You are on page 1of 193

IGOR RIBEIRO LIMA

SISTEMAS INTELIGENTES PARA AUXILIAR


NA TOMADA DE DECISES EM MERCADO DE
CAPITAIS

LAVRAS MG
2012

IGOR RIBEIRO LIMA

SISTEMAS INTELIGENTES PARA AUXILIAR NA TOMADA DE


DECISES EM MERCADO DE CAPITAIS

Dissertao apresentada Universidade


Federal de Lavras, como parte das
exigncias do Programa de PsGraduao em Engenharia de Sistemas,
rea de concentrao em Modelagem de
Sistemas Biolgicos, para obteno do
ttulo de Mestre.
Orientador
DSc. Srgio Martins de Souza - DEX/UFLA
Coorientador
DSc. Heitor Augustus Xavier Costa - DCC/UFLA

LAVRAS MG
2012

Ficha Catalogrfica Elaborada pela Diviso de Processos Tcnicos da


Biblioteca da UFLA

Lima, Igor Ribeiro.


Sistemas inteligentes para auxiliar na tomada de decises em
mercado de capitais / Igor Ribeiro Lima. Lavras : UFLA, 2012.
192 p. : il.
Dissertao (mestrado) Universidade Federal de Lavras, 2012.
Orientador: Srgio Martins de Souza.
Bibliografia.
1. Lgica fuzzy. 2. Redes neurais. 3. Anlise tcnica. 4. Ativos
financeiros. 5. Inteligncia computacional. I. Universidade Federal
de Lavras. II. Ttulo.
CDD 620.00113

IGOR RIBEIRO LIMA

SISTEMAS INTELIGENTES PARA AUXILIAR NA TOMADA DE


DECISES EM MERCADO DE CAPITAIS

Dissertao apresentada Universidade


Federal de Lavras, como parte das
exigncias do Programa de PsGraduao em Engenharia de Sistemas,
rea de concentrao em Modelagem de
Sistemas Biolgicos, para obteno do
ttulo de Mestre.
APROVADA em 27 de junho de 2012.
Prof. _______________________________
Prof. _______________________________
DSc. Srgio Martins de Souza - DEX/UFLA
Orientador
LAVRAS MG
2012

AGRADECIMENTOS

Agradeo...
Ao Prof. Heitor, por sua orientao,
incentivo, pacincia e disponibilidade
no andamento da pesquisa.
Aos meus pais e familiares
que sempre acreditaram
no estudo e sempre me apoiam;
A minha namorada, pela compreenso
diante das interminveis horas de estudo;
A todas as outras pessoas que direta ou
Indiretamente contriburam na realizao desse
trabalho.
Muito obrigado!

RESUMO
A capacidade da inteligncia computacional em mapear sistemas complexos tem
se tornado uma ferramenta atrativa, por ser aplicvel em processos relacionados
ao comportamento de ativos de mercados financeiros. A utilizao de tcnicas
de inteligncia computacional uma das estratgias para prever esse
comportamento por usar sistemas no lineares, visto que este sofre influncias
de vrios fatores polticos e econmicos. O objetivo apresentar a modelagem e
uma anlise comparativa de sistemas computacionais inteligentes no apoio
tomada de deciso em mercado de capitais, utilizando duas tcnicas de
inteligncia computacional: lgica fuzzy e redes neurais artificiais (RNAs).
Essas modelagens ajudam a predizer o movimento do mercado de capitais e
obter informaes importantes para tomada de deciso por parte do investidor,
possibilitando maior ganho em liquidez nas negociaes. Em suma, esse sistema
fornece apoio a deciso aos investidores que desejam acompanhar suas
aplicaes financeiras.

Palavras-chave: Lgica Fuzzy, Redes Neurais, Sistemas Inteligentes, Mercado


de Capitais, Anlise Tcnica.

ABSTRACT
The ability of computational intelligence in mapping complex systems has
become an attractive tool, because it is applicable in processes related to the
behavior of financial market assets. The use of computational intelligence
techniques is one of the strategies to predict this behavior by using non-linear
systems, since it is influenced by various political and economic factors. The
goal is to present a comparative analysis and modeling of computer systems in
support of intelligent decision making in capital markets, using two
computational intelligence techniques: fuzzy logic and artificial neural networks
(ANN). These modeling to help predict market movement of capital and
important information for decision making by the investor, enabling greater gain
in liquidity in the negotiations. In short, this system provides decision support
for investors who wish to track their investments.

Key words: Fuzzy Logic, Neural Networks, Intelligent Systems, Capital


Markets, Technical Analysis.

LISTA DE FIGURAS
Figura 1

Tipos de pesquisa cientfica .......................................................... 20

Figura 2

Funo caractersticas do conjunto (mtodo convencional).......... 35

Figura 3

Funo caracterstica do conjunto fuzzy ........................................ 35

Figura 4

Funo de pertinncia crescente.................................................... 36

Figura 5

Funo de pertinncia decrescente ................................................ 36

Figura 6

Funo de pertinncia triangular ................................................... 37

Figura 7

Funo de pertinncia trapezoidal................................................. 38

Figura 8

Funo de pertinncia gaussiana ................................................... 38

Figura 9

Operao de unio......................................................................... 39

Figura 10

Operao de interseco................................................................ 40

Figura 11

Operao de negao..................................................................... 40

Figura 12

Produto cartesiano ......................................................................... 41

Figura 13

Mquina de inferncia fuzzy .......................................................... 46

Figura 14

Diagrama demonstrativo de inferncia fuzzy................................. 51

Figura 15

Mtodo de Mamdani com composio max-min .......................... 53

Figura 16

Exemplo genrico de regras TSK.................................................. 54

Figura 17

Estrutura de um neurnio natural .................................................. 58

Figura 18

Neurnio como unidade limite ...................................................... 62

Figura 19

Funes de ativao ...................................................................... 63

Figura 20

Fases do processo de aprendizagem de uma RNA........................ 64

Figura 21

RNA recorrente ............................................................................. 67

Figura 22

RNA de uma s camada ................................................................ 71

Figura 23

Grfico do indicador IFR .............................................................. 78

Figura 24

Grfico de fora relativa................................................................ 78

Figura 25

Planilha para o clculo do indicador IFR ...................................... 78

Figura 26

Indicador IFR da cotao diria do EBAY ................................... 79

Figura 27

Indicador IFR da cotao diria do ouro ....................................... 80

Figura 28

Planilha para o clculo do indicador oscilador estocstico ........... 82

Figura 29

Grfico do indicador oscilador estocstico ................................... 82

Figura 30

Grfico

do

indicador

oscilador

estocstico

ilustrando

momentos de compra e de venda .................................................. 83


Figura 31

Grfico ilustrativo do indicador MACD ....................................... 85

Figura 32

Interpretao do cruzamento da linha MACD e da linha de


sinal MACD .................................................................................. 85

Figura 33

Planilha para o clculo de MME ................................................... 87

Figura 34

Grfico ilustrativo de interpretao do indicador histograma


MACD........................................................................................... 89

Figura 35

Planilha para o clculo do indicador OBV.................................... 91

Figura 36

Grfico OBV indicando divergncia com o preo ........................ 92

Figura 37

Arquitetura para obteno dos dados ............................................ 96

Figura 38

Modelagem utilizando lgica fuzzy ............................................... 97

Figura 39

Universo IFR ................................................................................. 98

Figura 40

Universo oscilador estocstico ...................................................... 98

Figura 41

Universo OBV e histograma MACD ............................................ 99

Figura 42

Universos sinal, volume e momento................................... 102

Figura 43

Universo C&V .............................................................................. 102

Figura 44

Modelagem do banco de dados do sistema fuzzy ........................ 107

Figura 45

Modelagem utilizando RNAs...................................................... 108

Figura 46

RNA para o indicador IFR .......................................................... 110

Figura 47

RNA para o indicador oscilador estocstico ............................... 111

Figura 48

RNA para o indicador MACD .................................................... 112

