Prof. Dr. Napoleão Verardi Galegale
Prof. Dr. José Odálio dos Santos
Prof. Dr. Marcelo Tsuguio Okano
SHIMABUKURO, C. I. Uma contribuição para implementação do Deep Learning aplicado à negociação de ações por algoritmos na B3. 119 f. Dissertação (Mestrado Profissional em Gestão e Tecnologia em Sistemas Produtivos). Centro Estadual de Educação Tecnológica Paula Souza, São Paulo, 2020.
Revisões da literatura no período de 2009 a 2015 apresentavam a área de finanças como campo pouco explorado pelo Deep Learning. Considerando-se os resultados já alcançados pela pesquisa e a disponibilização de novas ferramentas computacionais, identificou-se uma oportunidade para a investigação da produção científica nesta área, no período de 2016 a 2019. Tal investigação evidenciou um crescimento recente das publicações científicas sobre Deep Learning aplicado ao Algorithmic Trading a partir de 2018. O objetivo deste trabalho é pesquisar uma abordagem baseada em Deep Learning aplicada à negociação de ações baseada em algoritmos sobre ativos listados na bolsa de valores brasileira, B3, e implementar um artefato na forma de software com esta abordagem. Utiliza-se o método Design Science Research para a implementação, execução e avaliação do artefato de software. A abordagem Long Short-Term Memory foi escolhida por sua capacidade de extração de características das relações não lineares de séries temporais, de retenção seletiva das informações passadas relevantes, e de manter o aprendizado evitando o vanishing gradient e o exploding gradient. O artefato de software, representado por modelo lógico e código fonte, foi testado em duas ações negociadas na B3, tendo como dados de entrada os preços de fechamento diários de um período de dez anos, de 2008 a 2018. A análise dos resultados evidenciou aderência entre preços alvo e de predição em momentos de manutenção de tendência, e atraso no reconhecimento do novo padrão em momentos de reversão de preços ou maior volatilidade. As variâncias da acurácia da predição sobre preços padronizados para PETR4 e VALE3 foram 0,000193 e 0,000259 respectivamente. Tais resultados indicam a aplicabilidade do modelo LSTM no mercado de ações brasileiro.
