTERIZAÇÃO DE DADOS E
PROPOSTA DE ESTRATÉGIAS
DE COMERCIALIZAÇÃO DE
ATIVOS DA BOLSA DE VALORES
Projeto de Dissertação de Mestrado, submetido ao Programa de Pós-Graduação em Modelagem Matemática
e Computacional, como parte dos requisitos exigidos
para a obtenção do título de Mestre em Modelagem
Matemática e Computacional.
Área de Concentração:
Computacional
Modelagem Matemática e
Linha de Pesquisa: Sistemas Inteligentes
Orientador: Prof. Dr. Adriano César Machado Pereira
Centro Federal de Educação Tecnológica
de Minas Gerais
CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS
PROGRAMA DE PÓS-GRADUAÇÃO EM MODELAGEM MATEMÁTICA E
COMPUTACIONAL
BELO HORIZONTE - MG
17 DE OUTUBRO DE 2014
Esta folha deverá ser substituída pela cópia digitalizada da folha de aprovação
fornecida pelo Programa de Pós-graduação.
Dedico este trabalho ao meus pais Antônio e Mércia, à minha esposa Ana Paula
e aos meus irmãos Adriana, Fernanda, Gustavo e Katarina pelo apoio, dedicação e
a coragem que todos encaram a vida.
Agradecimentos
Agradeço meus pais Antônio Geraldo Machado e Mércia de Fátima Jabbur Machado por me proporcionarem a oportunidade de viver, à minha esposa Ana Paula
pela paciência, compreensão e muito amor durante 11 anos de relacionamento, aos
meus irmãos Adriana, Fernanda, Gustavo e Katarina pelo exemplo de vida, pois
foram muitas batalhas da infância à vida adulta.
Ao meu orientador Prof. Dr. Adriano César Machado Pereira, pois durante estes
2 anos e meio de contato, foi mais do que um professor, foi um verdadeiro amigo,
que sempre levava consigo virtudes como paciência, compreensão, boa vontade, presteza, disponibilidade e facilidade de comunicação, tentando enxergar o que havia de
melhor em meio às diversidades, diculdades e períodos de turbulências.
Aos colaboradores deste trabalho, Prof. Dr. Humberto Brandão, Douglas Castilho, Everton Silva pela paciência e participação na publicação do nosso artigo
cientíco.
Aos amigos Luiz Ângelo Machado, Rafael Arcângelo Machado, Paulo Tarso Machado Teixeira, Carlos Alberto Silva de Assis e Fábio Silveira Elias, que de forma
direta e indireta, foram pessoas que nos momentos de desespero, de alguma forma,
me zeram enxergar uma saída, atuando como facilitadores de apoio moral e tecnológico.
Aos amigos e colegas de trabalho das empresas CpmBraxis Capgemini (Karla
Conrado e Leonardo Hermont) e Copasa (Alcione Azzalin, Eveline Almeida, Márcio
de Souza, William Márcio (Bill), pela amizade, oportunidade e exibilidade para
estudar, pelos "puxões de orelhas", pelas aulas de matemática e principalmente
pela experiência de vida e maturidade que tive o privilégio de adquirir durante 3
(três) anos de convivência.
Aos militares e amigos Ten Vieira e Ten Suenaga pelos momentos vibrantes,
troca de experiências prossionais, suporte e apoio em todos os sentidos, pois só
quem serviu à nação dentro de um quartel conhece o signicado e o peso da palavra
missão.
Aos familiares e amigos, gostaria de desculpar-me pelas inúmeras ausências e
abdicação nos eventos e encontros familiares durante estes 4 anos intercalando o
tempo entre estudos, trabalho e lazer, pois como todos sabem, precisei "...lavar
muita caixa d' água...".
ii
Resumo
O mercado de investimento está crescendo a cada dia, desempenhando um papel
importante na vida dos indivíduos e corporações. Portanto existe uma necessidade
de compreender melhor as situações que ocorrem no mercado de capitais, através
de estratégias e indicadores técnicos que possam auxiliar no reconhecimento de padrões, nas análises e decisões de investimento. Este trabalho realiza um estudo dos
dados de séries temporais de cotações históricas sobre ativos da BMF&BOVESPA,
dados de volume coletados da Web (redes sociais, fóruns, blogs e páginas de notícias
de investimento), com o objetivo de buscar subsídios que possam auxiliar em um
melhor entendimento do comportamento do mercado nanceiro. Baseado na Teoria
das Ondas de Elliott, implementei 44 (quarenta e quatro) Estratégias de Negociação denominadas de Rompimento e Correção acrescidas de indicadores nanceiros
de Preço, Volume e Volume da Web, validando-as em um simulador realístico do
mercado nanceiro. É utilizada uma metodologia composta de 4 (quatro) etapas
distintas: Caracterização de Dados, Mineração de Dados, Modelagem de Padrões
de Elliott e Estratégias de Comercialização de Ativos. Durante as caracterizações
e experimentos vericou-se a ocorrência de grandes oscilações negativas e positivas
no intervalo de tempo entre 10h às 11h45. Os melhores retornos nanceiros encontrados utilizaram indicadores de volume com dados da Web, onde foi restringida
a quantidade de ordens de compra e venda (gatilhos) realizadas, minimizando os
prejuízos e potencializando os gatilhos que geram lucro.
PALAVRAS-CHAVE: Caracterização de dados, bolsa de valores, estratégias de
negociação, indicadores nanceiros.
iii
Abstract
The investment market is growing every day, playing an important role in the lives
of individuals and corporations. Therefore there is a need to better understand the
situations that occur in the capital market through strategies and technical indicators that can assist in pattern recognition, the analysis and investment decisions.
This paper conducts a study of the time series data of historical quotes on the
BMF&BOVESPA, volume data collected from the Web (social networks, forums,
blogs and news pages of investment), with the purpose of seeking grants that may
assist in a better understanding of nancial market behavior. Based on Elliott Wave
Theory, implemented 44 (forty-four) Trading Strategies termed Breakout and Correction plus nancial indicators of Price, Volume and Volume Web, validating them
in a realistic simulation of the nancial market. Characterization Data, Data Mining, Modelling Standards Elliott and Marketing Strategies Asset: a methodology
consisting of four (4) distinct stages is used. During the characterizations and experiments veried the occurrence of large positive and negative uctuations in the time
interval between 10h to 11h45. The best nancial returns found volume indicators
used data from the Web, where it was restricted to the amount of purchase orders
and sales (triggers) performed, minimizing losses and maximizing the triggers that
generate prot.
Keywords: Characterization data, stock market, trading Strategies, nancial indicators.
iv
Lista de Tabelas
3.1
Indicadores Financeiros . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.1
4.2
4.3
Layout do arquivo disponibilizado pela BMF&BOVESPA . . . . . . . 18
Layout dos arquivos da Web . . . . . . . . . . . . . . . . . . . . . . . 19
5.1
5.2
5.3
5.4
5.5
5.6
5.7
5.8
5.9
5.10
Layout Bottom 10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Layout Top 10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Sequência de Variação . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Percentual de maior e menor variação do ativo PETR4
Volume faturado . . . . . . . . . . . . . . . . . . . . .
Volume da coleta de dados da Web . . . . . . . . . . .
Regras de conança encontras no aplicativo WEKA . .
Resultados - Estratégia de Rompimento . . . . . . . . .
Resultados - Estratégia de Correção . . . . . . . . . . .
Estratégias de Rompimento . . . . . . . . . . . . . . .
Estratégias de Correção . . . . . . . . . . . . . . . . .
v
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
35
36
36
39
45
45
48
49
Lista de Figuras
3.1
3.2
Retas de Suporte e Resistência . . . . . . . . . . . . . . . . . . . . . . 11
Ondas de Elliott . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8
4.9
Etapa de Caracterização de Dados . . . . . . . . . .
Arquitetura (Pipeline ) Observatório da Web . . . .
Etapa de Mineração de Dados . . . . . . . . . . . .
Etapa de Modelagem de Padrões de Elliott . . . . .
Fluxograma das Ondas de Elliott . . . . . . . . . .
Etapa de Estratégias de Comercialização de Ativos
Estratégias de Rompimento e Correção . . . . . . .
Modelagem das Estratégias de Negociação . . . . .
Simulador . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
17
18
20
21
22
24
24
25
27
5.1
5.2
5.3
5.4
5.5
5.6
5.7
5.8
5.9
5.10
5.11
5.12
5.13
5.14
5.15
5.16
5.17
5.18
5.19
5.20
5.21
5.22
5.23
5.24
5.25
Site InfoMoney . . . . . . . . . . . . . . . . . . . . . . . . . . .
Percentual de Variação Diário . . . . . . . . . . . . . . . . . . .
Percentual de Variação ordenado dos ativos acima do Ibovespa .
Percentual de Variação ordenado dos ativos abaixo do Ibovespa
Volume de dados de fontes especializadas por data . . . . . . . .
Volume de notícias por data . . . . . . . . . . . . . . . . . . . .
Volume de Tweets por data . . . . . . . . . . . . . . . . . . . .
Tweets e Volume nanceiro (ação VALE3) . . . . . . . . . . . .
Algoritmo implementado das Ondas de Elliott . . . . . . . . . .
Ondas de Elliott de um único período . . . . . . . . . . . . . . .
Ondas de Elliott de um único dia . . . . . . . . . . . . . . . . .
Ondas de Elliott de um único período de 2 meses . . . . . . . .
Várias Ondas de Elliott de um período de 2 meses sem intervalo
Experimento 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Algoritmo experimento 1 . . . . . . . . . . . . . . . . . . . . . .
Experimento 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Algoritmo experimento 2 . . . . . . . . . . . . . . . . . . . . . .
BBAS3 - Estratégias de Rompimento . . . . . . . . . . . . . . .
BBAS3 - Estratégias de Correção . . . . . . . . . . . . . . . . .
BBDC4 - Estratégias de Rompimento . . . . . . . . . . . . . . .
BBDC4 - Estratégias de Correção . . . . . . . . . . . . . . . . .
PETR4 - Estratégias de Rompimento . . . . . . . . . . . . . . .
PETR4 - Estratégias de Correção . . . . . . . . . . . . . . . . .
USIM5 - Estratégias de Rompimento . . . . . . . . . . . . . . .
USIM5 - Estratégias de Correção . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
32
33
34
34
37
37
38
38
40
41
41
42
42
44
44
47
47
50
51
52
53
54
55
56
57
vi
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5.26 VALE5 - Estratégias de Rompimento . . . . . . . . . . . . . . . . . . 58
5.27 VALE5 - Estratégias de Correção . . . . . . . . . . . . . . . . . . . . 59
vii
Sumário
1 Introdução
1.1
1.2
1.3
1.4
Motivação . . . . . . . . . .
Objetivo Geral . . . . . . .
1.2.1 Objetivos Especícos
Contribuições . . . . . . . .
Organização do Trabalho . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
2
2
2
3
2 Trabalhos relacionados
4
3 Fundamentação Teórica
8
2.1
2.2
2.3
3.1
3.2
3.3
3.4
Correlações de Indicadores Financeiros . . . . . . . . . . . . . . . . .
Análise de Informações da Web . . . . . . . . . . . . . . . . . . . . .
Considerações importantes . . . . . . . . . . . . . . . . . . . . . . . .
Bolsa de Valores . . . . . . . . . . . . . .
Agentes de Negociação . . . . . . . . . .
Teoria das Ondas de Elliott . . . . . . .
Indicadores Financeiros . . . . . . . . . .
3.4.1 Média Móvel Simples . . . . . . .
3.4.2 Média Móvel Exponencial . . . .
3.4.3 Índice de Força Relativa . . . . .
3.4.4 Índice de Fluxo de Dinheiro . . .
3.4.5 On Balance Volume . . . . . . .
3.4.6 Média Móvel Simples de Volume .
4 Metodologia
4.1
4.2
4.3
4.4
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Caracterização de Dados . . . . . . . . . . . . .
Mineração de Dados . . . . . . . . . . . . . . .
Modelagem de Padrões de Elliott . . . . . . . .
Estratégias de Comercialização de Ativos . . . .
4.4.1 Modelagem de Estratégias de Negociação
4.4.2 Implementação (Simulador) . . . . . . .
4.4.3 Análise de Resultados . . . . . . . . . .
5 Resultados Experimentais
5.1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4
6
7
8
10
12
13
14
14
15
15
16
16
17
17
20
21
24
24
26
29
31
Caracterização de Dados . . . . . . . . . . . . . . . . . . . . . . . . . 31
5.1.1 Bottom 10 e Top 10 . . . . . . . . . . . . . . . . . . . . . . . 31
5.1.2 Percentual de variação . . . . . . . . . . . . . . . . . . . . . . 32
viii
5.2
5.3
5.4
5.1.3 Faixa de horário de maior e menor variação . . . . . .
5.1.4 Volume faturado . . . . . . . . . . . . . . . . . . . . .
5.1.5 Análise dos Dados da Web . . . . . . . . . . . . . . . .
Mineração de Dados . . . . . . . . . . . . . . . . . . . . . . .
Modelagem dos Padrões de Elliott . . . . . . . . . . . . . . . .
Estratégias de Comercialização de Ativos . . . . . . . . . . . .
5.4.1 Experimento 1: Estratégias de preço . . . . . . . . . .
5.4.2 Experimento 2: Estratégias com indicadores nanceiros
5.4.3 Análise de Resultados . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
35
35
36
39
40
43
43
46
48
6 Conclusão
60
Referências Bibliográcas
63
ix
Capítulo 1
Introdução
A Internet tornou-se uma ferramenta imprescindível para realização de negócios
on-line. Neste contexto, uma das aplicações mais dinâmicas e visadas é o mercado
de capitais, em especial a bolsa de valores, já que movimenta bilhões de reais por
dia. Considerando-se o mundo globalizado e o capitalismo, investir em ações é
uma das formas mais rápidas e atrativas de obter lucros consideráveis em um curto
espaço de tempo. Porém, devido a grande variação no comportamento das ações,
os investidores estão sujeitos ao risco de grandes prejuízos.
De acordo com Palladino (2008), investidores do mercado nanceiro tentando
minimizar perdas e maximizar ganhos, procuram informações referentes às ações
em diversas fontes, tais como: notícias, balanços, grácos, relatórios, histórico de
cotações, tempo, período de variação e também sugestões de compra e venda de
ativos feitos por corretoras e fóruns com outros investidores e analistas.
Pesquisas de empresas da área de investimentos mostram que notícias divulgadas
podem afetar os valores das ações, devido as reações precipitadas dos investidores,
que podem modicar a dinâmica do mercado.
Buscando uma correlação entre cotações do passado e indicadores atuais, investidores recorrem aos dados de preços históricos dos ativos para identicar algum tipo
de comportamento tendencioso, coletando desta forma, subsídios a escolha de suas
estratégias de negociação para a compra e venda de ações.
1.1
Motivação
São motivações para este trabalho:
• A importância que o mercado de investimentos tem assumido na vida cotidiana
de empresas e pessoas físicas, com a necessidade de entender melhor as situações que ocorrem no mercado nanceiro, como o comportamento especíco de
alguns ativos, setores e índices, o porquê de oscilações frequentes, correlações
direta ou indiretamente proporcionais entre ativos, ou mesmo, a existência ou
não de um padrão a ser reconhecido.
• A falta de uma metodologia que realize a caracterização e o entendimento de
dados ociais disponibilizado pela BMF&BOVESPA e de dados coletados da
Web, utilizando técnicas de mineração de dados para encontrar padrões mais
1
1.3
Introdução
2
frequentes, implementado e vericando a ocorrência dos padrões de Elliott,
propondo estratégias de comercialização de ativos para a experimentação em
um simulador realístico do mercado nanceiro.
1.2
Ob jetivo Geral
Caracterizar e analisar dados do mercado nanceiro, em especial da bolsa de
valores brasileira, propor e validar estratégias de comercialização de ativos, com
base em teorias econômicas, indicadores nanceiros e dados extraídos da Web.
1.2.1 Objetivos Especícos
Os objetivos especícos deste trabalho são:
• Caracterizar os dados reais da bolsa de valores, levando em consideração os
atributos relacionados a tempo, oscilação, dia da semana, volume, dentre outros;
• Vericar a hipótese de ocorrência dos padrões de Ondas de Elliott na bolsa de
valores brasileira;
• Propor estratégias de negociação de ações ou ativos baseadas na Teoria das
Ondas de Elliott;
• Validar e avaliar o resultado das estratégias propostas usando dados reais e
simulação realística do mercado nanceiro;
• Estender as estratégias de negociação para contemplar indicadores técnicos de
preço e volume, bem como avaliar e comparar seus resultados com os anteriores; e
• Implementar estratégias de negociação para contemplar indicadores de dados
oriundos da Web (redes sociais, tweets, fóruns e notícias), bem como avaliar
os resultados encontrados.