Figura 49

RNA para o indicador histograma MACD.................................. 112

Figura 50

RNA para o indicador OBV ........................................................ 113

Figura 51

RNA para a varivel momento .................................................. 114

Figura 52

RNA para a varivel sinal....................................................... 115

Figura 53

RNA para a varivel volume..................................................... 116

Figura 54

RNA para o Indicador C&V ................................................. 117

Figura 55

Proposta 1: modelagem hbrida utilizando RNA-fuzzy-fuzzy...... 118

Figura 56

Proposta 2: modelagem hbrida utilizando fuzzy-RNA-RNA ..... 120

Figura 57

Proposta 3: modelagem hbrida utilizando RNA-fuzzy-RNA ..... 121

Figura 58

Proposta 4: modelagem hbrida utilizando fuzzy-RNA-fuzzy .... 123

Figura 59

Proposta 5: modelagem hbrida utilizando RNA-RNA-fuzzy .... 124

Figura 60

Proposta 6: modelagem hbrida utilizando fuzzy-fuzzy-RNA .... 125

Figura 61

Estrutura de diretrio no Scilab................................................... 142

Figura 62

Tela de login................................................................................ 149

Figura 63

Tela principal do Cell Invest ....................................................... 149

Figura 64

Barra de ttulo da aplicao Web................................................. 150

Figura 65

Formulrio para efetuar clculos no sistema fuzzy ...................... 151

Figura 66

Formulrio para "fuzzificar" uma varivel lingustica ................ 152

Figura 67

Visualizao grfica do universo fuzzy IFR ................................ 152

Figura 68

Consulta dos dados cadastrados de um determinado universo


fuzzy............................................................................................. 153

Figura 69

Formulrio para cadastro sistema fuzzy....................................... 154

Figura 70

Formulrio para efetuar clculos no ambiente Scilab ................. 155

Figura 71

Visualizao da estrutura de diretrio das RNAs........................ 155

Figura 72

Contedo da aba Dados de Entrada................................... 156

Figura 73

Contedo da aba Indicadores............................................... 156

Figura 74

Lista para a visualizao grfica dos indicadores tcnicos ......... 157

Figura 75

Grfico do indicador IFR do ativo financeiro BBAS3................ 158

Figura 76

Grfico do indicador oscilador estocstico do ativo financeiro


BBAS3 ........................................................................................ 158

Figura 77

Grfico do indicador MACD do ativo financeiro BBAS3 .......... 159

Figura 78

Grfico do indicador histograma MACD do ativo financeiro


BBAS3 ........................................................................................ 159

Figura 79

Grfico do indicador OBV do ativo financeiro BBAS3.............. 160

Figura 80

Resultado do exemplo do conjunto fuzzy IFR ............................. 164

Figura 81

Resultado do exemplo do conjunto fuzzy oscilador estocstico .. 164

Figura 82

Resultado do exemplo da mquina de inferncia momento ...... 164

Figura 83

Resultado do exemplo do conjunto fuzzy MACD ....................... 165

Figura 84

Resultado do exemplo do conjunto fuzzy Histograma MACD.... 165

Figura 85

Resultado do exemplo da mquina de inferncia sinal ........... 166

Figura 86

Resultado do exemplo do conjunto fuzzy OBV.......................... 166

Figura 87

Resultado do exemplo da mquina de inferncia volume......... 167

Figura 88

Resultado do exemplo da mquina de inferncia C&V................ 167

Figura 89

Estatstica obtida com a modelagem utilizando lgica fuzzy....... 168

Figura 90

Resultado do exemplo da camada de sada da RNA do


indicador IFR .............................................................................. 169

Figura 91

Resultado do exemplo da camada de sada da RNA do


indicador oscilador estocstico.................................................... 170

Figura 92

Resultado do exemplo da camada de sada da RNA da varivel


momento .................................................................................... 170

Figura 93

Resultado do exemplo da camada de sada da RNA do


indicador MACD......................................................................... 171

Figura 94

Resultado do exemplo da camada de sada da RNA do


indicador histograma MACD ...................................................... 171

Figura 95

Resultado do exemplo da camada de sada da RNA da varivel


sinal......................................................................................... 172

Figura 96

Resultado do exemplo da camada de sada da RNA do


indicador OBV ............................................................................ 172

Figura 97

Resultado do exemplo da camada de sada da RNA da varivel


volume ...................................................................................... 173

Figura 98

Resultado do exemplo da camada de sada da RNA indicador


C&V.............................................................................................. 173

Figura 99

Estatstica obtida com a modelagem utilizando RNA................. 174

Figura 100 Estatstica obtida com as modelagens hbridas .......................... 175

LISTA TABELAS
Tabela 1

Regras para o universo de discurso MACD ................................ 101

Tabela 2

Regras para o universo de discurso histograma MACD ............. 101

Tabela 3

Regras fuzzy para calcular a intensidade da varivel momento . 103

Tabela 4

Regras fuzzy para calcular a intensidade da varivel sinal...... 103

Tabela 5

Regras fuzzy para calcular a intensidade da varivel volume ... 104

Tabela 6

Regras fuzzy para calcular a intensidade do indicador C&V ........ 104

Tabela 7

Tabela para calcular a distncia da linha MACD ao eixo zero ... 127

Tabela 8

Tabela para calcular a diferena entre a linha MACD e a linha


de sinal MACD ........................................................................... 128

Tabela 9

Tabela para calcular o ngulo da linha MACD ........................... 130

Tabela 10 Tabela para calcular o valor da diferena entre o ngulo da


linha MACD e o ngulo da linha de sinal MACD ...................... 132
Tabela 11 Tabela para calcular a distncia do valor do indicador
histograma MACD ao eixo zero.................................................. 133
Tabela 12

Tabela para calcular o ngulo do indicador histograma MACD . 135

Tabela 13

Tabela para calcular o ngulo do indicador OBV ....................... 137

Tabela 14

Equaes de normalizao .......................................................... 138

Tabela 15

Exemplos de normalizao.......................................................... 140

Tabela 16

Exemplos de normalizao.......................................................... 141

Tabela 17 Descrio do contedo dos arquivos de cada RNA..................... 144


Tabela 18 Ativos utilizados na anlise dos resultados ................................. 162
Tabela 19 Dados de entrada de exemplo para a modelagem utilizando
lgica fuzzy .................................................................................. 163
Tabela 20 Dados de entrada de exemplo para a modelagem utilizando
RNAs........................................................................................... 169
Tabela 21 Sntese dos resultados entre as modelagens ................................ 176

SUMRIO
1
1.1
1.2
1.3
1.3.1
1.3.2
1.4
2
3
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.8.1
3.8.2
3.8.3
3.8.4
3.9
3.9.1
3.9.2
3.10
4
4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8

INTRODUO ............................................................................
Justificativa ...................................................................................
Objetivo .........................................................................................
Metodologia de desenvolvimento ................................................
Tipo de pesquisa ...........................................................................
Procedimentos metodolgicos .....................................................
Estrutura do trabalho ..................................................................
TRABALHOS RELACIONADOS .............................................
LGICA FUZZY..........................................................................
Consideraes iniciais ..................................................................
Lgica clssica versus lgica fuzzy ..............................................
Aplicaes da lgica fuzzy ............................................................
Conjuntos fuzzy.............................................................................
Funo de pertinncia ..................................................................
Operaes com conjuntos fuzzy...................................................
Fundamentos da modelagem fuzzy..............................................
Sistemas baseados em lgica fuzzy ..............................................
Mdulo de fuzzificao ................................................................
Mdulo da base de regras ............................................................
Mdulo de inferncia....................................................................
Mdulo de "defuzzificao" ........................................................
Inferncia fuzzy .............................................................................
Inferncia fuzzy - Mtodo de Mamdani ......................................
Inferncia fuzzy - modelo de Takagi-Sugeno-Kang ...................
Consideraes finais .....................................................................
REDES NEURAIS ARTIFICIAIS..............................................
Consideraes iniciais ..................................................................
Fundamentos biolgicos...............................................................
Vantagens e desvantagens da utilizao de RNAs.....................
Principais componentes das RNAs..............................................
Preparao dos dados ..................................................................
Topologias de RNAs .....................................................................
Aprendizagem das RNAs.............................................................
RNAs perceptrons .........................................................................

