Cada etapa do processo de negociação, desde da entrada para a estrutura de negociação, reduzindo drasticamente os custos incorridos por intermediários. Ao reduzir os atritos e os custos, a tecnologia tem o potencial de ativar o compartilhamento de risco mais eficiente, facilitar a cobertura, melhorar a liquidez, e tornar os preços mais eficientes.

Não deixe de ler esse interessante artigo: http://onlinelibrary.wiley.com/doi/10.1111/j.1540-6261.2010.01624.x/pdf

Existem alguns problemas com a regressão linear, por exemplo o método só pode captar as relações de primeira ordem, mas quando a relação sinal/ruído é muito baixa, não há muita razão em se preocupar com isso, mas é necessário fazer alguns testes para determinar isso.

Outro problema é que a regressão é lenta se você a fizer de maneira típica. A maioria das pessoas só vai utilizar o operador barra invertida “\”, ou “R lm ()” do Matlab . Isso por si só não é lento, na verdade, é um dos algoritmos mais otimizados da ferramenta. O problema é quando estamos em modo backtesting e necessitamos recalcular toda a regressão linear em cada nova etapa, isso sim torna os testes demorados.

É especialmente custoso quando você está testando muitos valores para cada parâmetro e tem que executar o backteting diversas vezes, uma para cada variação de um único parâmetro (o algoritmo genético é uma resposta eficiente para isso, mas envolve algum suor). Uma das soluções é utilizar um algoritmo online para o cálculo dos coeficientes de regressão. Algoritmos online tiram proveito em velocidade por calcular um peso para os dados antigos e fazer acréscimos suaves a cada dado novo dependendo da volatilidade com relação a esse peso.

É uma idéia bem interessante e não apresenta prejuízos na metodologia de testes. Obviamente a otimização depende da estratégia, um exemplo simples que realizei em uma série histórica de alguns meses no índice futuro com estratégia de médias móveis ajustadas, sem o algoritmo online, a busca por 2 melhores parâmetros levou de 15 a 20 minutos, utilizando pesos e acréscimos dependendo da volatilidade, menos de 5 minutos.

A motivação e necessidade é a verdadeira força motriz para avanços tecnológicos, Asimov ficaria surpreso hoje ao ver que o seu “cérebro positrônico” não está dentro de invólucros de metal ambulantes, falantes e serviçais e sim em supercomputadores, com estratégias agressivas, determinando o presente e o futuro das movimentações financeiras mundiais.

O intermediador humano, o operador de mesa, o analista financeiro são papéis que pouco a pouco desaparecerão se não obtiverem auxílio de ferramentas de apoio a decisão amparados em algoritmos, a decisão puramente humana, emocional, cederá lugar à mente estatística do trader de silício, dos algoritmos científico-financeiros, que correlacionarão mercados mundiais instantaneamente, integrarão, avaliarão a presença da aleatoriedade e do caos e por fim negociarão, lenta ou rapidamente, dependendo da estratégia e do interesse da instituição, conectados e presentes na financial-cloud, com uma margem de segurança nunca antes atingida.

Traders eletrônicos sofisticados obviamente serão tecnologias de poucos, como armas nucleares restritas, já podemos observar artigos sugestivos sobre os avanços nessa área, incompletos, em uma junção previsível entre academia e instituições financeiras de grande porte, publicações que visam demonstrar avanço e poderio bélico, já presentes em mais de 50% do volume negociado em alguns mercados.

A complexidade e o avanço da inteligência artificial, mesmo que restrita à área financeira atingirá patamares similares às previsões dos escritores de ficção científica ? Haverá leis subjacentes que suportarão todo caos oriundo do universo do mercado ?

“…a última moda entre os bancos de investimento e fundos de hedge: algoritmos de negociação alta freqüência. No campo minado com influências perigosas e moral suspeita, o mercado financeiro está se potencializando com poder irracional da máquina.

A idéia é simples: Computadores obtem informações – principalmente “preços em tempo real” – e com isso tentam prever os próximos movimentos do mercado de ações. Usando fórmulas e algorítmos, os computadores podem comprar e vender ações em frações de segundos, com o banco ou fundo fazendo um pequeno lucro na micro variação do preço de cada ação.

Não há nada de novo em usar todas as informações publicamente disponíveis para ajudar as negociações, o que  é incrível é a quantidade de dados disponíveis, a velocidade em que é analisado e o pouco tempo que as posições são mantidas.