1.3
Contribuições
Utilizar e validar a metodologia proposta no cenário do mercado nanceiro, através das seguintes atividades:
• Mapear e entender o comportamento do mercado nanceiro, correlacionando
com informações que são publicadas em redes sociais e outras fontes de dados
ociais, a m de validar dos resultados gerados;
• Propor uma metodologia que realize caracterizações dos dados ociais disponibilizados pela BMF&BOVESPA e dados coletados na Web, utilizando técnicas
de mineração de dados, modelando os padrões de Elliott gerando estratégias
de comercialização de ativos para experimentos em um simulador realístico do
1.4
Introdução
3
mercado nanceiro e ao nal analisar o desempenho dos resultados encontrados;
• Reconhecer algum tipo de comportamento e ou padrão, que possam ser comprovados, gerando subsídios com informações para auxiliar na tomada de decisões de investimento no mercado de capitais; e
• Propor estratégias de negociação baseadas na Teoria das Ondas de Elliott
atreladas a informações de indicadores nanceiros, para aplicações futuras em
um cenário real, com uma possível integração às ferramentas de transações
eletrônicas de corretoras para negociações no mercado nanceiro.
1.4
Organização do Trabalho
O restante desta dissertação está organizado da seguinte forma.
O Capítulo 2 contempla informações sobre o referencial teórico pesquisado sobre
o tema desta dissertação.
O Capítulo 3, trata da fundamentação teórica, onde são apresentado alguns
conceitos sobre bolsa de valores, índices, indicadores nanceiros, dados disponíveis
na Web, agentes de negociação e a Teoria das Ondas de Elliott.
A metodologia apresentada no Capítulo 4 detalha as quatro etapas do processo:
caracterização de dados, mineração de dados, modelagem de padrões de Elliott e
estratégias de comercialização de ativos, com a utilização de um simulador realístico
do mercado nanceiro.
O Capítulo 5, resultados, são aplicadas todas as etapas da metodologia proposta,
na realização das simulações e análises dos experimentos.
E por último o Capítulo 6 apresenta-se os resultados encontrados, as limitações
e características identicadas, bem como um resumo de toda a trajetória realizada
neste projeto para a modelagem e implementação de estratégias de negociação baseadas na Teoria das Ondas de Elliott.
Capítulo 2
Trabalhos relacionados
O Capítulo 2 trata do levantamento e entendimento das iniciativas já existentes
sobre trabalhos com a utilização da análise técnica, correlações de indicadores nanceiros, dados sociais disponíveis na Web e estratégias de negociação mais utilizadas
no mercado nanceiro. Os trabalhos relacionados estão divididos em duas partes:
Correlações de indicadores nanceiros e Análise de informações da Web.
2.1
Correlações de Indicadores Financeiros
O mercado nanceiro é constituído de agentes investidores, comprando e vendendo ativos, com o objetivo de obter lucros. Os agentes investidores são compostos
de seres humanos, sujeitos às emoções, razões, medos e vontade de ganhar, fazendo
o mercado movimentar. E para que esses investidores consigam tomar uma decisão
em relação ao que fazer, eles se baseiam em técnicas especícas, sendo abordada
neste trabalho a análise técnica. De acordo com de Almeida (2013) na análise técnica, toda a informação sobre o comportamento do mercado nanceiro é baseada
em dados de preço e volume, sendo reetida e apresentada na forma de grácos,
sendo utilizada para indicar o momento mais adequado para realizar estratégias de
negociação no mercado de ações.
Todo fato que ocorre no mundo provoca oscilação no mercado nanceiro, com
isto, encontramos vários autores realizando estudos de correlações de indicadores
em séries temporais de cotações histórica. Com o objetivo de identicar padrões
de comportamento baseado em indicadores nanceiros: estratégias de negociação
(previsão de preço) e montar uma carteira de ações gerando para os investidores
subsídios para tomada de decisão.
Percebemos em Cichini (2006) que a partir da utilização dos dados de cotação
histórica dos ativos negociados na bolsa de valores, é possível comprovar a hipótese
de previsão de preços das ações negociadas, por meio de análises do coeciente de
correlação entre os valores dos ativos. Guarnieri (2006) por sua vez, avaliou a aplicabilidade de ferramentas para análise técnica com o uso do indicador nanceiro Média
Móvel em dados de cotações históricas disponibilizados pela BMF&BOVESPA, com
o objetivo de examinar a ecácia dos alertas gerados pelo retorno deste indicador
técnico em uma série temporal histórica e para Murphy (1999) o indicador Média
Móvel é bastante difundido devido sua versatilidade, podendo ser utilizado em séries
temporais com dados de preço ou volume e facilidade de entendimento e aplicação.
4
2.1
Trabalhos relacionados
5
Já Wickert (2012) utilizou dois indicadores técnicos: um para ações cujo valor
de mercado é abaixo de 1,5 bilhão de dólares chamado de (SMALL CAPS ) e o outro
para ações de empresas cujo valor de mercado está acima de 1,5 conhecido como
as (LARGE CAPS ), realizando uma relação risco retorno de forma segmentada do
mercado norte americano.
Podemos referenciar também Vartanian (2012) o qual estudou o comportamento
do índice Dow Jones Industrial Average (DJIA) e do índice Bovespa (Ibovespa) no
período da crise mundial do mercado nanceiro de 2008, que impactou fortemente
as bolsas de valores do mundo inteiro. Realizou-se uma análise comparativa das
variações sofridas por estes dois importantes indicadores, com o objetivos de encontrar informações para análise de eventuais situações que sejam semelhantes à crise,
que teve início nos Estados Unidos, devido à globalização da economia mundial, e
que rapidamente espalhou-se pelo planeta e afetou as principais bolsas de valores
do mundo. No Brasil, podemos mencionar Filho et al. (2011), o qual vericou a
existência do efeito dia da semana no mercado brasileiro de capitais, evidenciado nos
retornos diários do Ibovespa nas ações da BMF&BOVESPA. O efeito dia da semana
é considerado uma anomalia de mercado e diz respeito ao fato dos retornos diários de
ativos que apresentam risco, serem diferentes ao longo dos dias da semana, levando
o investidor a criar estratégias de investimento em determinados dias da semana.
Outro autor relevante para o desenvolvimento da pesquisa foi Markowitz (1952),
o qual inseriu no âmbito nanceiro as bases para criação de carteiras diversicadas
no intuito de maximizar o retorno para um dado nível de risco e minimizar o risco
para um determinado nível de retorno. Com base nesta teoria de Oliveira (2011)
otimizou a relação retorno/risco de uma carteira formada por ativos que participaram do Ibovespa nas suas oito últimas alterações no período de 2009 a 2011. Para
tanto, realizou um levantamento das empresas que estiveram presentes em todas
as carteiras neste intervalo através do sítio da BMF&BOVESPA, chegando a um
total de 49 companhias. Os resultados indicaram que a carteira com melhor relação
retorno/risco foi formada a partir de empresas que não possuem grande participação na composição do Ibovespa de maio a agosto de 2011. Das 49 companhias que
poderiam ser escolhidas para compor o portfólio eciente, apenas 11 foram selecionadas. Comparando o resultado da otimização com os retornos de outros índices,
vericou-se que continua sendo mais vantajoso investir na carteira otimizada.
Em Chiu et al. (2005) utilizou-se um sistema inteligente denominado de multiagente que realiza a modelagem de um mercado com investidores negociando uns
com os outros dentro de uma bolsa de valores virtual. Cada investidor é representado
por um agente inteligente, que aprende o padrão de comportamento do investidor a
partir de dados históricos de investimento. Um agente de negociação pode encontrar
a informação analítica, incluindo regras de associação uma determinada ação de um
investidor, e, em seguida, prever o estoque que o agente trocaria na próxima semana.
Os resultados experimentais indicam que o modelo de simulação pode representar
efetivamente o mercado de ações em tempo real.
Percebemos então, que existem trabalhos que investigam como as negociações
de alta frequência afetam o estudo da análise técnica por regiões que estão de forma
direta e indireta relacionadas. Como exemplo, podemos citar a diferença entre os
horários de abertura do pregão da BMF&BOVESPA e da Bolsa de Valores Norte
Americana, interferindo nas oscilações dos preços das ações negociadas durante o
2.2
Trabalhos relacionados
6
período de 10:00 às 12:00.
2.2
Análise de Informações da Web
As plataformas sociais estão se tornando o principal meio de comunicação entre
as pessoas. Em virtude disso, gestores de ativos, analistas nanceiros e investidores
de alta frequência estão incorporando dados de indicadores da Web em suas decisões
de investimento Irene (2013).
Exemplo que a análise desses dados são volumes coletados de redes sociais, fóruns, tweets e notícias de sitio sobre os ativos negociados na bolsa de valores, que
podem representar pensamentos e ideias que abrangem aspectos do mundo todo.
Cada vez mais, plataformas de previsões em tempo real estão surgindo, como por
exemplo, o StockTweets, contendo conversas em tempo real sobre as condições do
mercado e valores de ativos especícos. Nesse contexto, cria-se uma nova sabedoria
convencional, com destaque para as tendências que irão mover o mercado. Segundo
Lopes et al. (2008) os investidores, antes de tomar uma decisão para a negociação
de compra e venda de ações, possuem recursos de diversos meios de comunicação e
informação, incluindo a Web, que nos tempos atuais tornou-se um importante meio
de produção em massa e divulgação de informações para o mercado nanceiro.
Atualmente são estudadas técnicas de análise de opinião e aplicada à análise
de investimentos, com base em fontes de notícias divulgadas na Web, a m de
alcançar um melhor processamento da informação, extraindo a parte relevante da
enorme quantidade de dados não estruturados em formato de texto, gerados na Web.
Percebemos em Belmont (2010) que a análise de sentimento apresenta as seguintes
etapas: coleta de documentos, extração e redução de características e classicação de
sentimento. Na coleta de dados foram extraídos documentos do tweet e classicados
manualmente. Na extração de características utilizou análises léxica de caracteres
e de palavras. Posteriormente foi realizado a etapa de seleção de características
com o algoritmo Entropy Weighted Genetic Algorithm (EWGA) que basicamente é
um misto de algoritmo genético com o uso do ganho de informação. E por último,
utilizou-se na classicação avaliando tweets como positivos, negativos, neutros ou
não classicáveis, a função de base radial com o algoritmo de otimização mínima
sequencial do núcleo através de classicação e análise de regressão com a máquina
de vetores de suporte (SVM).
Com a realização da coleta de dados da Web de blogs e fóruns de discussão
que traziam alguma informação sobre empresas que tem suas ações negociadas na
BMF&BOVESPA, Alencar (2011) utilizou técnicas de mineração de dados para
coletar, processar e procurar padrões que pudessem trazer algum conhecimento. A
partir das análises, foi possível fazer suposições de possíveis relações entre os dados
das ocorrências de expressões na Web e o comportamento das cotações das ações
escolhidas para a pesquisa.
Em relação aos processos de mineração de dados Vartanian (2012) utilizou classicadores associativos que geram inicialmente um conjunto de regras formadas por
conjuntos de itens frequentes, e, depois utilizam diversas estrategias para a seleção,
ordenação, poda, predição e avaliação dessas regras, utilizadas para classicar um
novo modelo. Gomide (2012), por sua vez, realizou a obtenção do sentimento pú-
2.3
Trabalhos relacionados
7
blico em redes sociais utilizando algoritmos de aprendizagem para o processamento
de linguagem natural. Os dados utilizados foram coletados da Web para a realização de uma regressão logística binária onde cada tweet foi classicado como positivo,
negativo e neutro, aplicando a técnica de causalidade de Granger, que por sua vez,
procura determinar o sentido causal entre duas variáveis. Foram selecionadas diariamente 16 ações e os seus dados foram armazenados em um banco de dados com
objetivo de gerar uma série temporal signicativa para posterior consulta. Realizouse análise de correlação bivariada avaliando as correlações entre o volume de tweet
total caracterizando um indicador do sentimento público na Web com o volume
de negociação que são dados ociais disponibilizados no mercado nanceiro, com o
objetivo de tentar identicar se os mesmos inuenciam na variação dos preços de
ações.
De acordo com Liu (2010), a análise de sentimento é o estudo de opiniões, sentimentos e emoções expressas em textos. Existem muitas tarefas relacionadas nessa
área, como a extração de elementos do texto relacionados à opinião, a classicação quanto ao seu caráter (positivo, negativo ou neutro), comparação de sentenças
quanto a suas opiniões, sendo possível categorizar informações de texto como fatos
ou opiniões. A informação coletada da Web foi categorizada em dois tipos principais: fatos e opiniões. A fundamentação baseia-se em minerar (extrair informação
relevante de dados diversos) desses dois aspectos, mas tratando-os como se fossem
um. Mesmo que fatos sejam geralmente caracterizados por palavras especícas, essas também identicam uma orientação positiva ou negativa, mesmo que não sejam
necessariamente opiniões.
Ao realizar a revisão bibliográca, visualizei para este trabalho duas das 4 (quatro) etapas da metodologia que abrange: Caracterização de dados (descrição de
dados, caraterização e análise de resultados) e Mineração de dados (descrição dos
dados, mineração de dados e análise de resultados).
2.3
Considerações importantes
Os processos de simulação são frequentemente aplicados para avaliar o comportamento de estratégias para Bolsas de Valores (Irene, 2013).
Os trabalhos relacionados norteiam os temas de indicadores nanceiros, caracterizações, dados de redes sociais da Web e agentes de negociação, com o objetivo de
levantar subsídios para o desenvolvimento deste projeto.
Desta forma, esta dissertação propõe uma metodologia que aborda integração
dos temas relacionados, utilizando séries temporais de cotações históricas, correlacionadas com indicadores técnicos do mercado nanceiro, acrescidos de dados de
volume oriundos da Web, como por exemplo, dados publicados em redes sociais,
com o objetivo de identicar padrões de comportamento, modelar e integrar técnicas, implementando estratégias de negociação para experimentos em um ambiente
simulado do mercado nanceiro, com o intuito de auxiliar investidores na tomada
de decisões.
Capítulo 3
Fundamentação Teórica
Esta dissertação é fundamentada na análise técnica, na qual identica o comportamento e os movimentos futuros de ativos baseada em estatísticas do histórico de
preço e volume, utilizando o estudo de padrões grácos. Este capítulo está dividido
em 3 (três) partes que detalham informações sobre a bolsa de valores, a Teoria das
Ondas de Elliott e Indicadores Financeiros.
3.1
Bolsa de Valores
Uma das funções da bolsas de valores é informar aos investidores através de
meios de comunicação, revistas, boletins e meios eletrônicos sobre os seus negócios
diários, comunicados relevantes de empresas e dados de mercado que contribuam
para a transparência das operações Bolsa de Valores (2014).
A Bolsa de Valores, Mercadorias e Futuros de São Paulo (BMF&BOVESPA) é
a companhia responsável pela administração de mercados organizados de títulos,
valores mobiliários e contratos derivativos no Brasil, realizando serviços de registro, compensação e liquidação, atuando, principalmente, como contraparte central
garantidora da liquidação nanceira das operações realizadas em seus ambientes.
A BMF&BOVESPA atualmente possui em torno de 500 (quinhentas) empresas
cadastradas, tendo como principal referência de mercado o Índice Bovespa (Ibovespa). Além do Ibovespa, os investidores possuem acesso aos índices setoriais que
oferecerem uma visão segmentada do comportamento dos mercados de ações, sendo
constituídos pelas empresas mais signicativas de setores especícos, representando
uma medida do comportamento agregado do segmento econômico considerado.
Como fonte de dados, a BMF&BOVESPA disponibiliza arquivos de séries temporais de cotações históricas relativos a volumes e preços, dentre outros, dos títulos
negociados na Bolsa desde 1986 aos dias atuais. Os dados disponibilizados contemplam as principais informações dos ativos, como, por exemplo, nome da empresa,
código da empresa, código da ação, tipo de mercado (a vista, termo, opções), preços
(anterior, abertura, mínimo, médio, máximo, fechamento), quantidade de negócios
e volume negociado com o papel, dentre outros dados disponíveis, sendo possível
produzir combinações e informações para ajudar na tomada de decisão ao realizar
investimentos no mercado nanceiro.
De acordo com Palladino (2008), o Ibovespa é o mais importante indicador do
desempenho médio das cotações do mercado de ações brasileiro. Sua relevância
8
3.2
Fundamentação Teórica
9
advém do fato de retratar o comportamento dos principais papéis negociados na
BMF&BOVESPA e também de sua tradição, pois o índice manteve a integridade de
sua série histórica e não sofreu modicações metodológicas desde sua implementação
em 1968.