16
17
18
19
19
21
22
23
28
28
29
30
32
34
39
42
44
46
47
48
48
49
52
54
55
56
56
57
59
61
63
66
67
70

4.9
4.10
4.11
5
5.1
5.2
5.3
5.4
5.5
5.6
5.7
6
6.1
6.2
6.3
6.3.1
6.3.2
6.3.3
6.4
6.4.1
6.4.1.1
6.4.1.2
6.4.1.3
6.4.1.4
6.4.1.5
6.4.1.6
6.4.1.7
6.4.2
6.4.3
6.5
6.5.1
6.5.2
6.6

Mnimos locais .............................................................................. 71


Sobreajuste e generalizao......................................................... 72
Consideraes finais ..................................................................... 73
ANLISE TCNICA................................................................... 75
Consideraes iniciais .................................................................. 75
ndice de fora relativa (IFR)...................................................... 76
Oscilador estocstico .................................................................... 80
Moving average convergence-divergence (MACD)..................... 83
Histograma MACD ...................................................................... 87
On balance volume (OBV)............................................................ 89
Consideraes finais ..................................................................... 92
SISTEMAS INTELIGENTES PARA O MERCADO DE
CAPITAIS..................................................................................... 94
Consideraes iniciais .................................................................. 94
Arquitetura para obteno dos dados ........................................ 95
Modelagem dos sistemas .............................................................. 96
Modelagem utilizando lgica fuzzy.............................................. 96
Modelagem utilizando das redes neurais artificiais .................. 108
Modelagens hbridas .................................................................... 117
Normalizao dos dados .............................................................. 122
Normalizao dos valores na modelagem utilizando lgica fuzzy125
Normalizao da distncia da linha MACD ao eixo zero ......... 126
Normalizao da diferena entre a linha MACD e a linha de
sinal MACD .................................................................................. 127
Normalizao do ngulo da linha MACD .................................. 129
Normalizao da diferena entre o ngulo da linha MACD e o
da linha de sinal MACD............................................................... 131
Normalizao da distncia do histograma MACD ao eixo zero 133
Normalizao do ngulo do histograma MACD........................ 134
Normalizao do ngulo do indicador OBV .............................. 136
Normalizao dos valores na modelagem utilizando RNAs ..... 138
Normalizao dos valores na modelagem utilizando RNAs ..... 139
Implementao das modelagens.................................................. 140
Organizao da RNA em meio persistente................................. 140
Cell Invest...................................................................................... 148
Anlise dos resultados .................................................................. 157

6.6.1
6.6.2
6.6.3
6.7
7
7.1
7.2
7.3
7.4

Resultados obtidos com o sistema modelado utilizando lgica


fuzzy ...............................................................................................
Resultados obtidos com o sistema modelado utilizando RNAs
Resultados obtidos com os sistemas hbridos .............................
Consideraes finais .....................................................................
CONSIDERAES FINAIS.......................................................
Concluses.....................................................................................
Contribuies ................................................................................
Limitaes .....................................................................................
Trabalhos Futuros........................................................................
REFERNCIAS ...........................................................................

160
168
174
175
177
177
178
179
180
182

16

1 INTRODUO
A inteligncia computacional tem se tornado uma ferramenta atrativa
por possibilitar o mapeamento de sistemas complexos e ser aplicada em
processos relacionados ao comportamento de ativos de mercados financeiros.
Dessa forma, um investidor pode minimizar riscos de perda em investimentos e
maximizar lucros ao utilizar tcnicas de inteligncia computacional. Para isso,
no necessrio fazer previses exatas do preo de cada ativo de ao, bastaria
predizer movimentos de alta de baixa no mercado de ativos financeiros
(PEDRONETTE; GUILHERME, 2004).
Diversas pesquisas foram e continuam sendo realizadas visando
predio da movimentao do mercado de ativos financeiros, sendo parte delas
utilizando inteligncia computacional para efetuar tal predio (GONZALEZ;
GONZALEZ, 2011). Modelos baseados na teoria do caos (ZANETTI JUNIOR;
ALMEIDA, 1998) partem do princpio que existe um componente
determinstico no movimento dos preos dos ativos financeiros que no seguem
um processo aleatrio. Esse no seguimento est consoante com a hiptese do
comportamento dos preos de um ativo financeiro poder ser originado a partir de
um processo determinstico complexo (ZANETTI JUNIOR; ALMEIDA, 1998).
Na literatura, podem ser reconhecidos diversos tipos de aplicaes
utilizando tcnicas de inteligncia computacional no apoio a tomada de decises
no mercado de ativos financeiros (BARBOSA; ALMEIDA, 2002; CICHINI;
CASTRO; FLAUZINO, 2007). A maioria dessas aplicaes converge para a
utilizao de sries histricas (PEDRONETTE; GUILHERME, 2004) como
auxlio de decises futuras, nas quais as tcnicas de inteligncia computacional
se diferem em como abordar essa problemtica, sendo que (i) algumas focam em
decidir qual os melhores ativos financeiros para investir em um determinado
momento, (ii) umas propem identificar formas nos grficos para distinguir

17

momentos de compra ou de venda e (iii) outras objetivam prever valores de


cotaes dos ativos financeiros.
Mtodos dinmicos e adaptativos podem ser capazes de determinar
padres e relacionamentos nos dados globais do mercado (PARRACHO, 2010).
Esses mtodos dinmicos so importantes na identificao de oportunidades de
compra e de venda de ativos financeiros, pois, em um mercado rpido e
extremamente interligado, os preos de um ativo financeiro refletem
instantaneamente informaes relevantes do mercado. Essas informaes
implicam em decises por parte dos agentes econmicos no que diz respeito
compra e venda de ativos financeiros. Assim, a agilidade da tomada de deciso
fator determinante aos investidores para obterem melhores retornos no
mercado.
As oportunidades de compra e de venda de ativos financeiros podem ser
identificadas por meio de sistemas desenvolvidos utilizando tcnicas de
inteligncia computacional baseadas em dados histricos para predizer o
comportamento futuro desses ativos. Essas tcnicas possibilitam ao investidor
realizar suas transaes na tentativa de minimizar seus erros. Alm disso, esses
sistemas devem oferecer resultados em tempo hbil para que o investidor esteja
atualizado e competitivo (PEDRONETTE; GUILHERME, 2004).

1.1 Justificativa
No incio do sculo XXI, os pases emergentes, como o Brasil, viveram
um momento de aumento da entrada de capital estrangeiro (NASCIMENTO et
al., 2007), o que impactou na elevao dos preos das empresas de capital aberto
listadas na Bolsa de Valores, pois foi uma importante fonte de financiamento
empresarial e um meio de captao de recursos individuais (MELLO, 2004
citado por BAUER, 2008). Preos de ativos negociados em mercado apresentam

18

um padro oscilatrio de alternncia de movimentos de alta e de baixa no


decorrer do tempo, em consonncia com o processo de realinhamento dos
valores relativos na economia. Operadores de Bolsa de Valores buscam prever
estes movimentos, obtendo indicaes antecipadas de quando comprar ou vender
um ativo financeiro. Nessa busca, a preocupao est no mercado se mover em
um significativo espao de tempo em um sentido (THOMAS; VELLASCO,
2005).
O ndice da Bolsa de Valores de So Paulo (IBOVESPA) foi criado com
a finalidade de acompanhar o desempenho mdio dos preos dos principais
ativos financeiros negociados na Bolsa de Valores do estado de So Paulo
(NASCIMENTO et al., 2007). Este ndice composto por ativos financeiros
escolhidos principalmente por sua representatividade em termos de quantidade
de negcios (medido por um ndice de negociabilidade) apresentada em um
perodo (MELLAGI FILHO; ISHIKAWA, 2000). A utilizao de tcnicas de
inteligncia computacional uma das estratgias para estimar o valor desse
ndice por usar sistemas no lineares, da mesma forma como se comporta o
mercado, visto que este sofre influncias de vrios fatores polticos e
econmicos (MELLO, 2004 citado por BAUER, 2008).