Você vai ouvir as pessoas falando sobre a “latência”, que significa o atraso entre um sinal de negociação e a finalização efetiva.  Baixa latência = Alta velocidade – é o que os bancos e os fundos estão procurando. Sim, nós realmente estamos falando de raspar a milissegundos que a informação leva para a viajar ao longo de um cabo ótico.

Então, negociando mais rápido do que qualquer ser humano pode ser verdadeiramente preocupante? As respostas dos defensores de alta-frequência, também são um pouco rápidas demais: “Não, estamos aumentando a liquidez do mercado”.

Tem sido dito que em outubro de 87 o crash do mercado de ações foi causada em parte por algo chamado seguro de carteira dinâmica, uma outra abordagem baseada em algoritmos. Dynamic Portfolio Insurance é uma forma de proteger a sua carteira de ações para que, se o mercado cai você pode limitar as suas perdas a um valor que você estipular antecipadamente. Se o mercado cair, você vende algumas partes. Até o momento o mercado cai e você terá fechado todas suas posições.

É uma boa idéia, e fazê-lo corretamente requer algum conhecimento de teoria de opção como desenvolvido pelos economistas Fischer Black, da Goldman Sachs, S. Myron Scholes, de Stanford, e Robert C. Merton, de Harvard.

Em 1987, porém, o problema foi o grande número de pessoas que seguiam a estratégia e a quantidade de mercado que eles coletivamente controlavam. Se uma queda no mercado leva as pessoas a venda de acordo com alguma fórmula, e se houver um número suficiente dessas pessoas que seguem o mesmo algoritmo, então ele irá levar a uma queda ainda maior no mercado, e assim uma onda de venda, e assim por diante – até que o índice Standard & Poor’s 500 perdeu mais de 20 por cento de seu valor em único dia: 19 de outubro, segunda-feira negra. Dynamic Portfolio Insurance causou a mesma coisa que foi projetado para se proteger.

Assim, o problema da súbita popularidade do comércio de alta frequência é que pode desestabilizar o mercado cada vez mais. Os fundos de hedge não necessariamente se importam se o aumento da volatilidade faz ações para subir ou descer, enquanto eles podem entrar e sair rapidamente com um lucro. Mas o resto da economia vai se importar. “

Alguns problemas, como falso positivo, decorrem de problemas de análise e otimização da estratégia, que são minimizados com algumas técnicas de melhoria de bases e ajuste do sistema para evitar enganos operacionais. Existem alguns sistemas especialistas de backtesting como o módulo de Strategy do MetaTrader, Wealth-Lab, entre outros. Porém vou utilizar um módulo desenvolvido para Excel (disponível no curso Robôs Investidores) que realiza satisfatórios testes com estratégias pré-determinadas ou programadas.

Iremos discutir uma estratégia muito interessante que tenho desenvolvido faz algum tempo, com um nível tecnológico um pouco mais avançado do que o ADX-Trends (aqui em detalhes), essa versão é chamada de ADX-V8 .

Sobre

ADX-V8 funciona como um trend-follower, ou seja operações que seguem tendências de longa duração, otimizei suas regras para prevenir perdas desnecessárias e capitalizar de forma eficiente antes que as oportunidades desapareçam. O ativo utilizado será Índice Bovespa com resolução diária (de 2006 até 2009 – três anos completos), realizando compras e vendas baseados simplesmente na sinalização e sem alavancagem.

Mirando no Lucro

A única diferença dessa estratégia sobre o ADX-Trends é um filtro de ruídos que adicionei, além de utilizar 19 períodos no ADX ao invés de 14 (padrão dos indicadores).

Observamos no gráfico acima, que utilizando um teste retroativo de 2006 até 2009, temos um total de 11 operações. Não se trata portanto de uma estratégia Overtrading, porém está longe de ser Buy-and-Hold.

Índices de Eficiência com Índice Bovespa

• Índice Fator de Lucro (Total de Ganho/Total de Perdas) de 10.87
• Coeficiente de Lucratividade (Média de Ganho/Média de Perdas) de 4.07
• 5 operações consecutivas de ganhos contra 2 operações consecutivas de perdas.
• Drawdown Relativo Máximo: 4.10%
• Drawup Relativo Máximo: 70.04%

No gráfico acima um demonstrativo de performance acumulada, 198% de rendimento final e contando. Apesar da queda de 50% com a crise de 2008, o movimento foi bem aproveitado em uma venda duradoura (trade #9) e a recuperação também foi absorvida (trade #11). Um ponto interessante é a arquitetura não tão complexa do trade system, como os sinais são de longa duração e não há necessidade de automação para trades velozes, o principal fator nesse caso é uma estratégia testada e executada com rigor.