O Ibovespa reete não apenas as variações dos preços das ações, mas também
o impacto da distribuição dos proventos, avaliando o retorno total de suas ações
componentes. Conável e com uma metodologia de fácil acompanhamento pelo
mercado, o Ibovespa representa elmente o comportamento médio das principais
ações transacionadas, e o perl das negociações à vista observadas nos pregões da
BMF&BOVESPA Bolsa de Valores (2014).
Em termos de liquidez as ações integrantes da carteira teórica do Ibovespa respondem por mais de 80% do número de negócios e do volume nanceiro vericados
no mercado à vista (lote-padrão) da BMF&BOVESPA. A BMF&BOVESPA calcula
seu índice em tempo real, considerando os preços dos últimos negócios efetuados no
mercado à vista (lote-padrão) com ações componentes de sua carteira.
Sua divulgação é feita pela rede de difusão da BMF&BOVESPA, sendo possível,
dessa forma, acompanhar em tempo real seu comportamento em qualquer parte do
Brasil ou do mundo via Internet. Uma metodologia de cálculo simples, com seus
dados à disposição do público investidor, assegura uma grande conabilidade ao
Ibovespa. Isto pode ser constatado pela chancela do mercado, traduzida pelo fato
do Ibovespa ser o único dos indicadores de performance de ações brasileiras a ter um
mercado futuro líquido (um dos maiores mercados de contrato de índice do mundo).
A BMF&BOVESPA é responsável pela gestão, cálculo, difusão e manutenção
do Ibovespa. Essa responsabilidade assegura a observância estrita às normas e procedimentos técnicos constantes de sua metodologia. O Ibovespa é calculado pelo
somatório dos pesos (quantidade teórica da ação multiplicada pelo último preço da
mesma) das ações integrantes de sua carteira teórica. Assim sendo, pode ser apurado, a qualquer momento, por meio da seguinte fórmula:
Ibovespat =
n
X
Pi,t ∗ Qi,t
(3.1)
i=1
onde:
Ibovespat = Ibovespa no instante t;
n = número total de ações componentes da carteira teórica;
P = último preço da ação i no instante t;
Q = quantidade teórica da ação i na carteira no instante t.
Os índices da BMF&BOVESPA mostram um panorama amplo do mercado, englobando as principais empresas listadas na bolsa de valores, de diversos setores e
tamanhos. O peso que cada um tem no índice é ponderado sempre pelo volume
nanceiro de negociações. Neste trabalho cou limitado somente ao estudo do Ibovespa e de algumas das empresas que o compõe, para as combinações de simulação,
experimentos e análises realizadas.
3.2
Fundamentação Teórica
3.2
10
Agentes de Negociação
Os agentes de negociação utilizados neste trabalho são todos baseados na análise
técnica, que surgiu no século XX através das teorias propostas por Charles Dow
englobando os dados numéricos relativos e grácos das empresas que mostram o
comportamento das ações ao longo do tempo. Estuda-se as variações de preço no
passado e os volumes de negociação a m de fazer previsões para as cotações no
futuro.
De acordo com Cortês (2009), o analista técnico acredita que o efeito é tudo
que ele quer ou precisa saber, pois as razões ou as causas do movimento dos preços são desnecessárias em suas análises. Não é levado em consideração a ação do
ponto de vista emocional do mercado, avaliando somente os dados gerados pelas
transações, como por exemplo atributos do tipo: preços (abertura, máximo, mínimo
e fechamento) e Volume Negociado, com o objetivo de descobrir o caminho futuro
dos preços determinando estratégias para suas projeções.
Charles Dow sugeriu alguns princípios em sua teoria que, apesar de mais de 100
anos de existência, são utilizadas como base para analise técnica atual, sendo eles:
• Os preços reetem tudo: todas as opiniões sobre um determinado ativo,
bem como todas as notícias públicas são levadas em consideração e estão expressas nos preços desses ativos;
• Mercado segue tendências: primária, secundária e terciária, e dentro dessas
três tendências podem assumir outras três: altista, baixista ou neutra. Uma
tendência altista é o resultado de uma força compradora, ou seja, os compradores estão dominando o mercado, a tendência baixista é característica de um
domínio da força vendedora e na tendência neutra existe um equilíbrio entre
comprador e vendedor;
• O volume de negociações acompanha a tendência: em um mercado
de alta, maior força compradora, o volume de negociações aumenta quando o
preço do ativo aumenta e o volume diminui quando o preço do ativo diminui.
Em um mercado onde a força vendedora é superior à força compradora, ou
seja, um mercado de baixa, o volume tem uma relação inversa com o preço,
isto é, o volume de negociações aumenta quando o preço do ativo diminui e o
volume diminui quando o preço do ativo aumenta;
• Uma tendência é nita: e sua conrmação pode ser vericada com a ajuda
de grácos e índices de preços simultaneamente, considerando-se assim o princípio da conrmação. Segundo Palladino (2008) a oscilação das cotações de um
ativo ao longo do tempo acaba por descrever no gráco um ziguezague bem
característico do mercado de capitais. A correta determinação do próximo
movimento de subida ou descida poderá signicar lucro ou perda;
• Retas de Suporte: pode ser entendido como um patamar de preços a partir
do qual grande parte dos investidores passa a sentir segurança para aplicar
num papel e, com isso, o volume de negócios se intensica. Essa base de
preços pode sustentar por um bom tempo e apresentar tendência de subida,
3.2
Fundamentação Teórica
11
com conança do mercado e aumento dos preços, ou de descida, com um clima
de incerteza e declínio gradual nos preços; e
• Retas de Resistência: pode ser entendida como um teto ou limite de preços
momentâneo, a partir do qual uma parte dos investidores resolve vender suas
ações por achar que o preço já alcançou o seu valor máximo, determinando o
aparecimento de certa quantidade de ordens de venda naquele valor.
De acordo com a Figura 3.1, verica-se a possibilidade de projetar a continuidade
da tendência com base nas retas de suporte e resistência. Quando há uma tendência
de subida, projeta-se uma elevação no preço, e, caso contrário, quando ocorre uma
tendência de descida, o preço diminui.
Figura 3.1: Retas de Suporte e Resistência
Fonte: Palladino (2008).
Os rompimentos das retas de suporte e resistência, pelos movimentos do mercado,
também podem ocorrer quando uma cotação rompe a reta de suporte, ou seja, o
valor negociado cai abaixo do mínimo esperado. O método não indica um novo
valor estimado e qdo a reta de resistência é rompida, o preço alvo projetado para o
papel é ultrapassado e não se tem uma previsão para o próximo preço máximo. É
preciso aguardar até que o mercado forme uma nova tendência, podendo levar dias
ou semanas.
Frost (1978) arma que a Teoria das Ondas de Elliott possui pontos em comum
com a Teoria de Dow, pois ambas são baseadas em observações empíricas, porém
Elliott possui uma complementação matemática associada à Fibonacci.
De acordo com Palladino (2008) com o advento da utilização de computadores,
a análise técnica foi estimulada pelo desenvolvimento de novos grácos, formados a
partir de combinações entre preços de datas distintas, e preços com volumes de negócios. A utilização de indicadores conrma ou questiona uma determinada formação
gráca ou certa tendência dos preços.
Quando o preço de uma determinada ação (empresa) avaliada, supera uma faixa
de resistência ou suporte acompanhado de um volume alto (preferencialmente acima
da média) aumenta-se a chance de continuar o movimento do preço a favor da direção
do rompimento Frost e Prechter (2005).
O volume conrma uma tendência de alta do preço quando há um volume maior
nos dias de alta e menor nos dias de baixa. Por outro lado, o volume conrma uma
3.3
Fundamentação Teórica
12
tendência de baixa quando há um volume maior nos dias de baixa e menor nos dias
de alta.
3.3
Teoria das Ondas de Elliott
A Teoria das Ondas de Elliott foi desenvolvida por Ralph Nelson Elliott em
1930, com o objetivo de determinar o comportamento futuro dos preços através
de um padrão repetitivo de cinco ondas de impulso e três ondas de correção, com
a aplicação das leis e dos princípios da série de Fibonacci na interpretação dos
movimentos oscilatórios de preços dos ativos transacionados nas Bolsas de Valores.
Segundo Frost e Prechter (2005), a teoria de Elliott arma que todas as atividades
humanas são constituídas de três aspectos: padrão, razão e tempo. Sua Teoria
demonstra gracamente que os movimentos dos preços se comportavam de formas
cíclicas formando padrões geométricos baseados em ondas, os quais eram gerados
pelo comportamento do emocional de massa reetindo o sentimento dos agentes do
mercado por um tempo nito de 8 (oito) ondas de acordo com o intervalo de tempo
(granularidade) avaliado.
A identicação dos padrões grácos permitiu que Elliott conseguisse encontrar
os formatos geométrico existentes no mercado de capitais, porém faltava uma ferramenta que lhe auxiliasse a medição da amplitude dessas ondas. Então Elliott
recorreu à matemática e lá encontrou uma importante proporção chamada de Número de Ouro (=1,618) que foi extraído da sequência de números de Fibonacci, a
qual possui fortes correlações com o seu princípio.
Figura 3.2: Ondas de Elliott
Fonte: adaptado de Frost (1978)
A Figura 3.2 identica-se o padrão de um ciclo geométrico completo de 8 (oito)
ondas de Elliott, onde é possível observar os movimentos de subida nas ondas 1, 3 e
5 e os movimentos de correção nas ondas 2 e 4. As ondas negativas são mostradas
em A e C, e a onda B representa o único movimento de subida num momento de
baixa.
3.4
Fundamentação Teórica
13
Elliott realiza analogias entre a oscilação dos preços dos ativos nanceiros com os
outros movimentos oscilatórios, como as marés, por exemplo, e argumenta que estas
possuem padrões que obedecem a certas propriedades dos números de Fibonacci. O
mesmo utilizou-se dos números iniciais da série de Fibonacci formada pelos números
1, 2, 3, 5, 8, 13, 21, 34, 55, 89 entre outros, onde cada número é formado pela soma
dos dois que o antecedem. Assim, dados os dois números 1 e 2 iniciais, os demais
estarão automaticamente determinados.
Segundo Frost e Prechter (2005) o público age de forma emocional, subjetiva e
impulsiva, tomando decisões em condições de ignorância e incerteza, e, na maioria
das vezes, assumindo a chamada atitude "manada". Como as oscilações de preços
são determinadas pelas funções de oferta e demanda das ações, as decisões de comprar ou vender determinados ativos nanceiros também ocorrem em ondas de oferta
e demanda.
De acordo com a Teoria das Ondas de Elliott, as ondas seguem um padrão de
comportamento, em uma estrutura de dependência de movimento, conforme detalhamento do tópico a seguir:
• A onda 1 (primeira onda de uma sequência) é a base para se determinar as
razões das demais ondas;
• A onda 2 (segunda onda da sequência) se relaciona com a onda 1, numa razão
de 50,00% a 62,00% do valor da onda 1;
• A onda 3 está relacionada à onda 1 segundo a proporção 161,80%, 261,80% ou
423,60%;
• A onda 4 relaciona-se à onda 3 por uma das relações: 24,00%, 38,00% ou
50,00% desta;
• A onda 5 está relacionada à onda 1 segundo uma das proporções: 100,00%,
161,80% ou 261,80% identicável que surge sob a forma de ondas.
Segundo Frost (1978) o mercado de ações é uma forma precisa de registro da
estrutura formal do raciocínio e escolhas do homem. Desta forma, deve-se destacar
a probabilidade de evolução e identicação de um padrão para o mercado de ações.
A Teoria de Elliott ressalta que não importa o quanto é pequena ou grande a
forma da onda, ela obedece um padrão de um ciclo completo de 8 (oito) ondas e
são encontradas em todos os níveis de granularidade (sub-minutos, minutos, horas,
dias, semanas, meses e anos).
Uma onda pode ser subdividida e o resultado da divisão serão ondas de grau
menores, que compõem a onda original. Desta forma, a Teoria de Elliott é aplicável tanto a investidores que visam operações de curtíssimo prazo (day trade ) a
investidores com estratégias com ordens de compra e venda a longo prazo.
3.4
Indicadores Financeiros
Indicadores nanceiros representam linhas de oscilações ou tendências, construídas através de fórmulas matemáticas ou estatísticas, cujos objetivos são antecipar,
3.4
Fundamentação Teórica
14
conrmar ou descrever tendências. Os índices de volatilidade, representam importantes instrumentos de avaliação dos movimentos de preços em relação à tendência
do preço no mercado nanceiro.
Devido à existência de uma grande quantidade de indicadores, este trabalho cou
limitado ao entendimento e utilização de alguns indicadores de preço e de volume
nas simulações, conforme Tabela 3.1.
Tabela 3.1: Indicadores Financeiros
Preço
Média Móvel Simples
Média Móvel Exponencial
Índice de Força Relativa
Volume
Índice de Fluxo de Dinheiro
On Balance Volume
Média Móvel Simples de Volume
A seguir serão detalhados os indicadores nanceiros de análise técnica de preço
e volume, juntamente com os seus atributos e parâmetros.
3.4.1 Média Móvel Simples
A Média Móvel Simples (SMA) representa a média dos preços de fechamento
nos períodos de curto, médio e longo prazo. A SMA suaviza os movimentos voláteis
de uma série de preços, identicando melhor a tendência do preço para enxergar
oportunidades de compra e venda nas mudanças de padrões de tendência. Matematicamente, a média móvel simples nada mais é que uma média de certo período dos
dados passados em série temporal, por exemplo, a média dos preços de fechamento
de uma ação dos últimos 20 dias.
Conforme os dias passam, novos dados vão substituindo os dados de preço mais
antigos, formando uma base amostral para elaboração da média que varia ao longo
do tempo, mas sempre com uma amostra dos vinte últimos dados conseguidos. Por
isso chama-se média móvel. Assim, a fórmula da média móvel simples de 20 dias
seria:
SM A = (P F (1) + P F (2) + ... + P F (N ))/N
(3.2)
onde:
SM A = Média Móvel Simples de preço;
P F (i) = Preço de Fechamento do período;
N = Total do período avaliado.
3.4.2 Média Móvel Exponencial
A Média Móvel Exponencial (SME) é uma extensão da média móvel simples,
utilizando a suavização da mesma para reduzir a quantidade de sinais de compra
ou venda. A EMA é uma média ponderada de observações passadas e pode ser
calculada através da seguinte fórmula:
M M En = (V 1 − M M EA N T ) ∗ (k) + M M EA N T
(3.3)
3.4
Fundamentação Teórica
15
onde:
M M EA N T é a média móvel exponencial anterior;
n é o número de períodos;
V 1 é o valor primeiro valor da série avaliado;
k = 2 ÷ (n + 1).
3.4.3 Índice de Força Relativa
O Índice de Força Relativa (RSI) verica o enfraquecimento de uma tendência
e a sinalização de um rompimento de suporte ou resistência antes que esses movimentos ocorram. O RSI retorna uma escala de variação xa, que varia de 0 a 100
indicando regiões de sobrecompra (ação sobrevalorizada) quando o retorno é > 70
ou sobrevenda (ação subvalorizada) quando o retorno é < 30. O cálculo do RSI
pode ser observado abaixo:
RSI = (100 − (100/(1 + (U/D))
(3.4)
onde:
RSI = Índice de Força Relativa;
U = Média das cotações dos últimos n dias em que a cotação da ação subiu, que é
a soma das cotações dos últimos n dias em que a cotação da ação subiu, dividido
por n;
D = Média das cotações dos últimos n dias em que a cotação da ação caiu, que é a
soma das cotações dos últimos n dias em que a cotação da ação caiu, dividido por
n;
n = O número de dias mais utilizado pelo mercado é 14 (quatorze).
3.4.4 Índice de Fluxo de Dinheiro
O índice do uxo de dinheiro (MFI) é um indicador técnico utilizado para avaliar
a intensidade do uxo de dinheiro para um ativo através da comparação das taxas
de crescimento positivas e negativas ao longo de um período determinado, tendo
em conta o volume das negociações. O MFI pode ser usado para determinar as
condições de sobrecompra e sobrevenda de um ativo, assim como para identicar
possíveis pontos de reversão, utilizando os valores a seguir em relação ao ativo:
• Sobrecomprado quando o índice sobe acima de 80, e o sinal de venda ocorre
quando o indicador cruza o limite da zona de sobrecompra por cima.
• Sobrevendido quando o índice cai abaixo de 20, e o sinal de comprar ocorre
quando o indicador cruza o limite da zona de sobrevenda por baixo.
T P = (H + L + C)/3
(3.5)
M F = T P ∗ V ol
(3.6)
M R = Sum(M F +)/Sum(M F −)
(3.7)
3.4
Fundamentação Teórica
16
Onde:
T P = preço comum;
H = máximo atual;
L = mínimo atual;
C = preço de fechamento;
M F = uxo de dinheiro (positivo (MF+), positivo caso o T P atual for > que o T P
anterior e negativo (M F −) caso contrário;
V ol = volume;
M R = índice.