1.2 Objetivo
Nesta dissertao, o objetivo do autor apresentar modelagens,
implementaes e uma anlise comparativa de sistemas computacionais
inteligentes no apoio a tomada de deciso em mercado de capitais. Alm de
desenvolver de maneira modular, em duas modelagens, foram utilizadas as
tcnicas de inteligncia computacional lgica fuzzy e redes neurais artificiais
(RNAs) do tipo perceptron com uma camada, respectivamente. As demais so

19

desenvolvidas com a reorganizao dos mdulos das modelagens anteriores, o


que permite obter mais 6 modelagens (hbridas).
A aplicabilidade e a avaliao dos resultados desses sistemas foram
feitas utilizando dados histricos reais advindos do mercado de capitais. Isso
permitiu realizar a anlise de (i) acurcia e corretude dos resultados e (ii) como a
modelagem utilizando unicamente lgica fuzzy, (iii) como a modelagem
utilizando unicamente RNAs e (iv) as modelagens hbridas se comportaram no
apoio tomada de deciso em mercado de capitais.

1.3 Metodologia de desenvolvimento


A metodologia de pesquisa um conjunto de mtodos, tcnicas e
procedimentos cuja finalidade viabilizar a execuo da pesquisa. Essa
execuo tem como resultado um novo produto, processo ou conhecimento
(JUNG, 2009).

1.3.1 Tipo de pesquisa


Uma pesquisa pode ser classificada em (Figura 1) (JUNG, 2009):
a) Quanto Natureza: i) Pesquisa Bsica (gerar conhecimento sem
finalidades

de

aplicao)

ii)

Pesquisa

Aplicada

(gerar

conhecimento com finalidades de aplicao);


b) Quanto aos Objetivos: i) Exploratria (descobrir/inovar); ii)
Descritiva (como?); e iii) Explicativa (por que?);
c) Quanto as Abordagens: i) Quantitativa; e ii) Qualitativa;
d) Quanto aos Procedimentos: i) Survey; ii) Pesquisa-Ao; iii) Estudo
de Caso nico ou Mltiplos; iv) Operacional; e v) Experimental.

20

Alm disso, os mtodos para a coleta dos dados podem ser por meio de
(i) observao do participante, (ii) grupos focados, (iii) entrevistas, (iv)
questionrio, (v) experimentao e (vi) observao.

Figura 1

Tipos de pesquisa cientfica

Fonte: Jung (2009)

Quanto natureza, este trabalho pode ser classificado como pesquisa


aplicada, pois foi realizada sobre um problema com finalidades de aplicao.
Quanto aos seus objetivos, este trabalho pode ser caracterizado como pesquisa
exploratria, pois tcnicas de inteligncia computacional foram avaliadas para
descobrir possveis mtodos para a previso do mercado financeiro. Quanto
sua abordagem, este trabalho pode ser caracterizado como pesquisa
quantitativa, pois se teve como finalidade a medio e a anlise de sistemas
utilizando duas tcnicas de inteligncia computacional: lgica fuzzy e RNAs.
Quanto aos procedimentos, este trabalho pode ser caracterizado como estudo de
caso, pois um estudo da aplicao da lgica fuzzy e das RNAs apresentado. A

21

coleta de dados deste trabalho feita por meio de observao de dados


financeiros histricos.

1.3.2 Procedimentos metodolgicos


Inicialmente, uma pesquisa bibliogrfica foi realizada a fim de levantar
conceitos de mercado financeiro, de lgica fuzzy e de RNAs. Em seguida, alguns
trabalhos relacionados previso do mercado financeiro foram analisados, os
quais possibilitaram verificar como tcnicas de inteligncia computacional
podem ser utilizadas para este tipo previso.
Em seguida, foram estabelecidas, para a construo da modelagem
utilizando a lgica fuzzy, (i) a definio dos universos de discurso das variveis
lingusticas, (ii) a definio da quantidade de termos primrios e graus de
pertinncia dos conjuntos fuzzy que representam cada termo, (iii) a determinao
das regras que formam o mecanismo de controle e (iv) a definio de parmetros
de projeto, como mtodo de inferncia, lgica a ser empregada, forma de
"defuzzificao" e atuao do controlador. Aps a construo dessa modelagem,
um sistema web mobile foi implementado para possibilitar a sua avaliao.
Em seguida, foi construda a modelagem utilizando RNAs. Para isso, a
modelagem anterior foi utilizada como base, para que cada mquina de
inferncia fuzzy possusse uma representao nas RNAs. Alm dessas, RNAs
auxiliares foram utilizadas, o que possibilitou melhor comparao entre ambas
as modelagens. Da mesma forma, um sistema web foi implementado para
viabilizar a sua avaliao.
Aps o desenvolvimento e a implementao dessas duas modelagens, os
seus mdulos foram recombinados e reorganizados, o que permitiu desenvolver
seis modelagens hbridas com respectivas implementaes. Em seguida,
observaes, anlises e constataes foram feitas a respeito das diferenas e das

22

semelhanas dos resultados obtidos pelos oito sistemas entre si e com os dados
histricos reais.

1.4 Estrutura do trabalho


Este trabalho est organizado da seguinte forma.
Trabalhos relacionados aos assuntos abordados por essa dissertao so
tratados no Captulo 2.
Conceitos, propriedades e fundamentos da tcnica de inteligncia
computacional lgica fuzzy so abordados sucintamente no Captulo 3.
Breve resumo dos conceitos, das propriedades, dos fundamentos, o lado
histrico e o funcionamento da tcnica de inteligncia computacional RNAs so
apresentados no Captulo 4.
Conceitos, definio e clculo dos indicadores financeiros para realizar
anlise tcnica so tratados no Captulo 5.
Metodologia e anlise aplicadas nas modelagens utilizando lgica fuzzy
e RNAs so apresentadas no Captulo 6.
Consideraes finais com concluses, contribuies, limitaes e
sugestes de trabalhos futuros so discutidos Captulo 7.

23

2 TRABALHOS RELACIONADOS
O desenvolvimento da computao e de tcnicas de inteligncia
computacional tem proporcionado melhor compreenso dos chamados sistemas
complexos e no lineares. Um sistema complexo um sistema no prdeterminstico que evolui no tempo com comportamento desequilibrado e
aperidico, sendo que o estado futuro extremamente dependente do estado
atual, podendo ser mudado radicalmente a partir de pequenas mudanas no
presente. Estes sistemas se caracterizam por apresentar um comportamento no
linear, cujos fatores, de diferente natureza, so influenciados com a evoluo do
tempo (REZENDE, 2002).
O surgimento de novas tcnicas computacionais proporcionou melhor
entendimento da estrutura desses sistemas, fornecendo dados experimentais
suficientes que levam a melhor compreenso do seu comportamento. Com
relao ao mercado de ativos financeiros, os mtodos estatsticos so uma
alternativa para entender e prever o mercado. Porm, tcnicas de inteligncia
computacional, tais como, RNAs, lgica fuzzy e algoritmos genticos, podem ser
encontradas em diversos trabalhos desenvolvidos por pesquisadores para
concretizar essa previso. Alguns desses estudos so brevemente descritos.
Em um trabalho (GHIASSI; SAIDANE; ZIMBRA, 2005), estudos
comparativos entre RNAs quanto a forma para a previso de eventos de sries
temporais foram apresentados. A partir desses estudos, um modelo de RNA
dinmico foi proposto para a previso de eventos de sries temporais que utiliza
uma arquitetura diferente dos modelos tradicionais. Nesse modelo, uma RNA
com um processo iterativo sequencial de aprendizagem foi utilizada a
abordagem de backpropagation. Dados de sries temporais, a partir dos dados
da literatura, foram utilizados para avaliar a eficcia. Esses resultados mostraram