[ Saiba mais aqui ]

Suas características:

Dimensões (alt. x larg. x profund.): 40 cm (de pé) x 28,5 cm x 31 cm (aproximadamente)
Peso: 2 kg (aproximadamente)
Pilhas: 8 pilhas AA (alcalinas ou recarregáveis)
Duração das pilhas: 4 horas, aproximadamente (em uso contínuo)
Velocidade: 30 cm/s (conforme a superfície)
Motores: 7 motores CC com codificador
Sensores:
De proximidade: 5 (2 emissores e 3 receptores)
De tato: 1 (na cabeça)
De luz: 2
De temperatura: 1
LED a bordo: 26
Tela: 1, LCD alfanumérico, 16 caracteres x 2 linhas
Memória Flash: 16 MB
RAM: 16 MB
Capacidade de gravação de som: 150 segundos, aproximadamente
Resolução da câmera: 640 x 480
Portas externas: USB e RS232
Requisitos do sistema: Windows 98, 2000 ou XP
Raio de ação Bluetooth: 10 a 30 metros aproximadamente (consoante com o espaço)
Compatibilidade Bluetooth: SEU ROBOT pode ser controlado pela maioria dos celulares e PDA compatíveis com Bluetooth e a partir de qualquer dispositivo que suporte J2ME com MIDP 2.= ou MIDP 1.0 + JSR-135 (Mobile Media API) e JSR-82 (API Java para dispositivos Bluetooth). 

Obviamente o que irei construir terá características únicas (quem dera) !

Sobre edições: http://www.planetadeagostini.com.br/robot/

Uma dica muito bacana que recebi do amigo Renato Fiche é o jogo educacional Robocode, trata-se de uma plataforma opensource Java, desenvolvida inicialmente por programadores da IBM. Basicamente é um framework completo de desenvolvimento de pequenos robôs, que tem o objetivo básico e divertido de destruir outros robôs (nada muito distinto do mercado).

Competidores são desafiados a contruir o cérebro (em classes Java pré-definidas) que controla um pequeno tanque, com o objetivo de combater outros tanques também construídos por outros competidores. Robôs se movem, atiram, esquadrinham o campo e destroem ou são destruídos. Embora a idéia deste “jogo” possa parecer simples, construir uma estratégia vencedora não é. Robôs eficientes na matança podem ter milhares de linhas no código, alguns utilizam técnicas como análise estatística e rede neural.

Há competições internacionais, com vários níveis de premiação, como esse aqui da Irlanda: http://www.robocode.ie e como nesse vídeo abaixo:

Robocode 2008 – Click here for the most popular videos

Há um repositórios com centenas de exemplos de robôs, do mais simples ao mais sofisticado, possibilitando que você abra o código e estude, análise estatística, rede neural, e com isso abra seu leque de opções para transpor esses conhecimento para sua estratégia vencedora.

Baixe o RoboCode aqui: http://robocode.sourceforge.net/

Existem algumas tentativas, por exemplo, de sofwares que mapeiam padrões gráficos estudados na análise técnia (Teoria de Dow), identificando suportes e resistência em triângulos, pás, bandeiras e toda sorte de figuras que historicamente permanecem nesse segmento de estudos.

Reprodução da reportagem a seguir:

“Nós temos uma capacidade inata, e uma tendência quase inconsciente em utilizar essa capacidade, de encontrar padrões em grandes volumes de dados e informações. Foi assim que nossos antepassados traçaram as constelações na infinidade de estrelas que eles observavam no céu, e é assim que nós localizamos um grupo de amigos no meio de um salão lotado.

Capacidade de ordenação

Seria muito útil se conseguíssemos replicar essa capacidade nos computadores – a Era da Informação está gerando uma quantidade de dados maior do que tudo o que a humanidade gerou ao longo de milênios. Sabemos que essa montanha de dados contém informações valiosas, mas só conseguiremos tirar proveito delas se os próprios computadores forem capazes de capturá-las para nós.

Para que um computador ordene um conjunto de dados, nós devemos encontrar a ordem subjacente a esses dados e então dizer ao computador como ordená-los, por meio de um programa.