3.4.5
On Balance Volume
O On Balance Volume (OBV) é um indicador que relaciona mudanças no preço
com as variações de volume, que identica a direção do uxo do volume, ou seja, se
está entrando ou saindo volume do ativo. Quando o fechamento do dia for superior
ao do dia anterior todo o volume é considerado volume de alta. Caso contrário, todo
o volume é considerado volume de baixa. Desta forma, temos:
Dia de alta:
OBV = OBV (ontem) + V olume(hoje)
(3.8)
Dia de baixa:
OBV = OBV (ontem) − V olume(hoje)
(3.9)
3.4.6 Média Móvel Simples de Volume
A Média Móvel Simples de Volume (SMAV) utiliza o volume transacionado (compras e vendas executadas) de certo ativo nanceiro em determinado ponto do tempo
juntamente com a média móvel desse mesmo volume ao longo do tempo. A SMAV
identica rompimentos de suportes e resistências, quebras de tendências nos preços e a tendência do volume transacionado. O volume é computado pelo número
de transações para qualquer ativo nanceiro. Pode ser exibido como o número de
ações transacionadas, onde o mais comum é, o número de negócios feitos ou volume
nanceiro movimentado. A seguir a fórmula da SMAV:
SM AV = (V F (1) + V F (2) + ... + V F (N ))/N
(3.10)
onde:
SM AV = Média Móvel Simples de Volume;
V F (i) = Volume Fechamento do período;
N = Total de Período Avaliado.
Neste capítulo realizou-se a descrição da fundamentação teórica, englobando
informações sobre a Bolsa de Valores de São Paulo (BMF&BOVESPA), o Ibovespa
que é o principal índice do mercado nanceiro brasileiro. Discorri sobre conceitos de
análise técnica (agentes de negociação, a Teoria das Ondas de Elliott e alguns indicadores nanceiros) os quais serão empregados de forma metodológica no próximo
capítulo.
Capítulo 4
Metodologia
Neste capítulo apresentamos a metodologia desenvolvida, a qual é composta de
4 (quatro) etapas distintas, sendo elas: Caracterização de Dados (I), Mineração de
Dados (II), Modelagem de Padrões de Elliott (III) e Estratégias de Comercialização
de Ativos (IV). Cada etapa é detalhada na sequência deste capítulo.
4.1
Caracterização de Dados
A etapa de Caracterização de Dados é composta de 3 (três) fases: descrição de
dados, caracterização e análise de resultados, conforme Figura 4.1.
Figura 4.1: Etapa de Caracterização de Dados
A fase de descrição de dados é responsável pelo detalhamento de todas as características dos dados disponíveis, como: suas propriedades, atributos, fonte, layout,
tipo, tamanho, formato e particularidades em geral. As fontes de dados utilizadas
neste trabalho, são coletadas de ativos de duas fontes distintas: dados ociais da
BMF&BOVESPA (preço e volume) e dados da Web (volume).
Os dados disponibilizados pela BMF&BOVESPA são arquivos de cotações históricas com dados agrupados por intervalo de tempo de 1, 5, 10 e 15 minutos, contendo
atributos relativos ao código do ativo, preços (fechamento, abertura, máximo, mínimo, fechamento anterior), quantidade de negócios, quantidade de papéis, volume
nanceiro, data e hora das transações realizadas de todas as ações negociadas na
bolsa de valores brasileira.
Os dados são coletados de maneira manual acessando sitio da BMF&BOVESPA
e realizando o download dos arquivos sequenciais que estão no formato texto, agrupa17
4.1
Metodologia
18
dos por períodos (anual, mensal ou diário), contendo um layout padrão pré-denido
conforme Tabela 4.1.
Tabela 4.1: Layout do arquivo disponibilizado pela BMF&BOVESPA
NOME DO CAMPO
TIPO DE REGISTRO
TIPO E TAMANHO INÍCIO FINAL
DATA DO PREGÃO
N(02)
1
2
N(08)
3
10
12
CÓDIGO BDI
X(02)
11
CÓDIGO DO ATIVO
N(03)
25
27
NOME RESUMIDO DA EMPRESA
X(12)
28
39
ESPECIFICAÇÃO DO PAPEL
X(10)
40
49
PRAZO EM DIAS
X(03)
50
52
MOEDA DE REFERÊNCIA
X(04)
53
56
N(11)V99
57
69
PREÇO DE ABERTURA
PREÇO MÁXIMO
N(11)V99
70
82
PREÇO MÍNIMO
N(11)V99
83
95
PREÇO MÉDIO
N(11)V99
96
108
PREÇO DO ÚLTIMO NEGÓCIO
N(11)V99
109
121
PREÇO MELHOR OFERTA DE COMPRA
N(11)V99
122
134
PREÇO MELHOR OFERTA DE VENDA
N(11)V99
135
147
NÚMERO DE NEGÓCIOS EFETUADOS
N(05)
148
152
170
TOTAL DE TÍTULOS NEGOCIADOS
N(18)
153
VOLUME DE TÍTULOS NEGOCIADOS
N(16)V99
171
188
PREÇO DE EXERCÍCIO OPÇÕES
N(11)V99
189
201
INDICADOR DE CORREÇÃO
N(01)
202
202
DATA DO VENCIMENTO
N(08)
203
210
FATOR DE COTAÇÃO DO PAPEL
PREÇO DE EXERCÍCIO
N(07)
211
217
N(07)V06
218
230
X(12)
231
242
9(03)
243
245
CÓDIGO DO PAPEL
NÚMERO DE DISTRIBUIÇÃO
Os dados de volume disponíveis na Web utilizados neste trabalho, são obtidos em
cooperação com Instituto Nacional de Ciência e Tecnologia para a Web (INWEB)
da Universidade Federal de Minas Gerais (UFMG), através da plataforma do Observatório da Web em Filho et al. (2010).
Figura 4.2: Arquitetura (Pipeline ) Observatório da Web
Fonte: Filho et al. (2010)
4.1
Metodologia
19
A Figura 4.2 ilustra o modelo arquitetural da plataforma tecnológica do Observatório, com base nos componentes já existentes e também na sua organização
em módulos. Observa-se que ao nal das las de módulos ou componentes que a
integram, são produzidos os elementos que fornecem informações para o portal Web
(Observatório do Mercado de Ações) e para a interface de aplicação de programação
(API) do sistema Web.
Os dados da Web coletados são volumes de microblog (tweets), portais de conteúdo (notícias) e portais especializados em investimento (fontes especializadas) que
são armazenados em arquivos sequenciais estáticos. Os dados são tratados como
volume da Web que são comentado por um determinado assunto ou ativo, sendo
contabilizados e agrupados por intervalo de tempo de 15 em 15 minutos e armazenados em arquivos separados pelos atributos: tipo de fonte, nome do ativo, data,
hora e quantidade de volume, conforme layout da Tabela 4.2.
Tabela 4.2: Layout dos arquivos da Web
Tipo de Fonte
1
1
1
1
2
1
2
3
1
3
1
3
1
1
Ativo
PETR4
PETR4
PETR4
PETR4
PETR4
PETR4
PETR4
BBDC4
BBDC4
BBDC4
BBDC4
BBDC4
BBDC4
BBDC4
Data
20130923
20130923
20130924
20130924
20130925
20130925
20130925
20130924
20130925
20130926
20130927
20130928
20130930
20131001
Hora Minuto Volume
13:00:00
16:15:00
12:45:00
16:15:00
12:30:00
12:45:00
13:30:00
16:15:00
13:30:00
12:30:00
12:30:00
15:15:00
12:45:00
11:45:00
2
1
1
1
1
4
5
1
1
2
1
2
1
1
Na fase de caraterização, são denidas as regras de normalização, agrupamento,
associação, classicação, limitações, intervalos e períodos avaliados. Os arquivos
disponibilizados pela BMF&BOVESPA possuem uma escala de granularidade de
tempo de 15 minutos entre as cotações, onde realizei as seguintes implementações:
• Consolidação das granularidades (intervalos) de forma diária e mensal;
• Identicação dos 10 menores (bottom ) e dos 10 maiores (Top ) códigos de ativos
negociados na BMF&BOVESPA, em relação ao atributo volume negociado, e
validação dos resultados no sitio infomoney ;
• Identicação de picos de variação de preço e volume e armazenamento destas
ocorrências ao longo de uma série temporal, por horário, faixas de horário,
turnos de horários e dias da semana;
• Comparação entre ativos e o Ibovespa ao longo de uma mesma série temporal;
4.2
Metodologia
20
• Análise dos dados de volume coletados da Web com a vericação da real proporção, juntamente com o entendimento do cenário de atuação, visualizando
possíveis aplicações destes dados.
Desta forma, foi possível originar novos indicadores, como por exemplo: preço,
volume, realizando combinações entre estes atributos, originando novas informações
(temporais e nominais).
4.2
Mineração de Dados
A etapa de Mineração de Dados realiza a avaliação de padrões e tendências,
sendo constituída de 3 (três) fases distintas: Descrição dos Dados, Mineração de
Dados e Análise de Resultados, conforme Figura 4.3.
Figura 4.3: Etapa de Mineração de Dados
Na fase de descrição dos dados, utilizei os arquivos de cotações históricas da
BMF&BOVESPA com intervalos agrupados de tempo de 15 minutos, contendo atributos relativos ao código do ativo, preços e volume.
Trabalhos analisados no capítulo de Fundamentação Teórica direcionavam esforços aos atributos de volume de negociação e a indicadores de preço. Desta forma,
realizou-se a geração do indicador de variação, onde o cálculo deste percentual de
variação é a diferença entre o preço de fechamento e o preço de abertura multiplicado
pelo valor 100 e dividido pelo preço de fechamento.
Na fase de mineração de dados foram denidos 5 (cinco) status para a sequência
de variação durante o processamento dos dados e realizada uma seleção em relação
ao valor do Percentual de Variação, conforme as Tabela 4.3:
Tabela 4.3: Sequência de Variação
Sequência
Descrição
Percentual de Variação
C
CAIU
< -0,05% e >= -1,00%
CM
CAIU MUITO
< -1,00%
S
SUBIU
> 0,05% e < 1,00%
SM
SUBIU MUITO
> 1,00%
E
ESTÁVEL
>= -0,05% e <= 0,05%
• Para o valor do Percentual de Variação menor do que −0, 05 e ao mesmo tempo
maior ou igual a −1, 00 é atribuído ao valor da sequência de variação CAIU;
4.3
Metodologia
21
• Quando o valor do Percentual de Variação for menor do que −1, 00 é atribuído
ao valor da sequência de variação CAIU_MUITO;
• No caso do valor do Percentual de Variação seja maior do que 1, 00, é atribuído
ao valor da sequência de variação SUBIU_MUITO;
• Caso o valor do Percentual de Variação seja maior do que 0, 05 e ao mesmo
tempo menor ou igual a 1, 00 é atribuído ao valor da sequência de variação
SUBIU;
• Caso o valor do Percentual de Variação seja maior ou igual −0, 05 e ao mesmo
tempo menor ou igual a 0, 05 é atribuído ao valor da sequência de variação
ESTÁVEL.
Após a denição e a geração do indicador de Percentual de Variação e a sua
normalização, é utilizada a técnica de associação de mineração de dados, com o
objetivo de reconhecer algum tipo de padrão, tendência ou comportamento.
Na fase de análise de resultados utilizo o software livre WEKA, com a opção
de regras de associação com os algoritmos já existentes no aplicativo: o Apriori
e o Generalized Sequential Pattern algorithm (GSP), objetivando a identicação
de sequências de variações e possíveis regras de associações mais frequentes com
percentuais mínimos de suporte e conança.
4.3
Modelagem de Padrões de Elliott
A etapa de Modelagem de Padrões de Elliott realiza a identicação da ocorrência das Ondas de Elliott nas séries temporais dos dados de cotações históricas
da BMF&BOVESPA, sendo constituída de 3 (três) fases distintas: Descrição dos
Dados, Modelagem de Padrões de Elliott e Análise de resultados, conforme Figura
4.4.
Figura 4.4: Etapa de Modelagem de Padrões de Elliott
Na descrição de dados utilizei os arquivos de cotações históricas da BMF&BOVESPA
com dados agrupados por intervalo de tempo de 15 minutos, contendo atributos
relativos ao código do ativo, preços (abertura, mínimo, máximo e fechamento) e
indicador de percentual de variação gerado na etapa de mineração de dados.
4.3
Metodologia
22
Na fase de modelagem das Ondas de Elliott implementamos suas características
em uma aplicação, utilizando a linguagem de programação JAVA, onde os atributos
avaliados foram os preços e o indicador de percentual de variação gerado na etapa
de mineração de dados, vericando a granularidade de tempo de 15 minutos com a
janela de operação de 10h às 16h20, de forma diária as ocorrências dessas ondas.
Figura 4.5: Fluxograma das Ondas de Elliott
Inicialmente dene-se uma série temporal e o atributo a ser analisado. A apli-
4.4
Metodologia
23
cação realiza a leitura deste arquivo sequencial, vericando a ocorrência das Ondas
conforme o uxograma da Figura 4.5
O preço do candlestick é sempre o preço do intervalo (granularidade) corrente
que é avaliado. Como denido inicialmente, somente avaliamos intervalos de 15
minutos.
Com a leitura do arquivo sequencial da série temporal a ser avaliada, inicio do
mercado, a aplicação recebe o valor do preço do candlestick corrente e verica de
maneira sequencial a ocorrência das ondas de acordo com os seguintes critérios:
• Encontrando a Onda 1: as demais ondas não foram encontradas e o preço do
candlestick é sempre maior do que o valor da Onda 1. A primeira onda de
uma sequência é a base para se determinar as razões das demais ondas;
• Encontrando a Onda 2: caso o preço do candlestick seja menor que o valor da
Onda 1 e ao mesmo tempo maior que 0 (zero) encontramos a Onda 2, caso
contrário o valor do preço do candlestick é descatado e vericado o próximo
intervalo;
• Encontrando a Onda 3: caso o preço do candlestick seja maior que o valor da
Onda 1 e a Onda 2 já foi encontrada, encontramos a Onda 3;
• Encontrando a Onda 4: caso o preço do candlestick seja maior que o valor da
Onda 1 e ao mesmo tempo menor que o valor da Onda 3 e a Onda 3 já foi
encontrada, encontramos a Onda 4;
• Encontrando a Onda 5: caso o preço do candlestick seja maior do que o valor
da Onda 3 e a Onda 4 já foi encontrada, então encontramos a Onda 5;
• Encontrando a Onda "a": caso o preço do candlestick seja menor que o valor
da Onda 5 e ao mesmo tempo maior que o valor da Onda 3, então encontramos
a Onda "a";
• Encontrando a Onda "b": caso o preço do candlestick seja menor que o valor
da Onda 5 e ao mesmo tempo maior que a Onda "a", então encontramos a
Onda "b";
• Encontrando a Onda "c": caso o preço do candlestick seja menor que o valor
da Onda "a"e a Onda "b"já foi encontrada, então encontramos a Onda "c".
Na fase de análise de resultados ao encontrar a Onda "c", a aplicação apresenta
os valores de todas as Ondas encontradas, juntamente com os demais atributos armazenados ao longo da identicação das ondas. Preparei esta aplicação para armazenar
os seguintes atributos: nome da onda, horário de ocorrência, data, dia da semana e
percentual, com o objetivo de entender melhor os dados e o seu comportamento na
série temporal.
4.4
4.4
Metodologia
24
Estratégias de Comercialização de Ativos
Fundamentado nos conceitos de Análise Técnica e na Teoria das Ondas de Elliott
propõe-se a etapa de estratégias de comercialização de ativos, que está subdividida
em 3 (três) fases distintas: Modelagem de estratégia de negociação, implementação
(Simulador) e análise de resultados, conforme Figura 4.6
Figura 4.6: Etapa de Estratégias de Comercialização de Ativos
4.4.1 Modelagem de Estratégias de Negociação
Fundamentado na Teoria das Ondas de Elliott e associado as estratégias de negociação de compra e venda de ações, identiquei 2 (dois) movimentos (Rompimento e
Correção) onde correlacionamos características semelhantes entre Elliott e técnicas
de negociação utilizadas no mercado nanceiro, a Figura 4.7 apresenta os movimentos grácos característicos da identicação da oportunidade de compra utilizando
estas e estratégias.
Figura 4.7: Estratégias de Rompimento e Correção
A estratégia de Rompimento consiste em comprar um ativo após o movimento
do topo anterior e de ocorrer a formação de um fundo ascendente. Correlacionando
à Elliott, podemos encontrar as possíveis Ondas 3 e 5.