24

que o modelo foi preciso e executa significativamente melhor do que mtodos


tradicionais, bastando escolher as variveis de entrada.
Evidncias empricas apontaram que modelos de RNAs programados
geneticamente consistem em um quadro promissor um quadro promissor para a
modelagem de sries temporais no lineares (MENEZES; NIKOLAEV, 2006).
Com essas evidncias, notou-se que esses modelos podem superar outras
abordagens no lineares e podem ser aplicveis srie temporal em perodos de
at 120 meses. Resumindo, trs concluses principais podem ser destacadas: i) o
sistema utilizando estes modelos de RNAs pode descobrir polinmios que
melhor capturam a dinmica das sries temporais em perodos de 24 horas; ii)
este modelo pode ajudar a compreender as dependncias de uma srie de tempo,
pois variveis significativas de entrada durante o aprendizado so isoladas; e iii)
a parcimnia do modelo afeta o desempenho de previso.
Uma abordagem para investigar a previsibilidade das taxas de cmbio
nos perodos de 1, 3 e 6 meses por meio de especificaes lineares e no lineares
foi apresentada para a construo de modelos de previso com base nessas
especificaes (PREMINGER; FRANCK, 2007). Com os resultados obtidos,
observou-se que os modelos no lineares podem proporcionar melhor
desempenho fora da amostra, em comparao aos modelos lineares. No entanto,
o desempenho de previso do modelo proposto menos satisfatrio comparado
aos modelos que possuem propriedades de ajuste instantneo, os quais so
utilizados para prever mercados em que as variaes de preos so
independentes da sequncia de negociaes. A utilizao dessa abordagem deve
ser generalizada para estudar a previsibilidade das taxas de cmbio e pode ser
aplicada a outras questes de previso, por exemplo, prever taxas de cmbio
com os fundamentos monetrios ou previso de outras sries de retornos
financeiros.

25

Um modelo hbrido entre RNA e sries temporais financeiras para


prever a volatilidade do ndice de preo dos ativos financeiros foi proposto,
especificando que RNAs e sries temporais podem aumentar o poder preditivo
para a perspectiva de desvio e preciso de direo do preo (ROH, 2007). Nesse
trabalho, coeficientes de variveis de entrada de processo financeiro de sries
temporais foram encontrados e variveis que influenciam os resultados
utilizando a anlise de domnio do mercado de ativos financeiros foram obtidas.
Nesses resultados experimentais, percebeu-se que o modelo pode ser melhorado
para prever a volatilidade das sries temporais dos preos do ndice.
Uma ampla reviso de tcnicas inteligentes e estatsticas para prever
falncias em bancos e empresas entre os anos 1968 e 2005 foi apresentada,
concluindo a importncia da utilizao de tcnicas inteligentes para realizar essa
previso (KUMAR; RAVI, 2007). Nesse trabalho, foi relatado que tcnicas
estatsticas no so mais empregadas e tcnicas de inteligncia computacional
foram as mais utilizadas, entre elas, RNA, lgica fuzzy e abordagens evolutivas.
Dadas s limitaes das tcnicas de inteligncia computacional, a pesquisa
realizada pelo autor com esse trabalho sinalizou a importncia de investigar
novas arquiteturas de computao flexvel (sistemas hbridos inteligentes), a fim
de ampliar as vantagens dos modelos individuais e minimizar as suas limitaes.
Algoritmos de aprendizagem neurofuzzy foram apresentados para prever
a taxa de cmbio, agrupando conjuntos de dados de sries temporais de forma
granular e utilizando intervalos estatsticos (ZHANG; WAN, 2007). Estes
intervalos so baseados em mdias, erros mximos de estimativa e desvios
padro utilizados para a aprendizagem neurofuzzy para descobrir regras fuzzy
SE-ENTO. Com o resultado dessa abordagem, obteve-se um auxlio na
previso da taxa de cmbio e na tomada de deciso.
Estudos para melhorar a previso de sries temporais difusas com
aplicao de RNAs foram apresentados como dois modelos bivariados, tendo o

26

preo dos ativos financeiros e os ndices futuros correspondentes como entrada


para as RNAs a fim de prever o movimento do dia seguinte (YU; HUARNG,
2008). Os resultados demonstraram que o modelo bivariado baseado em sries
temporais fuzzy obteve melhor desempenho em comparao ao modelo
bivariado de regresso. No entanto, esse modelo obteve pior desempenho dentre
outros modelos bivariados.
O desenvolvimento de um sistema neurofuzzy para prever as tendncias
dos preos dos ativos financeiros foi abordado a partir de perspectivas
conceituais e tcnicas, justificando os seus aspectos de modelagem
(ATSALAKIS; VALAVANIS, 2009). Os resultados mostraram que, quando
dados histricos so utilizados, possvel prever os preos dos ativos
financeiros. Esta declarao foi apoiada por vrios estudos de caso de diferentes
ativos financeiros de dois mercados financeiros (um emergente e um
desenvolvido). Com esse, foi possvel averiguar o potencial da utilizao da
modelagem neurofuzzy para a previso do mercado financeiro.
Um estudo de um modelo utilizando o sistema fuzzy Takagi-SugenoKang com base de regras de indicadores tcnicos (como variveis de entrada) foi
relatado e testado na Bolsa de Valores de Tquio e em alguns ndices da Bolsa
de Valores de Teer, tais como ndice Total, Top 50 Index, ndice de Indstria e
ndice Financial Group (ESFAHANIPOUR; AGHAMIRI, 2010). Os resultados
de desempenho superaram outras abordagens, tais como as redes neurais
backpropagation. Alm disso, neste trabalho, aperfeioamentos so sugeridos
com o objetivo de prever a tendncia de variao de preos, incluindo vrios
fatores influentes, tais como, razes polticas, anlise fundamental, indicadores
tcnicos e mudana macro econmica. Cabe ressaltar que esse sistema pode ser
utilizado com o propsito de negociao diria.
Os trabalhos resumidamente apresentados buscam de certa forma prever
movimentos futuros de preos, porm eles divergem quanto s tcnicas e aos

27

mtodos utilizados para a previso. Nesta dissertao, so utilizados cinco


indicadores tcnicos como dados de entrada. Apesar da utilizao destes cinco
indicadores, as modelagens so extensveis, o que permite a incluso de outros
indicadores tcnicos e outros tipos de entrada de diferentes naturezas, tais como,
indicadores fundamentalistas. Como pde ser visto nos trabalhos relacionados,
h trabalhos que utilizam indicadores tcnicos como dados de entrada, porm
eles no mostram flexibilidade e extensibilidade de modo a receber tipos de
entrada de diferentes naturezas.
Alm disso, apesar desta dissertao estar limitada ao uso de duas
tcnicas de inteligncia computacional, pode-se utilizar outras tcnicas, por
exemplo, algoritmo gentico. Isso possvel por causa da modularidade das
modelagens que permite flexibilidade e extensibilidade na sua utilizao e na
construo de modelagens hbridas.