Encontrando padrões em dados brutos

Agora, pesquisadores do MIT elaboraram um algoritmo que é capaz de encontrar um padrão nos dados brutos, e então ordená-los segundo esse padrão. “Em vez de procurar por um tipo particular de estrutura, nós criamos um algoritmo mais amplo que é capaz de testar todas essas estruturas e pesá-las umas contra as outras,” explica Joshua Tenenbaum, coordenador da pesquisa.

O algoritmo consegue entender vários tipos de estruturas de dados, como árvores, ordens lineares, anéis, hierarquias dominantes, clusters etc. Ele analisa os dados brutos até encontrar a estrutura que melhor os descreve e então ordena os dados seguindo essa estrutura.

Os humanos fazem isso o tempo todo, na vida diária, freqüentemente de forma inconsciente. Várias descobertas-chave na história da ciência também consistiram na localização desses padrões, como na elaboração da Tabela Periódica ou na criação do sistema de classificação das espécies utilizada pela biologia.

Bibliografia:

The discovery of structural form
Charles Kemp, Joshua B. Tenenbaum
Proceedings of the National Academy of Sciences
August 2008
Vol.: 105:10687-10692
DOI: 10.1073/pnas.0802631105″ 

Fonte: http://www.inovacaotecnologica.com.br/noticias/noticia.php?artigo=algoritmo-da-a-computadores-capacidade-quase-humana&id=010150080925

Como eu havia comentado no último post, irei aqui detalhar melhor o conceito de Neurônio Artificial e sua utilização na previsão de tendências no mercado financeiro. Uma rede neural, como o próprio nome sugere, é uma coleção de neurônios dispostos de forma que configurem um aspecto específico.

É como estes neurônios que a rede neural aprenderá as informações que serão fornecidas pelos canais de entrada dos neurônios. O aprendizado está distribuído por toda parte, ou seja, por toda rede.

O neurônio artificial possui muitos nomes diferentes na bibliografia atual. Entretanto, todos esses nomes estão intencionados a expôr o mesmo elemento em questão, porém como o título alterado conforme o autor. Entre esses sinônimos mais conhecidos encontramos: elementos de processamento e nodo. De qualquer forma, esses neurônios possuem na sua estrutura e funcionamento, uma similaridade muito grande com os conhecidos neurônios biológicos.

Sinais de entrada e saída

O neurônio possui, a princípio, um ou mais sinais de entrada e um sinal de saída. Sua semelhança com um neurônio biológico é muito grande pois, ambos os neurônios possuem disparos de saída podendo receber muitas entradas.

As entradas de um neurônio artificial podem ser comparadas exatamente como estímulos para o neurônio natural. Todos esses estímulos são trazidos até o neurônio simultaneamente, ou seja, se um neurônio possuir 5 entradas, os sinais das 5 entradas deverão chegar até o núcleo de processamento ao mesmo tempo, isto quer dizer, paralelamente.

O processamento paralelo em computadores seqüências pode ser paradoxal, mas não o é, ocorre de fato. A simulação de um ambiente paralelo é possível, e é desta forma que ocorre esse tipo de processamento para as redes neurais. O modelo matemático simula o paralelismo da rede através de um algoritmo.

Como eu já havia escrito nesse artigo, uma variedade de métodos tem sido utilizada para tentar estimar o comportamento de séries de dados financeiros, tais como: médias móveis, linhas de tendência entre outras técnicas mais exóticas. No entanto, pesquisas indicam que análises de séries temporais baseadas em Redes Neurais têm apresentado resultados bem superiores, as sérias temporais são os conjuntos de dados que refletem a variação do valor de um ativo no decorrer do tempo.

Embora pareça relativamente simples identificar se um mercado está se movendo em tendência ou não, para o olho humano isto pode ser difícil de perceber.

Desta forma, como as Redes Neurais são dispositivos não-lineares que extraem as propriedades estatísticas de um grupo de dados de entrada, e são vistas como uma solução promissora para o problema. Através de um processo de treinamento, os modelos neurais são capazes de reconhecer padrões, agrupando entradas similares.

Continuarei a explorar mais esse assunto em um post futuro.

Mais sobre o assunto

http://www.atrattore.com/pesquisas.html
http://en.wikipedia.org/wiki/Artificial_intelligence
http://aima.cs.berkeley.edu/
http://www.sigma-research.com/bookshelf/default.htm