A estratégia de Correção consiste em comprar um ativo após um movimento
de baixa dentro de uma tendência de alta quando o movimento de baixa supera o
valor do fundo anterior. Correlacionando a Elliott, podemos realizar a compra nas
possíveis Ondas 2, 4 ou "a".
4.4
Metodologia
25
Desta forma, este trabalho propõe a modelagem das estratégias (Rompimento e
Correção), acrescidas de indicadores nanceiros: preço, volume e volume da Web,
totalizando 44 (quarenta e quatro) estratégias para identicação de oportunidades
de negociação no simulador nanceiro da Bolsa de Valores, conforme Figura 4.8.
Figura 4.8: Modelagem das Estratégias de Negociação
São acrescentados às estratégias iniciais (Rompimento e Correção), indicadores
nanceiros (preço e volume) com a utilização de dados de cotações históricas disponibilizados pela BMF&BOVESPA e indicadores nanceiros de volume com a utilização
de dados da Web oriundos de fórum, facebook, tweets, news e um consolidado de
todas as fontes sociais já citadas.
O objetivo da utilização das estratégias iniciais acrescidas com indicadores nanceiros é restringir a quantidade de oportunidades identicadas, aumentando a
qualidade das ordens de compra e venda (gatilho), minimizando os riscos de prejuízos com informações destes indicadores. As Estratégias acrescidas de Indicadores
Financeiros são:
• Estratégias com indicadores de preço: As estratégias de Rompimento e
Correção com indicadores nanceiros de preço, utilizam a Média Móvel Simples (SMA), a Média Móvel Exponencial (SME) e o Índice de Força Relativa
(RSI) para restringir a quantidade de oportunidades identicadas, minimizando o risco de um possível ruído nas oportunidades. Os atributos avaliados
na identicação dos movimentos baseados em Elliott são os preços (abertura
e fechamento) da granularidade de tempo avaliada, com a análise variando
quando o movimento em questão é um candlestick de alta ou candlestick de
baixa. Candlestick é a variação dos preços (abertura, mínimo, máximo e fechamento) em um intervalo de tempo (granularidade) durante o processo de
simulação.
4.4
Metodologia
26
• Estratégias com indicadores de Volume: As estratégias (Rompimento e
Correção) com indicadores nanceiros de volume, utilizam a Média Móvel Simples de Volume (SMAV), Índice de Fluxo de Dinheiro (MFI) e o On Balance
Volume (OBV) para restringir a quantidade de oportunidades identicadas,
minimizando o risco de um possível ruído nas oportunidades. Os atributos
avaliados na identicação dos movimentos baseados em Elliott são os preços
(abertura e fechamento) e o volume, variando quando o movimento em questão é um candlestick de alta ou candlestick de baixa. O Volume é utilizado
como parâmetro nos indicadores, com a função de cancelar ou executar uma
determinada oportunidade identicada.
• Estratégias com indicadores da Web: As estratégias (Rompimento e Correção) com indicadores nanceiros de volume da Web, utilizam a Média Móvel
Simples de Volume (SMAV), Índice de Fluxo de Dinheiro (MFI) e o On Balance
Volume (OBV) para restringir a quantidade de oportunidades identicadas,
minimizando o risco de um possível ruído de oportunidades. O Volume dos
dados da Web baseados nos resultados dos indicadores dos mesmos possui a
função de cancelar ou executar uma determinada oportunidade identicada e
de avaliar se o que é comentado na Web melhora ou piora o desempenho do
retorno nanceiro de uma determinada estratégia.
Na próxima etapa, será detalhada a implementação do simulador realístico do
mercado nanceiro utilizado neste trabalho, juntamente com os conceitos e parâmetros utilizados durante a execução das simulações do mercado nanceiro.
4.4.2 Implementação (Simulador)
Na implementação, utilizo um simulador realístico do mercado nanceiro de alta
frequência, aferindo estratégias com o processo Market Maker de eventos discretos
com precisão capaz de suportar uma análise realista do comportamento de estratégias previamente modeladas.
O simulador foi desenvolvido no Laboratório de Pesquisa e Desenvolvimento
(LP&D) do curso de Ciência da Computação da Universidade Federal de Alfenas.
O simulador dá suporte às pesquisas desenvolvidas na instituição, e também em
instituições parceiras, tais como empresas e universidades.
O simulador utiliza uma aplicação API JAVA que contém um módulo responsável por realizar testes sem que haja a necessidade de compras e vendas reais de
ações. Isso evita que o dinheiro seja perdido com estratégias ainda em fase de
pesquisa e desenvolvimento. Como o simulador possui muitas particularidades, a simulação para esta categoria de investimento necessita considerar inúmeros detalhes
do funcionamento do mercado de ações.
Esta aplicação possui um mecanismo de simulação que utiliza dados reais da
BMF&BOVESPA, contendo todas as ordens (compra e venda) que são enviadas ao
mercado nanceiro, e também todos os eventos que ocorreram durante um dia de
negociação.
O simulador possui características e parâmetros, que precisam ser calibrados antes do experimento, como, por exemplo: a janela de operação, os atributos avaliados,
4.4
Metodologia
27
Figura 4.9: Simulador
as granularidades, as ordens de compra e venda, a validade do gatilho e os preços
de variação do gatilho, o conceito do processo Market Maker, conforme Figura 4.9.
• Janela de Operação: envolve o conceito de Day Trading, compra e venda no
mesmo dia, para as negociações realizadas pelo simulador na bolsa de valores.
A janela de operação utilizada inicia a sua execução no período de 10h às
16h20, como margem de segurança na identicação de possíveis oportunidades,
para que todas as operações sejam nalizadas até o horário do fechamento do
pregão às 17h.
• Atributos avaliados: na identicação dos movimentos baseados em Elliott
são os preços (abertura e fechamento) e o volume dos arquivos de dados da
Web (fórum, tweets, facebook, news e consolidado), variando quando o movimento em questão é um candlestick de alta ou de baixa. Para os atributos
avaliados pelos movimentos (Correção e Rompimento) e indicadores nanceiros que foram modelados como estratégias de negociação baseadas nas Ondas
de Elliott, utilizamos o conceito de candlestick, que é a variação do preço em
um intervalo de tempo durante o processo de simulação, sendo composto dos
preços:
Abertura: preço inicial registrado no período;
Fechamento: último preço registrado no período;
Mínimo: preço mínimo no intervalo de tempo;
Máximo: preço máximo no intervalo de tempo.
O volume atual e o volume anterior do candlestick são avaliados nas estratégias
de negociação acrescidas de indicadores nanceiros, como mais uma opção de
4.4
Metodologia
28
retorno de informação de análise técnica, para auxiliar na tomada de decisão
da estratégia em execução.
candlestick
• Granularidade do
: corresponde ao intervalo de tempo em minutos do candlestick avaliado, referenciando os dados sobre os ativos em um
intervalo inicial e nal. Por exemplo, as granularidades avaliadas são intervalos
de 1, 5, 10 e 15 minutos.
• Preço de variação do gatilho: Quando uma oportunidade de negociação
é identicada, é necessário acrescentar ao valor da ordem de compra o preço
da variação do gatilho para que se tenha lucro. Utilizamos os preços de variação de R$0,02, R$0,03,R$0,04, R$0,05, R$0,06 e R$0,07 com o objetivo de
vericar qual o preço de variação possui a maior quantidade de acertos, identicando o preço de variação mais adequado para ser utilizado nas simulações
proporcionando o melhor retorno nanceiro.
• Validade do gatilho: corresponde ao tempo de espera das ordens (compra e
Venda) no mercado, onde por denição, nas simulações este valor é o mesmo
valor da granularidade do candlestick avaliado no momento. Por exemplo,
caso a granularidade do candlestick seja de 15 minutos, a validade do gatilho
também será de 15 minutos.
• Ordem de compra e venda (gatilho): Quando uma oportunidade é identicada, o simulador envia ao mercado duas ordens (uma de compra e outra de
venda), e esta última com o valor reajustado acrescido do preço de variação.
Estas ordens denimos com o nome de gatilho, sendo o preço de compra corresponde ao valor do melhor preço ofertado pelo mercado e o preço de venda
é sempre o valor do preço de compra acrescido do valor de variação, onde este
último é sempre alguns centavos a mais, proporcionando liquidez na identicação da estratégia e execução do gatilho. Caso a estratégia que identica
a oportunidade seja acrescida de algum indicador nanceiro (preço, volume
ou volume da Web), este possui a função de restringir a quantidade de gatilhos disparados, com o objetivo de minimizar ruídos e prejuízos nanceiros.
O gatilho é totalmente executado somente quando o valor pago por ação e
a quantidade a ser comprada, forem totalmente ofertadas pelo mercado. O
simples fato de emitir o gatilho não garante a compra e nem a venda no valor
ou na quantidade solicitada. O gatilho é parcialmente executado caso o valor ofertado seja atingido, porém a quantidade ofertada não supri a demanda
descrita na ordem de compra. Logo, o valor pago por ação é o desejado, mas
a quantidade comprada é inferior à solicitada.
•
Market Maker : é o processo de formação de mercado que proporciona um
preço de referência para a negociação do ativo. Após a identicação da oportunidade pelas estratégias são realizadas as ordens de compra e venda (gatilho)
e envidas para o Book de ofertas do mercado. Como a expectativa é de uma
tendência de curto prazo, a ecácia temporal é dada no processo de tomada
de mercado. Ao m da validade do gatilho, caso nenhuma das ordens (compra
e venda) não tenham sido executadas, ambos são canceladas. Caso ambas as
ordens sejam executadas, a estratégia produz lucro e o processo termina. A
4.4
Metodologia
29
ordem de compra pode ser executada parcial ou total. E caso o tempo de
validade do gatilho termine e a ordem de venda não seja executada, o simulador inicia um processo para repor o estoque da carteira, reduzindo o risco de
estratégia. Neste caso, o algoritmo utilizado pelo Market Maker, prevê outra
validade e envia uma nova ordem de venda para repor a carteira. A ordem de
limite é enviada pelo mesmo preço oferecido pelo mercado. Assim, uma nova
janela de tempo é esperada pelo algoritmo utilizado no simulador. Caso esta
ordem não for preenchida, este procedimento é repetido mais uma vez. No nal, caso a posição não seja fechada, uma ordem de venda no preço do mercado
é enviada para repor a carteira, evitando prejuízos acumulados. Mais detalhes
sobre o processo de Tomada de mercado pode ser visto em Irene (2013).
Na próxima fase serão apresentados os recursos utilizados para a análise dos
resultados encontrados nas simulações.
4.4.3 Análise de Resultados
Na fase de análise de resultados são apresentados relatórios, planilhas e grácos
contendo atributos e informações consolidadas sobre os ativos avaliados, que possam
ajudar a entender o comportamento do mercado de capitais, listadas a seguir:
• volume;
• preços (abertura, fechamento);
• quantidade de ações negociadas;
• variação do valor de mercado;
• variação de percentual;
• indicador de variação;
• temporais (faixa de horário);
• períodos (diário, semanal e mensal);
• preços (compra e venda);
• volume (negociado e social);
• indicadores nanceiros (preço, volume e volume da Web); e
• valores de preços dos movimentos das Ondas de Elliott que levaram a encontrar
uma possível oportunidade de negociação.
Esta fase possibilita a identicação e o mapeamento do cenário de comercialização de ativos e suas particularidades em relação a informações e dados referentes
a toda transação que envolve a identicação da oportunidade de negociação até a
realização das ordens de compra e venda (gatilho) no simulador realístico, contendo
informações sobre o retorno nanceiro de cada estratégia executada.
4.4
Metodologia
30
A metodologia proposta neste capítulo é um modelo cíclico, onde caso as informações não apresentem resultados consistentes, todas as etapas anteriores poderão
ser reprocessadas, com a mudança de parâmetros iniciais e a revalidação da metodologia proposta, onde cada processo das 4 (quatro) etapas envolvidas poderá ser
executado de forma unicada e ou coletiva.
Capítulo 5
Resultados Experimentais
Neste capítulo será aplicada toda a metodologia descrita no Capítulo 4 apresentando os experimentos realizados com os dados coletados da BMF&BOVESPA e da
Web, nas etapas de caracterização de dados, mineração de dados, modelagem de padrões de Elliott, propondo estratégias de comercialização de ativos, com o objetivo
de avaliá-las em um simulador realístico do mercado nanceiro.
5.1
Caracterização de Dados
A etapa de caracterização foi dividida em 5 (cinco) experimentos: Bottom 10
e Top 10, percentual de variação, vericação de faixa de horário de maior e menor variação, volume faturado e a análise dos dados de volume da Web, que serão
detalhados a seguir.
5.1.1
Bottom 10 e Top 10
Inicialmente realizou-se a caracterização com a variação de forma diária de um
período de dados de cotações entre 2008 a 2013 para a geração de um relatório
contendo as 10 (dez) menores e as 10 (dez) maiores ações, em relação ao atributo
volume faturado. O objetivo é validar a consistência dos dados utilizados, com
aplicações disponibilizadas na Web. Os atributos gerados nos relatórios são dados
consolidados e agrupados por: volume total faturado (em dinheiro), código da ação
e o nome da empresa.
Tabela 5.1: Layout Bottom 10
Volume Faturado
R$ 6,00
R$ 47,00
R$ 294,00
R$ 384,00
R$ 403,00
R$ 610,00
R$ 1.000,00
R$ 1.001,00
R$ 1.002,00
R$ 1.100,00
Código da Ação
CTXT11
CELP6
TENE7
CPTP3B
CASN3
BRGE6
VINE6
BRKM6
RANI4
COBE3B
31
Nome da Empresa
FII C TEXTIL
CELPA
TEC BLUMENAU
CAPITALPART
CASAN
ALFA CONSORC
VICUNHA TEXT
BRASKEM
CELUL IRANI
CONST BETER
5.1
Resultados Experimentais
32
Podemos vericar nas Tabelas 5.1 e 5.2, que uma mesma empresa pode possuir
um ou mais tipo de categoria de papeis de ações para negociações BMF&BOVESPA.
Tabela 5.2: Layout Top 10
Volume Faturado
R$ 22.500.184.220,00
R$ 18.746.143.490,00
R$ 10.786.228.794,00
R$ 9.168.759.322,00
R$ 9.070.058.490,00
R$ 6.473.602.631,00
R$ 6.292.922.133,00
R$ 5.776.697.680,00
R$ 5.009.509.975,00
R$ 4.338.234.233,00
Código da Ação
VALE5
PETR4
ITUB4
BBDC4
OGXP3
PETR3
BBAS3
BVMF3
VALE3
CIEL3
Nome da Empresa
VALE
PETROBRAS
ITAUUNIBANCO
BRADESCO
OGX PETROLEO
PETROBRAS
BRASIL
BMFBOVESPA
VALE
CIELO
Após o término da caracterização realizada os resultados da Tabela 5.1 e Tabela
5.2, foram validados de forma manual realizando consultas no InfoMoney 1 na opção
TOP 5 - aba volume, conforme Figura 5.1.
Figura 5.1: Site InfoMoney
Vericou-se que praticamente todos os códigos de ativos, os valores de volume
total faturado foram próximos e a ordem de classicação foi acertada, onde nesta fase
inicial, foi possível replicarmos esta aplicação que é utilizada há bastante tempo como
referência pelos seus usuários. A aplicação implementada possui um diferencial, pois
podemos realizar caracterizações para qualquer período, atributo e granularidade de
cotações históricas.
5.1.2 Percentual de variação
O percentual de variação é o valor da diferença entre os preços de (fechamento e
abertura) em percentuais para cada intervalo de granularidade de 15 minutos avaliado. Para este experimento, separei a análise em dois intervalos: diário e mensal.
1
Um dos maiores portais nanceiros independente do Brasil responsável por divulgar notícias,
matérias e opiniões, acessado no endereço: www.infomoney.com.br
5.1
Resultados Experimentais
5.1.2.1
33
Percentual de variação diário
Para este atributo calculado realizaram-se caracterizações de comparação entre o
código de ativo PETR4 e o Ibovespa representado pelo código de ativo BOVA11 em
uma série temporal. Na gura 5.2 apresentado o gráco referente ao percentual de
variação dos ativos PETR4 e BOVA11, com o intuito de vericar o comportamento
destes ativos ao longo de um período de um dia.
Figura 5.2: Percentual de Variação Diário
O ativo BOVA11 é um índice composto pelas ações emitidas por companhias
que respondem por aproximadamente 80% do volume nanceiro da bolsa de valores
brasileira (BMF&BOVESPA). O ativo PETR4 é o código das ações preferenciais
da empresa Petrobras Petróleo Brasileiro S/A que é uma empresa de capital aberto
(sociedade anônima), cujo acionista majoritário é o Governo Federal.