28

3 LGICA FUZZY
3.1 Consideraes iniciais
A primeira ocorrncia da expresso "lgica fuzzy" para ser utilizada com
base na teoria de conjuntos fuzzy foi usada no artigo Fuzzy Sets (ZADEH, 1965).
Nesse artigo, foi demonstrado matematicamente o tratamento dos aspectos
imprecisos e ambguos apresentados na lei da contradio. Esta lei, proposta por
Jan Lukasiewicz em 1930, preconiza que uma determinada afirmao pode ser
verdadeira e falsa ao mesmo tempo (OTTAVIANO; FEITOSA, 2003). Isso se
torna possvel desde que no apresentem apenas dois nveis (verdadeiro e falso),
mas um grau de verdade, o que acarreta a existncia vrios nveis (CAMPOS
FILHO, 2004). Essa a ideia da lgica fuzzy, a no restrio entre apenas dois
valores afirmada na lgica clssica, verdadeiro e falso, preto e branco, mas, por
exemplo, vrios tons de cinza que indicam a ideia de conjuntos com graus de
pertinncia.
A lgica fuzzy trata de um raciocnio que busca classificar em nmeros
uma determinada realidade ou situao que trabalha com muitas variveis
incertas e vagas, a fim de facilitar o trabalho e a manipulao dos computadores
(SHAW; SIMES, 1999). Assim, a lgica fuzzy busca uma generalizao da
lgica clssica, flexibilizando-a entre [0,1] de modo que a implementao de um
projeto de sistema fuzzy possa ser reduzida a um ponto em que problemas
anteriormente intratveis passam a ter possveis solues. A caracterstica de
lidar com a impreciso e a ambiguidade da linguagem natural fez com que a
lgica fuzzy se tornasse alvo de pesquisas em diversas reas, por exemplo,
controle de sistemas e inteligncia artificial (BOTELHO, 2002).
Este captulo est organizado da seguinte forma. Benefcios dos modelos
baseados em lgica fuzzy so discutidos na Seo 3.2. Aplicaes utilizando

29

lgica fuzzy so relatadas na Seo 3.3. Conceitos dos conjuntos fuzzy so


resumidos na Seo 3.4. Funes de pertinncias e operaes com os conjuntos
fuzzy so abordadas na Seo 3.5 e na Seo 3.6, respectivamente. Fundamentos
de modelagem fuzzy so discutidos na Seo 3.7. Sistemas baseados em lgica
fuzzy so apresentados na Seo 3.8. Mtodos de inferncia fuzzy so tratados na
Seo 3.9.

3.2 Lgica clssica versus lgica fuzzy


A lgica fuzzy incorpora regras simples baseadas em

utilizadas para resolver um problema de controle, em vez da tentativa de


modelar um sistema matematicamente.
Para representar apropriadamente o conhecimento do mundo com algum
formalismo, necessrio expressar no somente proposies verdadeiras ou
falsas, mas expressar/descrever objetos e generalizaes sobre categorias de
objetos. Com a lgica clssica, pode-se descrever e generalizar. Uma das
vantagens dessa representao a facilidade de manipular e deduzir novos fatos
a partir de fatos conhecidos. Uma das desvantagens a dificuldade para
determinar quais fatos podem ou no ser relevantes durante um processo (TH,
2001).
A lgica fuzzy apresenta as seguintes vantagens em relao lgica
clssica (PEREIRA, 2010):
a) naturalidade a torna conceitualmente fcil de entender;
b) flexibilidade;

30

c) tolerncia com dados imprecisos;


d) possibilidade de modelar as funes no lineares;
e) possibilidade de ser construda com base na experincia de
especialistas;
f) possibilidade de ser integrada s tcnicas convencionais de controle;
g) simplificao ou ampliao das possibilidades e dos recursos dos
mtodos convencionais de controle, em muitos casos;
h) baseada na linguagem natural, base da comunicao humana.
A lgica fuzzy tem sido bastante empregada em vrios campos de
pesquisa, por ser capaz de modelar e descrever processos reais desconhecidos,
com caractersticas no lineares e variveis no tempo (VIEIRA; LING, 2006).
Um benefcio significante dos modelos baseados em lgica fuzzy a habilidade
de codificao de conhecimentos inexatos, em uma forma que se aproxima dos
processos de deciso. Os sistemas de inferncias baseados em lgica fuzzy
possibilitam a captura do conhecimento prximo ao "modelo cognitivo"
utilizado na anlise de problemas. Isto significa que o processo de aquisio do
conhecimento mais fcil e confivel e menos sujeito a erros no identificados
(RUHOFF et al., 2005).

3.3 Aplicaes da lgica fuzzy


Ao longo dos ltimos 30 anos, o desenvolvimento de vrios mtodos
matemticos e conceitos tm ampliado a aplicao prtica da lgica fuzzy,
principalmente na concepo de controladores de processos industriais
complexos (MASSAD; ORTEGA; STRUCHINER, 2003). Os japoneses foram
os pioneiros na utilizao da lgica fuzzy, adquirindo conhecimento por

31

aplicarem com frequncia no aperfeioamento de diversos aparelhos eltricoeletrnicos.


A lgica fuzzy pode ser encontrada em aparelhos como aspiradores de
p, que utilizam controladores fuzzy nos sensores de p, ajustando o poder de
suco por meio de complexos mecanismos. Alm disso, h dispositivos nas
cmeras fotogrficas inteligentes que medem a claridade das imagens em seis
regies do campo de viso; essas informaes determinam o foco e rastreiam a
taxa de mudana no movimento da lente, procurando o melhor foco. Outro
exemplo as mquinas de lavar da empresa Hitachi, que utilizam controladores
fuzzy para verificar peso, tipo de tecido e tipo de sujeira e, automaticamente,
adaptar ciclos de lavagem para a utilizao otimizada de potncia, de gua e de
detergente (CAMBOIM, 2008).
A lgica fuzzy no utilizada apenas para facilitar o dia a dia, mas para
diminuir gastos nas execues de tarefas, como no caso do aparelho de ar
condicionado industrial projetado pela empresa Mitsubishi. Esse aparelho possui
um controlador fuzzy que utiliza 25 regras fuzzy de aquecimento e 25 regras
fuzzy de refrigerao. Comparado com outros tipos de ar condicionado, a
utilizao desse controlador fuzzy permite a esse aparelho aquecer e esfriar cinco
vezes mais rpido, reduzir o consumo de energia e manter a temperatura duas
vezes mais estvel (PEREIRA, 2010).
Alm desses exemplos, percebe-se que a utilizao da lgica fuzzy vem
crescendo a cada dia nas diversas reas. Por exemplo, vrias empresas a aplicam
para reconhecimento de caracteres (scanners); na indstria automotiva, destacase nas transmisses automticas (Nissan e Lexus), na injeo eletrnica, na
suspenso ativa e nos freios antibloqueantes (ABS). Sistemas industriais a
incluem no controle de grupo de elevadores (Hitachi e Toshiba), nos veculos
autoguiados, nos robs mveis (Nasa e IBM), na ventilao de tneis urbanos
(Toshiba) e no controle de trfego urbano (Sendai) (PEREIRA, 2010).

32

Existem vrias empresas (Siemens, Daimler-Benz, Klockner-Moeller,


SGS-Thomson, General Motors, Motorola, Hewlett-Packard, etc.) que possuem
laboratrios de pesquisa em lgica fuzzy para desenvolvimento de seus
produtos (ORTEGA, 2001). No Brasil, algumas indstrias e empresas vm
desenvolvendo produtos e servios, por exemplo, Otis (com elevadores
inteligentes), Villares (peas para guindastes e empilhadeiras), IBM (na rea de
computao), Yokogawa (com medidores de umidade) e Robertshaw (controles
eletromecnicos, termostatos, timers) (RUHOFF et al., 2005).
As aplicaes da lgica fuzzy so ainda incipientes ou insuficientemente
desenvolvidas apesar do seu potencial de aplicao (MASSAD; ORTEGA;
STRUCHINER, 2003). Porm, uma abordagem interdisciplinar pode orientar e
motivar profissionais de diferentes reas para comporem equipes a fim de
contornarem dificuldades que ainda limitam as aplicaes da lgica fuzzy.
Embora haja consenso sobre a necessidade de tcnicas de representao de
incerteza, o debate sobre a metodologia mais adequada est longe do fim
(PEREIRA, 2010).