Ao analisar este período de um único dia, podemos vericar que o ativo BOVA11
na maior parte do tempo acompanha o comportamento do ativo PETR4. Isso
acontece porque PETR4 possui grande representatividade na composição do ativo
BOVA11. Outro fator interessante é que durante este período os maiores e menores
percentuais de varição ocorrem no período de abertura do pregão, ou seja, de 10h
às 12h.
5.1.2.2
Percentual de variação mensal
Realização da caracterização do indicador de percentual de variação de forma
consolidada mensal, para 37 ativos que compõem o Índice Bovespa (Ibovespa). O
resultado de cada um destes ativos é comparado com o ativo BOVA11, com o objetivo
de realizar uma classicação, identicando e ordenando os ativos que estão abaixo e
os ativos que estão acima do Ibovespa, em relação ao percentual de variação mensal.
Ativos acima do Ibovespa: Na Figura 5.3 são apresentados os percentuais de
variação consolidado mensal de todos os ativos que compõem o indicador IBOVESPA
que apresentaram variação acima deste índice representado pelo ativo BOVA11.
5.1
Resultados Experimentais
34
Figura 5.3: Percentual de Variação ordenado dos ativos acima do Ibovespa
Ativos abaixo do Ibovespa Na Figura 5.4 é apresentado o gráco com os
percentuais de variação abaixo do índice BOVA11. O resultado dos Percentuais de
Variação dos ativos foram ordenado de forma decrescente para facilitar a visualização, onde podemos vericar que encontramos variações abaixo do índice BOVA11
de até 30% negativo.
Figura 5.4: Percentual de Variação ordenado dos ativos abaixo do Ibovespa
Os ativos apresentados no gráco foram ordenados de forma crescente com a
nalidade de facilitar a visualização do comportamento dos ativos que possuem
5.1
Resultados Experimentais
35
percentual de variação acima do indicador BOVA11. Podemos vericar que no
período mensal encontraram-se percentuais de variação acima do índice BOVA11
com variações acima de 40% para alguns casos, o que justica a continuação desta
pesquisa com o intuito de entender melhor este tipo de comportamento apresentado.
5.1.3 Faixa de horário de maior e menor variação
A faixa de horário de maior e menor variação é vericada em relação ao atributo
de percentual de variação do ativo PETR4 consolidado de forma diária por um
período de 18 dias. O percentual de variação é calculado em relação ao preço de
abertura e fechamento de forma diária.
Tabela 5.3: Percentual de maior e menor variação do ativo PETR4
Ação - Período
PETR4 - 20130308
PETR4 - 20130313
PETR4 - 20130328
PETR4 - 20130304
PETR4 - 20130306
PETR4 - 20130326
PETR4 - 20130312
PETR4 - 20130318
PETR4 - 20130320
PETR4 - 20130305
PETR4 - 20130321
PETR4 - 20130319
PETR4 - 20130325
PETR4 - 20130327
PETR4 - 20130315
PETR4 - 20130307
PETR4 - 20130311
PETR4 - 20130314
Hora >
10:00
10:00
10:00
10:15
10:45
10:45
11:00
11:15
11:15
11:45
12:30
13:15
14:15
14:15
14:30
15:15
17:00
17:15
Maior Variação
1,157
0,947
0,378
0,648
1,307
0,424
0,735
0,523
0,791
0,599
0,212
0,527
0,431
0,324
0,514
1,643
1,814
0,880
Hora <
11:30
15:15
12:00
12:00
17:15
13:00
17:15
16:15
10:45
10:15
16:45
15:15
12:15
10:00
10:15
15:30
10:00
11:45
Menor Variação
-1,612
-0,850
-0,547
-0,599
-0,830
-0,375
-0,531
-0,520
-1,015
-0,786
-0,377
-0,527
-0,646
-0,758
-1,144
-1,459
-1,667
-0,480
Conforme apresentado na Tabela 5.3 os retornos são agrupados pelos atributos
código da ação e o período avaliado no formato (ano, mês e dia), "Hora >"é o
horário que ocorreu o maior percentual de variação e a maior variação em percentual,
"Hora <"é o horário em que há uma menor variação, seguido da menor variação em
percentual.
Ao analisar a Tabela 5.3, podemos vericar que os horários que possuem o maior
percentual de variação é no período da manhã, no intervalo de 10h às 12h o que
coincide com a abertura do pregão. Outro fator relevante neste período, que justica
as maiores oscilações, é que às 11h ocorre a início da Bolsa de Valores Norte Americana, onde de maneira direta ou indireta, afeta os preços dos ativos negociados na
BMF&BOVESPA.
5.1.4 Volume faturado
O atributo volume faturado é o valor faturado em dinheiro pelo ativo. A Tabela
5.4 apresenta de forma consolidada dia a dia os volumes de maior e menor variação
5.1
Resultados Experimentais
36
e os seus respectivos horários que foram registrados, no arquivo de 1/4 de hora
durante o mês de março de 2013 para o ativo PETR4.
Ação - Período
PETR4 - 20130321
PETR4 - 20130327
PETR4 - 20130318
PETR4 - 20130306
PETR4 - 20130315
PETR4 - 20130312
PETR4 - 20130313
PETR4 - 20130304
PETR4 - 20130308
PETR4 - 20130326
PETR4 - 20130311
PETR4 - 20130320
PETR4 - 20130305
PETR4 - 20130328
PETR4 - 20130325
PETR4 - 20130319
PETR4 - 20130307
PETR4 - 20130322
PETR4 - 20130314
Tabela 5.4: Volume faturado
Hora <
13:30
13:45
14:45
13:00
13:30
14:00
14:30
11:15
13:00
14:30
14:45
14:15
15:15
12:45
13:45
10:15
14:00
13:15
10:45
Volume Menor
3.124.124
1.979.922
9.751.326
9.306.049
6.348.697
5.736.432
5.699.150
6.312.413
3.742.059
1.742.977
4.570.848
6.149.441
4.629.503
3.917.828
5.223.390
7.289.917
13.127.399
1.422.904
6.173.048
Hora >
10:00
10:00
10:00
10:15
10:15
10:15
10:15
10:30
10:30
10:45
10:45
11:15
11:15
12:00
12:00
15:15
15:30
16:15
17:00
Volume Maior
33.486.196
17.919.226
43.509.793
141.811.900
57.814.690
48.146.656
60.970.937
23143426
46.963.239
20.125.810
33.068.407
42.870.234
40.968.422
21.509.488
31.860.073
69.742.132
96.937.002
28.166.732
47.386.237
Ao analisar os dados apresentados na Tabela 5.4, veriquei que os horários que
possuem maior probabilidade de ocorrer a maior quantidade de volume faturado
em dinheiro para este ativo especíco PETR4 é ao longo de um mês no período da
manhã de 10h às 12h. De um período de 19 dias úteis, 15 destes dias no período
da manhã, ou seja, o período de abertura do pregão, incidiu nos maiores volumes
faturados deste ativo, o que corresponde a aproximadamente 78,9%.
Em contrapartida os horários que registraram os menores valores de volume
faturado para este mesmo período de 19 dias úteis foram no período da tarde de 13h
às 14h45. Registrando desta forma, uma probabilidade de 84,2% aproximadamente,
onde 16 dias de um total de 19 registraram este comportamento no período da tarde.
5.1.5 Análise dos Dados da Web
Como previamente mencionado, a Web está desempenhando um papel cada vez
mais importante em vários setores, não é diferente no mercado de investimento.
A Tabela 5.5 fornece informações acerca de coletas de dados reais disponibilizados
na Web oriundos de microblog (twitter ), portais de conteúdo (notícias) e portais
especializados em investimento (fontes especializadas).
Tabela 5.5: Volume da coleta de dados da Web
Ativo Tweets Fontes Especializadas Notícias
PETR4
11.160
43.164
8.668
11.348
VALE3
13.204
48.213
OGXP3
10.573
43.072
8.153
BOVA11
55.723
61.472
15.985
5.1
Resultados Experimentais
37
Vericou-se um grande volume de dados disponíveis com potencial para estudo
mais aprofundado e identicação de padrões que podem servir de base para tomada
de decisão. São dados sociais de volume coletados sobre as ações, setores e empresas que compõem o Ibovespa, representado pelo código de ativo BOVA11, que
movimentam aproximadamente 80% do mercado de ações no país.
Figura 5.5: Volume de dados de fontes especializadas por data
Além disso, foram gerados grácos com o volume dos dados de fontes especícas
do mercado nanceiro Figura 5.5, portais de notícias Figura 5.6 e tweets Figura
5.7 para as ações, sendo possível observar um padrão de variação dos ativos e do
Ibovespa.
Figura 5.6: Volume de notícias por data
A Figura 5.8 ilustra o número de tweets versus volume nanceiro para a ação
VALE3. O objetivo foi a identicação de correlações e possíveis padrões que possam
5.2
Resultados Experimentais
38
Figura 5.7: Volume de Tweets por data
Figura 5.8: Tweets e Volume nanceiro (ação VALE3)
explicar comportamentos dos ativos em relação ao que se observa sobre o volume
de dados na Web. Percebe-se um comportamento (queda e subida) semelhante do
volume das informações das mais diversas fontes por ativo. Além disso, o BOVA11
apresenta sempre o maior número de citações, o que era esperado, uma vez que
representa como um todo a bolsa de valores.
5.2
5.2
Resultados Experimentais
39
Mineração de Dados
A etapa de mineração de dados apresenta a avaliação de padrões e tendências
com a identicação de sequências de variações utilizando a atribuição de regras de
associação mais frequentes com percentuais mínimos de suporte e conança; e a
vericação da ocorrência da Teoria das Ondas de Elliott nas séries temporais dos
dados de cotações histórica disponibilizados pela BMF&BOVESPA.
Após a geração do indicador de variação, analisamos um período de 6 (seis) dias,
tratando cada intervalo de tempo (granularidade) de 15 minutos como um atributo
que poderia conter 5 tipos de possibilidades.
Realizamos a vericação de técnicas de associação de mineração de dados com o
software livre WEKA, nesta série temporal, através da opção de regras de associação
para a utilização dos seguintes algoritmos já existentes no aplicativo: o Apriori
e o Generalized Sequential Pattern algorithm (GSP). O algoritmo Apriori com o
objetivo de encontrar as possíveis regras de associação mais frequentes dos status em
relação aos percentuais de suporte e conança. E o algoritmo GSP com o objetivo
de encontrar as sequencias mais frequentes em relação à um suporte mínimo de
conança.
Identicamos todos os itens frequentes em um nível, contando as ocorrências
de todos os elementos únicos no banco de dados. Então as operações são ltrados
por remoção dos itens não frequentes. No m deste passo, cada transação consiste
apenas nos elementos mais frequentes. Esta base de dados modicada torna-se uma
entrada para o algoritmo GSP. Este processo requer uma passagem ao longo de toda
a base de dados.
Como resultados iniciais o aplicativo WEKA possui a função histograma, que
apresentada dados estatísticos em relação ao período avaliado e os indicadores de
variação apresentados contendo os totais por dia, onde podemos avaliar quais os dias
que mais e menos oscilaram, onde é possível com o algoritmo GSP gerar diversas
combinações de sequencias de 2, 3, 4 e 5 movimentos.
Tabela 5.6: Regras de conança encontras no
Ocorrências Percentual
Antecedente
12:00 CAIU
13:00 SUBIU
7
41,80%
10:45 SUBIU
10:45 SUBIU
14:15 SUBIU
8
47,05%
11:15 CAIU
9
52,94%
13:00 SUBIU
aplicativo WEKA
Consequente
13:00 SUBIU
15:30 SUBIU
12:00 CAIU
13:15 SUBIU
15:45 SUBIU
12:30 SUBIU
16:00 CAIU
Analisamos as 20 primeiras regras de conança identicadas em relação aos atributos: quantidade de ocorrências, percentual de variação, horário e status de variação antecedentes e consequente, ou seja, toda vez que em um determinado horário o
status de variação sobe, sempre em outro cai, em um determinado horário, conforme
Tabela 5.6.
A tentativa de reconhecer padrões não é simples, pois quanto maior o tamanho da
composição da combinação avaliada (movimento) do percentual de variação, menor é
5.3
Resultados Experimentais
40
a quantidade de repetições encontradas, dicultando na identicação de um padrão
de comportamento. No entanto, ao comparar algumas sequencias de variação de
movimento encontradas, visualizou-se nitidamente ciclos de repetição, apresentando
subsídios baseados nos trabalhos levantados no capítulo de Fundamentação Teórica,
para uma possível aplicação da Teoria das Ondas de Elliott, nestas sequencias de
variação caracterizadas.
5.3
Modelagem dos Padrões de Elliott
Por ser necessário a geração de testes treino de simulação para encontrar o melhor retorno e ponto inicial, existe uma diculdade para identicar sequencias de
padrões em dados do mercado nanceiro. Porém, encontramos algumas sequencias
de variação e ciclos de repetição que podem ser aplicados por outras técnicas.
Implementamos uma aplicação na liguagem de programação JAVA com o objetivo de identicar as Ondas de Elliott utilizando como entrada os atributos preços,
percentuais e indicadores gerados de forma diária, vericando a granularidade de
tempo de 15 minutos com a janela de operação de 10h às 16h20, conforme algoritmo
apresentado na Figura 5.9.
Figura 5.9: Algoritmo implementado das Ondas de Elliott
Como resultados, preparei esta aplicação para armazenar os seguintes atributos:
nome da onda, horário de ocorrência, data, dia da semana e percentual. Nesta teoria,
defende-se que o mercado de ações segue um padrão de cinco ondas de subida e três
ondas de descida, de forma a completar um ciclo inteiro.
O objetivo foi de conrmar a sua existência e identicar uma forma de aplicação
para tentar antecipar certas fases e ciclos da Bolsa de Valores. Como indicadores
de caracterização e tomada de decisão em relação às Ondas de Elliott podemos
vericar de forma automatizada os seguintes grácos: quantidade de ocorrência por
granularidade (candle ), quantidade de ocorrência semanal, a imagem geométrica da
onda encontrada, amplitude das ondas e períodos que não ocorrem as ondas.
5.3
Resultados Experimentais
41
O gráco 5.10 apresenta uma Onda de Elliott avaliando o atributo Percentual
de Variação que iniciou às 16h da sexta-feira dia 01 de janeiro de 2013 e nalizou às
10h do dia 29 de janeiro de 2013. Totalizando 28 dias corridos com um percentual
de variação de 1,2% no período avaliado.
Figura 5.10: Ondas de Elliott de um único período
O gráco 5.11 apresenta uma Onda de Elliott de um único dia avaliando o
atributo Percentual de Variação no período de 10h às 13h45. A variação total
deste período foi de 1,0%, iniciando-se com o valor de -0,4% e atingindo o valor de
0,6%.
Figura 5.11: Ondas de Elliott de um único dia
O gráco 5.12 apresenta várias Ondas de Elliott durante um período de 2 meses
com intervalos entre ondas. O período avaliado foi de 10:00 do dia 02 de janeiro de
2013 (quarta-feira) até as 12h de 26 de fevereiro de 2013 (terça-feira). Neste período
5.3
Resultados Experimentais
42
ocorreram 12 ciclos completos de 5 Ondas de Elliott, com percentual de variação
chegando até 1,7% em determinados ciclos. Porém o percentual de variação total
do horário início de 10:00 até o horário m de 12h foi de apenas 0,1%.
Figura 5.12: Ondas de Elliott de um único período de 2 meses
O gráco 5.13 apresenta várias Ondas de Elliott durante um período de 2 meses
sem intervalos entre Ondas. O período avaliado foi de 10:00 do dia 02 de janeiro
de 2013 (quarta-feira) até as 12:00 de 26 de fevereiro de 2013 (terça-feira). Neste
período ocorreram 12 ciclos completos de 5 Ondas de Elliott, com percentual de
variação chegando até 1,7% em determinados ciclos. Porém o percentual de variação
total do horário início de 10h até o horário m de 12h foi de apenas 0,1%.
Figura 5.13: Várias Ondas de Elliott de um período de 2 meses sem intervalo
5.4
Resultados Experimentais
43
Os resultados gerados mostram que ao aplicar a teoria das Ondas de Elliot nos
atributos para todos os ativos avaliados a maior ocorrência de Ondas encontradas
foram no período entre 10:15 e 15h30. Um total de 80% dos ativos avaliados, as
melhores ocorrências foram no período de 10h15 às 12h, ou seja, o período da manha,
que é o período da abertura do pregão.
Vericou-se no período avaliado que a Teoria das Ondas de Elliott ocorre nos
arquivos de cotações históricas do mercado nanceiro, porém no processo de identicação utiliza-se como ponto inicial o atributo (data e hora), que por sua vez,
inuenciam de maneira linear no resultado do retorno da quantidade de 5 Ondas
completas encontradas. Desta forma, realizamos uma vericação prévia de maneira
recursiva, via parâmetro, com o objetivo de maximizar a quantidade de Ondas de
Elliott encontradas, o cálculo do ponto inicial considerado ótimo, dentro do intervalo
escolhido pelo usuário previamente na aplicação.
5.4
Estratégias de Comercialização de Ativos
A etapa de estratégias de comercialização de ativos está inserida nas fases de modelagem e implementação de estratégias de negociação e a experimentação através de
um simulador realístico do mercado nanceiro, com a apresentação da sequencia de
realização dos experimentos, os parâmetros utilizados nas simulações, as estratégias
e os ativos avaliados.
Os dados utilizados para os experimentos incluem informações reais de cotações
históricas coletados da BMF&BOVESPA e dados coletados de volume da Web, onde
foram contempladas nas avaliações as seguintes empresas que fazem parte Ibovespa,
por possuírem uma maior representatividade em relação ao volume negociado, representando diferentes setores da economia, como petróleo e gás, mineração, bancos
e siderurgia:
• Banco Bradesco SA (BBDC4);
• Banco do Brasil SA (BBSA3);
• Usinas Siderúrgicas de Minas Gerais SA (USIM5);
• Brasileiro SA Petrobras (PETR4) e;
• Vale S.A (VALE5).
A janela de operação das estratégias de negociação utilizou o período de 10h
às 16h20, com a realização de ordens de (compra e Venda) de ativos iniciando e
nalizando no mesmo dia. As simulações foram divididas em duas etapas: Experimentos 1, contendo somente estratégias de preço e experimento 2, constituído das
estratégias de preço, volume e volume da Web acrescidas de indicadores nanceiros,
que serão detalhadas a seguir.
5.4.1 Experimento 1: Estratégias de preço
O experimento 1 avaliou o comportamento das estratégias, conhecendo o cenário
e o impacto do resultado do retorno nanceiro nas negociações, com o objetivo
de selecionar as congurações que encontraram os melhores retornos nanceiros.
5.4
Resultados Experimentais
44
As simulações foram realizadas utilizando os seguintes parâmetros e congurações
durante o experimento:
• Estratégias: 2 (duas) iniciais (Rompimento e Correção);
• Fontes de Dados: dados ociais da BMF&BOVESPA;
• Atributos avaliados: Preços (abertura e fechamento);
• Granularidades: 1, 5, 10 e 15 minutos;
• Preço de variação de fechamento: R$ 0,02 à R$ 0,07;
• Volume de negociação: 100 papeis no Gatilho;
• Ativos avaliados: BBDAS3, BBDC4, PETR4, USIM5 e VALE;
• Período avaliado: 15 dias de Setembro a Outubro de 2013; e
• Resultado avaliado: atributo retorno nanceiro.
Figura 5.14: Experimento 1
Ao iniciar o experimento, para cada estratégia avaliada, o simulador nanceiro
conforme a Figura 5.14, recebe o valor do candlestick e tenta identicar uma oportunidade, ou seja, uma possível onda e/ou um movimento completo que caracterizam
as estratégias (Rompimento ou Correção).
Figura 5.15: Algoritmo experimento 1
5.4
Resultados Experimentais
45
Tabela 5.7: Resultados - Estratégia de Rompimento
Ativos Granularidade Preço de Variação Retorno Financeiro
1
5
10
0.03
0.06
0.05
-27.87
-8.35
0.39
15
0.06
0.78
15
0.05
15
0.04
0.07
0.07
-24.83
-1.96
PETR4
10
0.05
0.03
0.04
0.07
-1.00
-6.22
-27.43
-2.30
VALE5
10
0.07
3.65
BBAS3
BBDC4
USIM5
1
5
10
1
5
10
1
5
15
1
5
15
0.06
0.07
0.04
0.05
0.05
0.07
0.07
-32.13
-1.13
-3.22
1.87
-15.04
-3.70
-0.17
0.87
2.61
Tabela 5.8: Resultados - Estratégia de Correção
Ativos Granularidade Preço de Variação Retorno Financeiro
BBAS3
BBDC4
1
5
10
0.05
0.03
0.06
15
0.07
15
0.03
10
0.03
0.06
0.05
0.07
0.05
-0.26
-5.74
-2.04
-3.61
15
0.04
-1.35
10
0.07
1
5
10
1
5
USIM5
PETR4
15
1
5
10
1
5
VALE5
15
0.06
0.03
0.04
0.03
0.04
0.04
0.04
0.07
-7.00
-0.87
-1.04
2.35
-8.78
-5.09
-1.91
0.13
-3.13
-0.30
1.00
-5.65
0.91
2.35
-1.74
Após a oportunidade identicada, o algoritmo implementado, Figura 5.15, verica a possibilidade de operar para iniciar o processo de formação de mercado (market
maker ) e, consequentemente, enviar ordens de compra e venda (gatilho).
Para os parâmetros e congurações utilizadas, os resultados das estratégias encontramos, o atributo retorno nanceiro por ativo e estratégia com poucos valores
positivos e uma maior quantidade de ocorrências e valores negativos e ou próximos
5.4
Resultados Experimentais
46
de zero. As Tabelas 5.7 e 5.8 apresentam os resultados encontrados separados pelos
parâmetros: ativos, granularidade, preço de variação e retorno nanceiro.
Analisando os retornos nanceiros, vericou-se que para as granularidades maiores de 10 e 15 minutos foram encontrados uma maior quantidade de valores positivos.
E para as granularidade menores de 1 e 5 minutos foram encontrados uma maior
quantidade de valores negativos, justicando que os movimentos que caracterizam
as estratégias (Rompimento e Correção), para intervalos de granularidades menores
estavam encontrando mais ruídos do que possíveis movimentos de Ondas de Elliott.
Vericamos que as estratégias ora funcionavam e muitas vezes erravam, e, desta
forma, visualizamos a necessidade de detalhar cada ordem de compra e venda negociada (gatilho) juntamente com os demais atributos que compunham estes gatilhos,
com o objetivo de analisar possíveis características que levavam uma certa oportunidade de negociação identicada pelas estratégias, acertar ou errar os preço (compra
e venda) de um determinado ativo.
Quando a oportunidade de negociação era identicada pelas estratégias (Rompimento e Correção), ocorreu a necessidade de avaliar outras informações e ou indicadores que pudessem trazer subsídios para (Executar) ou (Cancelar) um determinado
gatilho, limitando desta forma, a quantidade de ordens de compra e venda, potencializando gatilhos que acertam e consequentemente minimizando gatilhos que erram.
Como calibragem das oportunidades de negociação encontradas, propomos a
realizado de outra simulação, onde as estratégias iniciais (Rompimento e Correção)
foram acrescidas de indicadores nanceiros de preço, volume e volume da Web,
gerando desta forma, novas estratégias que serão detalhadas no experimento 2 a
seguir.
5.4.2 Experimento 2: Estratégias com indicadores nanceiros
O experimento 2 contempla estratégias acrescidas de indicadores nanceiros, que
realizaram a calibragem das estratégias iniciais (Rompimento e Correção) gerando
novas 42 (quarenta e duas) estratégias utilizando indicadores nanceiros de Preço,
Volume e Volume de Dados da Web, este ultimo como mais uma fonte de informação,
para reduzir a quantidade de oportunidades de negociações (gatilhos) enviados como
ordem de mercado, com o objetivo de minimizar possíveis ruídos, tentando entender
o que leva um gatilho obter lucro ou prejuízo. As simulações utilizaram os seguintes
parâmetros e congurações do plano experimental:
• Estratégias: 42 (quarenta e duas), onde 21 de Rompimento e 21 de Correção
com indicadores nanceiros;
• Indicadores de preço: Índice de Força Relativa, Média Móvel Simples e
Média Móvel Exponencial;
• Indicadores de volume: Média Móvel Simples de Volume(SMA_V), Índice
de Fluxo de Dinheiro (MFI) e On Balance Volume(OBV); e
• Indicadores de volume da Web: todos os indicadores de volume (SMA_V,
MFI e OBV), porém utilizando dados de volume da Web;
• Fontes de Dados: BMF&BOVESPA e dados oriundos da Web;
5.4
Resultados Experimentais
47
• Atributos avaliados: Preços (abertura e fechamento);
• Granularidade: 15 minutos;
• Preço de variação de fechamento: de R$ 0,03 e R$ 0,05;
• Volumes de negociação: 100, 1.000 e 10.000 papeis no gatilho;
• Ativos avaliados: BBDAS3, BBDC4, PETR4, USIM5 e VALE;
• Período avaliado: 15 dias de Setembro a Outubro de 2013; e
• Resultado avaliado: atributo retorno nanceiro.
Figura 5.16: Experimento 2
Ao iniciar o experimento, para cada estratégia avaliada, o simulador nanceiro
recebe o valor do candlestick e tenta identicar uma oportunidade, ou seja, uma
possível onda e ou um movimento completo que caracterizam as estratégias (Rompimento ou Correção), conforme a Figura 5.16.
Figura 5.17: Algoritmo experimento 2
Após a oportunidade identicada, o algoritmo implementado, Figura 5.17, verica a possibilidade de operar. Caso as estratégias iniciais sejam contempladas, é
5.4
Resultados Experimentais
48
executado o indicador nanceiro (preço, volume e volume da Web) avaliado em questão. Caso o retorno do indicador nanceiro não tenha nenhuma restrição, inicia-se
o processo de formação de mercado (market maker ) e consequentemente é enviado
ordens de compra e venda (gatilho). Caso contrário, a oportunidade identicada é
descartada.
Devido à grande quantidade de atributos gerados na simulação, este experimento
limitou-se a analisar somente o atributo retorno nanceiro das 42 estratégias com indicadores nanceiros. Apresentando os 3 melhores e os 3 piores retornos nanceiros
encontrados. No entanto, para esta simulação foram gerados outros 27 novos atributos que fazem parte da identicação dos movimentos das estratégias de negociação
baseadas na Teoria das Ondas Elliott até a execução da ordem de compra e venda
(gatilho), que podem conter informações de padrões, tendências e comportamentos
que originam o lucro ou o prejuízo.
Como por exemplo, são dados caracterizados de informações nominais, preços,
volumes, retornos, valores das ondas identicadas, data e hora da compra e da
venda, dia da semana, indicadores de tendência de volume e retornos dos indicadores nanceiros utilizados. É importante ressaltar que estes dados caracterizados
e armazenados são fontes de informações e oportunidades para futuras análises e
extensão deste trabalho.
5.4.3 Análise de Resultados
A etapa da análise de resultados apresenta informações grácas e tabuladas das
avaliações nanceiras, através dos experimentos realizados no simulador realístico
do mercado nanceiro.
Tabela 5.9: Estratégias de Rompimento
Indicador Financeiro
Sem indicador
Média Móvel Simples (SMA)
Média Móvel Exponencial (EMA)
Índice de Força Relativa (RSI)
Média Móvel Volume (SMA_V)
Índice de Fluxo de Dinheiro (MFI)
On Balance Volume (OBV)
Média Móvel Volume (SMA_V)
Índice de Fluxo de Dinheiro (MFI)
On Balance Volume (OBV)
Média Móvel Volume (SMA_V)
Índice de Fluxo de Dinheiro (MFI)
On Balance Volume (OBV)
Média Móvel Volume (SMA_V)
Índice de Fluxo de Dinheiro (MFI)
On Balance Volume (OBV)
Média Móvel Volume (SMA_V)
Índice de Fluxo de Dinheiro (MFI)
On Balance Volume (OBV)
Média Móvel Volume (SMA_V)
Índice de Fluxo de Dinheiro (MFI)
On Balance Volume (OBV)
Tipo
Dados
Preço
BMF&BOVESPA
BMF&BOVESPA
Web Facebook
Web Tweets
Web Fórum
Volume
Web News
Web Consolidado
Código Estratégia
EPR01
EPR02
EPR03
EPR04
EPR05
EPR06
EPR07
EWR08
EWR09
EWR10
EWR11
EWR12
EWR13
EWR14
EWR15
EWR16
EWR17
EWR18
EWR19
EWR20
EWR21
EWR22
5.4
Resultados Experimentais
49
Foram propostas 44 (quarenta e quatro) estratégias (Rompimento e Correção),
compostas de indicadores nanceiros (preço, volume e volume da Web), utilizando
dados da BMF&BOVESPA e dados coletados na Web oriundos de fórum, facebook,
tweets, news e um consolidado destes dados da Web, detalhadas nas Tabelas 5.9 e
5.10.
Tabela 5.10: Estratégias de Correção
Indicador Financeiro
Sem indicador
Média Móvel Simples (SMA)
Média Móvel Exponencial (EMA)
Índice de Força Relativa (RSI)
Média Móvel Volume (SMA_V)
Índice de Fluxo de Dinheiro (MFI)
On Balance Volume (OBV)
Média Móvel Volume (SMA_V)
Índice de Fluxo de Dinheiro (MFI)
On Balance Volume (OBV)
Média Móvel Volume (SMA_V)
Índice de Fluxo de Dinheiro (MFI)
On Balance Volume (OBV)
Média Móvel Volume (SMA_V)
Índice de Fluxo de Dinheiro (MFI)
On Balance Volume (OBV)
Média Móvel Volume (SMA_V)
Índice de Fluxo de Dinheiro (MFI)
On Balance Volume (OBV)
Média Móvel Volume (SMA_V)
Índice de Fluxo de Dinheiro (MFI)
On Balance Volume (OBV)
Tipo
Dados
Preço
BMF&BOVESPA
BMF&BOVESPA
Web Facebook
Web Tweets
Web Fórum
Volume
Web News
Web Consolidado
Código Estratégia
EPC23
EPC24
EPC25
EPC26
EPC27
EPC28
EWC29
EWC30
EWC31
EWC32
EWC33
EWC34
EWC35
EWC36
EWC37
EWC38
EWC39
EWC40
EWC41
EWC42
EWC43
EWC44
A avaliação nanceira apresenta o atributo retorno nanceiro encontrado durante as simulações. Para cada um dos 5 (cinco) ativos avaliado (BBAS3, BBDC4,
PETR4, USIM5 e VALE5) foram realizadas 12 (doze) combinações, contemplando
6 (seis) retornos de estratégias de Rompimento e 6 (seis) retornos de estratégias de
Correção, para 3 (três) combinações de volumes (100, 1.000 e 10.000), variando o
preço de fechamento em (R$ 0,03 e R$ 0,05), totalizando 60 (sessenta) combinações
de experimentos.
5.4
Resultados Experimentais
5.4.3.1
50
Banco do Brasil SA (BBAS3)
Estratégias de Rompimento: os melhores retornos nanceiros encontrados
durante as simulações utilizaram estratégias baseadas no volume da Web, onde
destacamos a estratégia Média Móvel de Volume de News (EWR17), que para um
total de 6 (seis) combinações apresentou o melhor retorno em 5 (cinco), conforme
apresentado no Gráco 5.18.
Figura 5.18: BBAS3 - Estratégias de Rompimento
5.4
Resultados Experimentais
51
Estratégias de Correção: para todas as simulações, todas as estratégias avaliadas, encontraram o mesmo retorno nanceiro, conforme apresentado no Gráco
5.19.
Figura 5.19: BBAS3 - Estratégias de Correção
5.4.3.2
Banco Bradesco SA (BBDC4)
Estratégias de Rompimento: os melhores retornos nanceiros encontrados
durante as simulações utilizaram estratégias baseadas no volume da BMF&BOVESPA,
onde destacamos a estratégia Média Móvel de Volume (EPR05), que para um total de 6 (seis) combinações apresentou o melhor retorno em 5 (cinco), conforme
apresentado no Gráco 5.20.
5.4
Resultados Experimentais
52
Figura 5.20: BBDC4 - Estratégias de Rompimento
Estratégias de Correção: para as 6 (seis) simulações, 5 (cinco) encontraram o
mesmo retorno nanceiro, e somente 1 (uma) simulação, 4 (quatro) de suas estratégias de volume da Web, obtiveram melhores retornos nanceiros, com destaque para
as estratégias On Balance Volume Facebook (EWC32), On Balance Volume News
(EWC41) e On Balance Volume Consolidado (EWC44), conforme apresentado no
Gráco 5.21.
5.4
Resultados Experimentais
53
Figura 5.21: BBDC4 - Estratégias de Correção
5.4.3.3
Petróleo Brasileiro SA Petrobras (PETR4)
Estratégias de Rompimento:: os melhores retornos nanceiros encontrados
durante as simulações utilizaram estratégias baseadas no preço da BMF&BOVESPA,
onde destacamos as estratégias Média Móvel Simples (EPR04) e Média Móvel Exponencial (EPR03), que para um total de 6 (seis) combinações apresentou os melhores
retornos em 5 (cinco), conforme apresentado no Gráco 5.22.