3.4 Conjuntos fuzzy


Os conjuntos fuzzy so conjuntos que no possuem fronteiras bem
definidas. Esses conjuntos so utilizados por causa dos conjuntos da lgica
clssica apresentarem limitaes para lidar com problemas em que as transies
de uma classe para outra acontecer de forma suave. Sua definio, suas
propriedades e suas operaes so obtidas da generalizao da teoria de
conjuntos clssicos, recaindo em um caso particular da teoria de conjuntos fuzzy
(BOTELHO, 2002). Para obteno da formalizao matemtica de um conjunto
fuzzy, houve o embasamento no fato de qualquer conjunto clssico poder ser

33

caracterizado por uma funo, denominada funo caracterstica (ZADEH,


1965), cuja definio :
Seja U um conjunto universo e A um subconjunto de U. A funo
caracterstica de A dada por:

sendo x um elemento de U, ou seja, a funo caracterstica um


mapeamento do conjunto universo no conjunto {0,1}.
Essa funo caracterstica discrimina, entre os elementos de U, aqueles
que pertencem ou no ao subconjunto A segundo algum critrio, dividindo o
conjunto U em duas partes com fronteira bem definida. Todavia, existem casos
em que a pertinncia entre elementos e conjuntos no precisa, isto , no se
sabe se um elemento pertence ou no a um conjunto. Por outro lado, pode-se
saber qual elemento do conjunto U se enquadra "melhor" ao termo que
caracteriza o subconjunto A. Por exemplo, seja o subconjunto dos nmeros reais
"prximos de 2" (LIMA, 2011), cuja representao :

Como responder as seguintes perguntas: i) o nmero 7 pertence ao


subconjunto A?; e ii) o nmero 2,001 pertence ao subconjunto A? A resposta
para estas perguntas incerta, pois no se sabe at que ponto pode-se dizer
objetivamente quando um nmero est prximo de 2. Neste caso, a nica

34

afirmao razovel : o nmero 2,001 est mais prximo de 2 do que o nmero


7.
Para obteno dos conjuntos fuzzy, preciso generalizar a funo
caracterstica

da

lgica

clssica

para

intervalo

[0,1],

ou

seja,

, o que implica em considerar valores de pertinncia e no


apenas "pertence" e "no pertence". Assim, o elemento x pertencer ao
subconjunto A com um grau de pertinncia cujo valor est no intervalo [0,1]. De
modo anlogo, pode-se considerar o grau de pertinncia como uma medida que
expressa a possibilidade que um dado elemento seja membro de um conjunto
fuzzy (BOTELHO, 2002).

3.5 Funo de pertinncia


Cada conjunto fuzzy caracterizado pela sua funo de pertinncia que
corresponde a uma curva que define o grau de pertinncia (valor entre 0 e 1) de
cada entrada. Para exemplificar o conceito de funo de pertinncia, tem-se a
classificao da estatura de uma pessoa alta, mdia ou baixa, tendo trs grupos
de classificao: baixo, mdio e alto. Os conjuntos de pessoas de estatura
baixa, mdia e alta utilizando o mtodo convencional de conjuntos e utilizando o
mtodo fuzzy, mostrando as funes de pertinncia de cada um dos conjuntos,
so ilustrados na Figura 2 e na Figura 3, respectivamente (SILVA, 2009).

35

Figura 2

Funo caractersticas do conjunto (mtodo convencional)

Fonte: Silva (2009)

Figura 3

Funo caracterstica do conjunto fuzzy

Fonte: Silva (2009)

Em ambos os grficos, os graus de pertinncia (intervalo de 0 a 1) esto


no eixo vertical, a altura de cada pessoa representada no eixo horizontal e a
funo de pertinncia associa cada entrada (altura) a uma sada (grau de
pertinncia) (lado esquerdo). Na Figura 3, pode-se observar que uma pessoa com
altura 1,85 m possui grau de pertinncia de 0,7 para estatura alta e 0,2 para
estatura mdia. Por outro lado, na Figura 2, pode-se perceber que no trivial
definir se a estatura de uma pessoa com 1,85 m mdia ou alta.
Vale salientar que as funes de pertinncia podem assumir vrias
formas, ficando a cargo do projetista a escolha da forma mais conveniente para
sua aplicao. Um conjunto fuzzy caracterizado por uma funo de pertinncia
e o grau de pertinncia pode ser considerado como uma medida que expressa a
possibilidade de um dado elemento ser membro de um conjunto fuzzy
(SANTOS, 2010).
Quando os conjuntos fuzzy so contnuos sua representao a prpria
funo de pertinncia. As formas para as funes de pertinncia so totalmente
arbitrrias. Todavia, as funes mais utilizadas so (SANTOS, 2010):

36

Crescente. Essa funo definida pela Equao 1 e representada na


Figura 4;
(1)

Figura 4

Funo de pertinncia crescente

Decrescente. Essa funo definida pela Equao 2 e representada na


Figura 5;

(2)

Figura 5

Funo de pertinncia decrescente

37

Triangular. Essa funo definida pela Equao 3 e representada na


Figura 6;

(3)

Figura 6 Funo de pertinncia triangular


Fonte: Silva (2009)
Trapezoidal. Essa funo definida pela Equao 4 e representada na
Figura 7.

(4)

38

Figura 7 Funo de pertinncia trapezoidal


Fonte: Silva (2009)
Gaussiana. Essa funo definida pela Equao 5 e representada na
Figura 8.
(5)

Figura 8 Funo de pertinncia gaussiana


Fonte: Silva (2009)
As funes crescente, decrescente, triangular e trapezoidal so as mais
populares por causa da sua simplicidade. O custo computacional adicional
exigido pelos outros tipos de funo no refletem, em geral, em uma melhoria
significativa na qualidade dos valores de sada dos sistemas (ORTEGA, 2001).

39

3.6 Operaes com conjuntos fuzzy


Os conjuntos fuzzy possuem operaes de interseco, de unio, de
negao, entre outras (SANDRI; CORREA, 1999). A seguir, as definies
dessas operaes com suas respectivas representaes grficas (RADU;
WILKERSON, 1996) so apresentadas. Sejam A e B subconjuntos de um mesmo
universo de discurso.
A definio da operao de unio determinada pela Equao 6. A
unio implementada pelo conectivo lgico OU (OR) e pode ser ilustrada
conforme apresentada na Figura 9.

(6)

Figura 9

Operao de unio

Fonte: Magalhes (2009)

A definio da operao de interseco determinada pela Equao 7.


Esta operao implementada pelo conectivo lgico E (AND) e pode ser
ilustrada conforme apresentada na Figura 10.

(7)

40

Figura 10 Operao de interseco


Fonte: Magalhes (2009)

A definio da operao de negao determinada pela Equao 8. Esta


operao implementada pelo conectivo NO (NOT) e pode ser ilustrada
conforme apresentada na Figura 11.

(8)

Figura 11 Operao de negao


Fonte: Magalhes (2009)

Por outro lado, sejam dois conjuntos fuzzy definidos em universos de


discurso diferentes, ou seja, A em X e B em Y, tem-se a noo de produto
cartesiano entre conjuntos fuzzy determinada pela Equao 9. O produto
cartesiano A B uma relao R contida no produto cartesiano X Y e pode
ser ilustrada conforme apresentada na Figura 12 (BARROS, 2002).

41

(9)

Figura 12 Produto cartesiano


Fonte: Magalhes (2009)
As relaes de causa e consequncia, fundamental na tcnica de
modelagem de sistemas com base em lgica fuzzy, so definidas pela operao
de inferncia fuzzy e simbolizada por "". Considerando cada relao R
como uma regra, que consiste em uma "premissa" (conjunto A) e uma
"consequncia" (conjunto B) da aplicao da operao de inferncia fuzzy, a
inferncia determinada pela Equao 10.

(10)

Sejam os valores x

A ey

B, A e B conjuntos fuzzy definidos

respectivamente nos universos de discurso X e Y. Sem discordar da definio da


Equao 10, para a relao fuzzy R = A B, as formas prticas de
inferncias fuzzy so determinadas pela Equao 11, pela Equao 12,

42

pela Equao 13 e pela Equao 13 (SANDRI; CORREA, 1999; WEBER;


KLEIN, 2003).