5.4
Resultados Experimentais
54
Figura 5.22: PETR4 - Estratégias de Rompimento
Estratégias de Correção: para as 6 (seis) simulações, 5 (cinco) encontraram o
mesmo retorno nanceiro, e somente 1 (uma) simulação, a estratégia Índice de Fluxo
de Dinheiro de Tweets (EWC34) obteve um retorno nanceiro positivo destacandose sobre as demais, conforme apresentado no Gráco 5.23.
5.4
Resultados Experimentais
55
Figura 5.23: PETR4 - Estratégias de Correção
5.4.3.4
Usinas Siderúrgicas de Minas Gerais SA USIMINAS (USIM5)
Estratégias de Rompimento: o melhor retorno nanceiro encontrado durante
as simulações utilizou estratégia baseadas no volume da BMF&BOVESPA, onde
destacamos a estratégia On Balance Volume (EPR07), onde para um total de 6 (seis)
combinações apresentou os melhor retorno nanceiro em todos os experimentos,
conforme apresentado no Gráco 5.24.
5.4
Resultados Experimentais
56
Figura 5.24: USIM5 - Estratégias de Rompimento
Estratégias de Correção: para as 6 (seis) simulações, em todas as combinações
os retornos nanceiros foram iguais e não ocorreu nenhuma melhora, apresentando
somente resultados negativos, conforme apresentado no Gráco 5.25.
5.4
Resultados Experimentais
57
Figura 5.25: USIM5 - Estratégias de Correção
5.4.3.5
Vale S.A (VALE5)
Estratégias de Rompimento: o melhor retorno nanceiro encontrado durante
as simulações utilizou estratégia baseadas no volume da Web, onde destacamos a
estratégia Índice de Fluxo de Dinheiro (EWR15), onde para um total de 6 (seis)
combinações apresentou os melhor retorno nanceiro em 5 (Cinco) experimentos,
conforme apresentado no Gráco 5.26.
5.4
Resultados Experimentais
58
Figura 5.26: VALE5 - Estratégias de Rompimento
Estratégias de Correção: para as 6 (seis) simulações, em todas as combinações
os retornos nanceiros foram iguais e não ocorreu nenhuma melhora, apresentando
somente resultados positivos, conforme apresentado no Gráco 5.27.
5.4
Resultados Experimentais
59
Figura 5.27: VALE5 - Estratégias de Correção
Durante as simulações das 44 (quarenta e quatro) estratégias modeladas e avaliadas, para os 5 (cinco) ativos (BBAS3, BBDC4, PETR4, USIM5 e VALE5), destacamos em relação ao retorno nanceiro encontrado, o desempenho de 4 (quatro)
estratégias acrescidas de indicadores nanceiros, sendo duas de dados oriundos da
Web e as outras duas utilizando dados da BMF&BOVESPA.
As melhores estratégias encontradas com retorno nanceiro positivo nas simulações oriundas de dados da Web foram baseadas no movimento de Rompimento
utilizando o indicador nanceiro de Índice de Fluxo de Dinheiro de com dados de
fórum (EWR20) seguida da estratégia de Rompimento acrescida do indicador nanceiro Média Móvel de Volume Consolidado da Web (EWR20).
As melhores estratégias encontradas com retorno nanceiro positivo nas simulações oriundas de dados da BMF&BOVESPA foram baseadas no movimento de
Rompimento utilizando indicadores nanceiros de Média Móvel de Volume de Preço
(EPR05), seguida da estratégia On Balance Volume de Preço (EPR07).
Capítulo 6
Conclusão
Os indicadores e atributos que são empregados no mercado nanceiro, foram
classicados de diversas formas, acrescentando quanticadores, percentuais que são
extraídos de fontes ociais da BMF&BOVESPA e de dados coletados de volume
da Web, co intuito de facilitar o reconhecimento de algum tipo de comportamento,
sequência e ou padrão apresentado no mercado de capitais.
Identicamos nas simulações uma probabilidade alta de ocorrência de picos de
percentuais de variação no mercado nanceiro para os ativos avaliados no período
da manhã entre 10h às 11h45, tanto para a quantidade de maior variação negativa
quanto positiva, onde na média de um total de 20 (vinte) ativos avaliados, 72,5%
deles apresentaram seus comportamentos extremos de variação neste período.
Realizamos a denição de 5 (cinco) status de sequência de variação que são extraídos do resultado da diferença entre o preço de fechamento e o preço de abertura,
padronizando um novo indicador para a realização de mineração de dados nesta série
temporal.
Vericamos as técnicas de associação de mineração de dados, onde se utilizou
o software livre WEKA, que utiliza como arquivo de entrada de dados a sequência
de variação dos candles gerados pelo aplicativo na fase de caracterização dos dados
iniciais das cotações históricas. Neste software foi utilizado as regras de associação
com os algoritmos Apriori e o GSP, com o objetivo de encontrar as possíveis regras
de associação e sequências mais frequentes dos status em relação aos percentuais de
Suporte e Conança.
Com o algoritmo GSP geramos diversas combinações de sequências de 2, 3, 4 e
5 movimentos, porém quanto maior a quantidade de movimento, menos encontramse repetições e ou identicação de um padrão de comportamento. No entanto, ao
comparar algumas sequências de variação de movimento, foi visualizado nitidamente
ciclos de repetição, onde foi relacionada estas oscilações à Teoria das Ondas de
Elliott.
Realizamos o entendimento e a implementação da Teoria das Ondas de Elliott
em relação aos atributos preços, percentuais e indicadores gerados de forma diária,
vericando candlestick de 15 minutos no período de 10h às 17h30. Como indicadores
de caracterização e tomada de decisão em relação às Ondas de Elliott apresentou-se
como resultados os seguintes atributos: nome da onda, data e horário de ocorrência,
retorno dos indicadores nanceiros, indicador de tendência de volume, volume do
candlestick, volume anterior do candlestick, dentre outros.
60
6.0
Conclusão
61
Nesta teoria, defende-se que o mercado de ações segue um padrão de cinco ondas
de subida e três ondas de descida, de forma a completar um ciclo inteiro. O objetivo
da implementação foi a conrmação sua existência e identicação de uma forma de
aplicação para tentar antecipar certas fases e ciclos da Bolsa de Valores.
Os resultados gerados mostram que ao aplicar a teoria das Ondas de Elliott nos
atributos para todos os ativos avaliados a maior ocorrência de ondas encontradas
foram no período entre 10h15 e 15h30. Para um total de 80% dos ativos avaliados, a maior quantidade de ocorrências identicadas foram no período de 10h15
às 12h, ou seja, o período da manha, que é o período da abertura do pregão da
BMF&BOVESPA, intercalando com a abertura da bolsa de valores americana às
11h.
Fundamentado na Teoria das Ondas de Elliott e associando às estratégias de compra e venda de ações utilizando análise técnica, identicamos 2 (dois) movimentos
utilizados no mercado nanceiro, que foram correlações com a teoria, originando 2
(duas) estratégias iniciais de negociação denominadas de (Rompimento e Correção).
Implementamos estas duas estratégias em um simulador realístico do mercado
nanceiro com o objetivo de identicar a ocorrência destas estratégias e tratá-las
como oportunidade de negociação, através do processo de formação de mercado
(market maker ), gerando ordens de compra e venda (gatilhos) e avaliando ao término
da simulação o atributo retorno nanceiro encontrado.
Vericamos que as estratégias ora funcionavam e muitas vezes erravam, e, desta
forma, visualizamos a necessidade de detalhar cada gatilho realizado juntamente
com os demais atributos que eram armazenados durante a identicação do movimento, com o objetivo de analisar possíveis características que levavam uma certa
oportunidade de negociação identicada pelas estratégias, acertar ou errar os preço
(compra e venda) de um determinado ativo.
Propomos a realizado de outra simulação, onde as estratégias iniciais (Rompimento e Correção) foram acrescidas de indicadores nanceiros de preço, volume e
volume da Web, originando 42 (quarenta e duas) novas estratégias, com o intuito de
obter mais informações destes indicadores que pudessem trazer subsídios para (executar) ou (cancelar) um determinado gatilho, limitando desta forma, a quantidade
de ordens (compra e venda), potencializando gatilhos que acertam e consequentemente minimizando gatilhos que erram.
Os indicadores nanceiros de Volume Média Móvel Simples, Índice de Fluxo
de Dinheiro (MFI) e On Balance Volume (OBV) foram responsáveis por buscarem
informações que cancelam ou executam uma determinada oportunidade de negociação identicada, restringindo a quantidade de gatilhos executados, aumentando a
qualidade e o Retorno Financeiro encontrados.
Uma característica importante encontrada durante os experimentos é o resultado
do atributo indicador de tendência de volume gerado durante as simulações. Este
indicador é calculado quando uma possível oportunidade de compra é identicada
pelas estratégias (Rompimento e Correção) em relação à diferença entre os atributos
de volume de compra negociado atual e o volume de compra negociado anterior (que
é o volume no intervalo de tempo, ou seja, a granularidade de 15 (quinze) minutos
anterior do candlestick ), onde caso o resultado seja maior do que zero, neste caso
o indicador de volume possui o valor "aumentando"e caso contrário, possui o valor
"diminuindo".
6.0
Conclusão
62
Para os 5 (cinco) códigos de ativos avaliados nas simulações 4 (quatro) deles
(BBAS3, BBDC4, PETR4 e USIM5), quando o gatilho era efetivado, ou seja, a
oportunidade gerava retorno nanceiro de lucro total em aproximadamente 75%
dos casos, o indicador de tendência de volume estava com o valor "aumentando",
e somente para o código de ativo VALE5 o resultado deste indicador estava com o
valor "diminuindo".
De um total de 44 (quarenta e quatro) estratégias (Rompimento e Correção)
acrescidas de indicadores nanceiros de Preço, Volume e Volume de dados Sociais,
para os 5 (cinco) ativos avaliados os melhores Retornos Financeiros encontrados
nas simulações, foram com a utilização das Estratégias compostas, acrescidas de
Indicadores Financeiros de Volume de dados coletados na Web e posteriormente de
Volume de dados Ociais disponibilizados pela BMF&BOVESPA.
Com esta metodologia acrescida da utilização do simulador realístico do mercado nanceiro através do processo de formação de mercado (market maker ) e seus
parâmetros identicados e catalogados, alcançamos contribuições importantes e inovadoras propondo novas estratégias de negociação. Utilizamos a Teoria das Ondas
de Elliott como base na modelagem e implementação das estratégias de negociação
acrescidas de indicadores nanceiros, acessando dados ociais da BMF&BOVESPA
e dados coletados da Web, realizando simulações, encontrando os melhores retornos
nanceiros através de dados de volume social coletados na Web.
Desta forma, esta dissertação abre oportunidades para o desenvolvimento de
trabalhos futuros, com o objetivo de canalizar esforços para calibrar as estratégias realizando novas simulações com acréscimos de ltros e combinações de novos
indicadores e ou atributos, alternando parâmetros iniciais, para um melhor entendimento do comportamento destes ativos, buscando entender possíveis características
que levam um gatilho acertar ou errar o preço de cotação, criando combinações de
estratégias especícas para um determinado código de ativo, com o propósito de
limitar a quantidade de ordens de compra e venda (gatilhos) que geram prejuízos e
consequentemente potencializando gatilhos que geram lucro nanceiro.
Referências Bibliográcas
Bolsa deValores, Mercadorias e Futuros de São Paulo. (2014). O que a bolsa faz?
Bovespa. URL www.bmfbovespa.com.br.
Cichini, Fabio Augusto Leandrin. (2006). Análise do coeciente de correlação de
ações cotadas na bolsa de valores de são paulo. XIII SIMPEP - Bauru, SP.
Cortês, Rodrigo. acessado em 05 de março de 2014(2009). Análise técnica x análise
fundamentalista. MAC3. URL www.rmac3.com.br/artigos/at_x_af.htm.
deAlmeida, Aloísio C S. (2013). TOP - Mercado de Valores Imobiliários Brasileiro.
Number Capítulo 11 Análise de Investimentos. 11.2 Análise Técnica Teoria de Dow,
Elliott, Grácos e Indicadores Técnicos.
deBarros Albuquerque Ferreira, Emanuel. (2010). Análise de sentimento em redes
sociais utilizando inuencia das palavras. Master's thesis, Universidade Federal de
Pernambuco, www.cin.ufpe.br/ tg/2010-2/ebaf.pdf.
deOliveira, Marcos Roberto Gois. (2011). Otimizando uma carteira de investimentos:
Um estudo com ativos do ibovespa no período de 2009 a 2011. RRCF, v. 2, n. 2.
Deng-Yiv Chiu, Ping-Jie ChenFeng-Yu Chang. December(2005). Using intelligent
multi-agents to simulate investor behaviors in a stock market. Tamsui Oxford Journal of Mathematical Sciences, p. 122.
Franco Peluti Alencar, Guilherme de Moraes Ávila. (2011). Mineração web - predição
do comportamento de ativos na bovespa. Master's thesis, Universidade de Brasília,
http://monograas.cic.unb.br/dspace/bitstream/123456789/331/1/Monograa.pdf.
URL http://monografias.cic.unb.br/dspace/bitstream/123456789/331/1/
Monografia.pdf.
Frost, Alfred John e Prechter, Robert Rougelot. (2005). Elliott wave principle: key
to market behavior. Elliott Wave International.
Frost, Roberto Prechter. (1978). O Princípio da Onda de Elliott.
Geraldo Alemandro Leite Filho, Fabiane Ribeiro Pereira Eustáquio Rodrigues Versiani JúniorCamila Menezes Fontes. (2011). O efeito dia da semana no mercado
brasileiro: Investigação com o ibovespa de 1990 a 2011. X Convibra Administração
- Congresso Virtual Brasileiro de Administração, p. 34.
63
Referências Bibliográcas
64
Gomide, Janaina Sant Anna.
(2012).
Mineração de redes sociais
para detecção e previsão de eventos reais.
Master's thesis, Universidade Federal de Minas Gerais, Universidade Federal de Minas Gerais
(UFMG). URL www.bibliotecadigital.ufmg.br/dspace/bitstream/handle/
1843/BUOS-8UKMG7/jana_nasant_annagomide.pdf?sequence=1.
Guarnieri, Odir Cantanhede. (2006). Um estudo empírico da eciência da análise
técnica como instrumento na predição do comportamento dos preços das ações: O
caso embraer. Master's thesis, Curso de Mestrado em Gestão e Desenvolvimento
Regional - Universidade de Taubaté.
Irene, Aldridge. (2013). High-frequency trading: a practical guide to algorithmic
strategies and trading systems. John Wiley Sons.
Liu, Bing. (2010). Sentiment Analysis and Subjectivity. Segunda Edição.
Markowitz, Harry. march(1952). Portfolio selection. The Journal of Finance, v. 7,
n. 1, p. 7791. ISSN 00221082. doi: 10.2307/2975974. URL http://dx.doi.org/
10.2307/2975974.
Murphy, John J. (1999). Technical analysis of the nancial markets a comprehensive
guide to trading methods and applications. Technical analysis of the nancial markets
a comprehensive guide to trading methods and applications.
Palladino, Braz Edson. (2008). Na Onda das Ações - A Matemática e a Saúde do
seu lucro, volume 1. Português.
Pring, M J. (1980). Technical analysis explained. Estados Unidos.
Thomas Jeerson P Lopes, Fabrício J Barth Juliana Maraccini PintoOrlando Rodrigues Jr. (2008). Mineração de opiniões aplicada à análise de investimentos.
Vartanian, Pedro Ray. (2012). Comparação entre os ndices ibovespa e dow jones
industrial average no período da crise de 2008 - uma análise de correlação. Revista
de Administração Contemporânea.
Walter dosSantos Filho, Wagner Meira Jr Dorgival Guedes Adriano Veloso Virgílio
A F Almeida Adriano M Pereira Pedro H C Guerra Arlei L da Silva Fernando H
J Mourao Tiago R de Magalhães Felipe M Machado Letícia L Cherchiglia Lívia S
Simoes Rafael A Batista Filipe L Arcanjo Gustavo M. Brunoro Nathan R B Mariano
Gabriel Magno Marco Tulio C Ribeiro Leonardo V TeixeiraGisele L Pappa. (2010).
Observatorio da web: Uma plataforma de monitoração, síntese e visualização de
eventos massivos em tempo real. SEMISH. URL http://www.inf.pucminas.br/
sbc2010/anais/pdf/semish/st04_03.pdf.
Wickert, Luiz Henrique Mielke. (2012). A relação risco e retorno entre as large
caps e small caps no mercado acionário brasileiro: uma abordagem comparativa ao
mercado norte americano. Master's thesis, Universidade Federal do Rio Grande do
Sul, www.lume.ufrgs.br/handle/10183/55007.