(11)

(12)

(13)

(14)

3.7 Fundamentos da modelagem fuzzy


Um sistema caracterizado por n variveis pode ser modelado por um
sistema fuzzy de acordo com o entendimento e com as experincias prticas de
uma pessoa especializada em determinado assunto a respeito de como este
sistema se

desenvolve no decorrer de

sua

observao

e operao

(MAGALHES, 2009).
Os modelos fuzzy tm como principais caractersticas a facilidade de
compreenso, por sua simplicidade estrutural. Em geral, eles so de grande
destreza para a soluo de problemas no lineares e aproximao de
comportamentos complexos, cujas variveis so pouco compreensveis
(MENDEL, 2003).
A construo de um sistema fuzzy inicia-se pela identificao de
variveis lingusticas que representam as variveis de entrada e de sada do
sistema. A ideia central desobrigar-se de boa parte dos padres matemticos
rigorosos para mensurar os estados das variveis de um sistema dinmico. Estas

43

variveis, quando analisadas durante a observao do comportamento, deixam


de ser consideradas e aferidas somente de forma numrica exata e passam a
admitir que os seus estados sejam descritos segundo palavras, usuais na forma
subjetiva de pensar e de se comunicar do ser humano (THIELE, 1999).
Os vocbulos, que transmitem um conhecimento incerto a respeito do
estado de uma varivel, so abstrados e concebidos matematicamente por meio
da construo de alguns conjuntos fuzzy, os quais recebem o nome do termo de
valor lingustico que representam. Um conjunto fuzzy denotado por

denominado "termo lingustico" da varivel x (LAMBERT-TORRES; SILVA;


ROSSI, 2002).
Em geral, os termos lingusticos so adjetivos empregados para
caracterizar de forma subjetiva o estado de uma varivel. Por exemplo, o termo
= Ambiente para qualificar uma varivel "x = Temperatura" na
frase " temperatura ambiente ocorrem reaes que demandam 136 kcal"
(LEWIS, 1995). Sendo a varivel x = Temperatura, ela pode ser associada
ao

conjunto

com

, definidos intuitiva ou estatisticamente, de acordo com os


critrios de apreciao da varivel adotados (a partir de quantos graus Celsius a
temperatura considerada alta? Ou baixa? Ou ambiente?) (MAGALHES,
2009).
Assim, a criao de um sistema especialista baseado em regras
lingusticas resulta na representao do processo ao qual proposta a
modelagem. Esta representao so relaes fuzzy entre as ideias e os fatos do
evento observado com o enunciado das possveis proposies entre os
vocbulos.

44

Termos lingusticos so utilizados para propor uma caracterizao


aproximada para fenmenos cujos estados das variveis so mal definidos
quantitativamente, transmite-se a expresso da semntica utilizada por pessoas.
Essa transmisso feita por meio de afirmaes verbais nas quais declarada a
associao da varivel com cada termo lingustico que conota um estado
(LEWIS, 1995).
A descrio de um sistema utilizando lgica fuzzy feito com
conjecturas lgicas que descrevem a relao entre suas variveis. Estas
conjecturas mapeiam os elementos de um universo de discurso, X, de entradas
em outro conjunto, Y, de sadas. Nelas, as leis do sistema so implementadas sob
a forma de proposies condicionais, no qual as variveis de entrada (X) esto
dispostas nas premissas das proposies e as variveis de sada (Y) esto nas
consequncias (MATLAB..., 2012).
Com o uso de termos lingusticos para qualificar as variveis de um
evento, caractersticas fuzzy so conferidas s proposies. Por causa destas
caractersticas, tais conjecturas so denominadas proposies condicionais fuzzy,
as quais so a chave do mecanismo de funcionamento do modelo fuzzy
(MENDEL, 2003). Essas proposies descrevem regras de controle lingusticas
ou simplesmente regras lingusticas, que implementam computacionalmente a
base de conhecimento do sistema especialista (LAMBERT-TORRES; SILVA;
ROSSI, 2002).

3.8 Sistemas baseados em lgica fuzzy


Os sistemas fuzzy podem produzir estimativas de um sistema no linear
complexo desde que informaes de especialista sejam fornecidas com entrada
para esses sistemas. A lgica de tomada de decises, incorporada na estrutura de

45

inferncia da base de regras, usa inferncia fuzzy para simular tomada de deciso
humana (PEREIRA, 2010).
Os sistemas fuzzy so o resultado de uma generalizao dos sistemas
clssicos, ou seja, nessa abordagem, os conceitos fuzzy so incorporados a esses
sistemas. Os sistemas fuzzy estimam funes com descrio parcial do
comportamento do sistema, onde especialistas podem prover o conhecimento
heurstico ou esse conhecimento pode ser inferido a partir de dados de entrada e
de sada do sistema. Desta forma, pode-se dizer que os sistemas fuzzy so
sistemas baseados em regras que utilizam variveis lingusticas fuzzy para
executar um processo de tomada de deciso (TH, 2001).
O conhecimento no um valor ou conceito preciso e/ou exato, ele pode
refletir ao mesmo tempo o quanto se sabe e o quanto no se sabe, sem que
ambos sejam complementares. Quanto maior a quantidade de informaes com
qualidade, mais certo e preciso ele , contudo continua a expressar um
desconhecimento ou incerteza (PEREIRA, 2010).
Um modelo esquemtico da mquina de inferncia fuzzy ilustrado na
Figura 13. Um modelo lingustico fuzzy um sistema baseado em regras que usa
a teoria de conjuntos fuzzy para lidar com um fenmeno particular (COSTA,
2004). Em geral, cada entrada fuzzy (um nmero real ou par de nmeros reais ou
n-upla de nmeros reais) tem uma sada fuzzy correspondente. Neste caso, um
sistema fuzzy uma funo de Rn em R, construda de alguma maneira
especfica. A estrutura bsica de um sistema fuzzy inclui quatro componentes (ou
mdulos) principais: i) um "fuzzificador"; ii) um mecanismo de inferncia; iii)
uma base de regras; e iv) um "defuzzificador".

46

Figura 13 Mquina de inferncia fuzzy


Fonte: Ortega (2001)
3.8.1 Mdulo de fuzzificao
O mdulo "fuzzificador" nmero clssico valorado, que se traduz por
entradas em valores fuzzy. Com esse mdulo, pode-se modelar matematicamente
a informao das variveis de entrada por meio de conjuntos fuzzy. Alm disso,
ele mostra a importncia do especialista no processo a ser analisado, pois termos
lingusticos que representam os estados das variveis deve ser atribudo para
cada varivel de entrada e um conjunto fuzzy por uma funo de pertinncia
deve ser associado para cada termo lingustico (PEREIRA, 2010).
A "fuzzificao" o processo de associar ou calcular um valor para
representar um grau de pertinncia da entrada em um ou mais grupos
qualitativos, chamados de conjuntos fuzzy. O grau de pertinncia determinado
por uma funo de pertinncia que foi definida com base na experincia ou
intuio. Funes de pertinncia so o meio pelo qual um controlador

47

sintonizado para alcanar respostas desejadas a determinadas entradas (DIAS et


al., 2005).
O processo de "fuzzificao" envolve a definio de entradas e sadas,
bem como as respectivas funes de pertinncia que transformam o valor
numrico de uma varivel em um grau de adeso a um conjunto fuzzy, que
descreve uma propriedade da varivel. Uma vez que nem todas as variveis tm
a mesma importncia, necessrio estabelecer uma forma de orientar a
influncia de cada varivel na pontuao final (OCAMPO-DUQUE et al., 2006).

3.8.2 Mdulo da base de regras


Este mdulo o ncleo do sistema e nele onde as variveis e suas
classificaes lingusticas esto "guardadas". A regra fuzzy uma unidade capaz
de capturar algum conhecimento especfico e um conjunto de regras capaz de
descrever um sistema em suas vrias possibilidades. Cada regra fuzzy, da mesma
forma que uma afirmao clssica, composta por uma parte antecedente (a
parte SE) e uma parte consequente (a parte ENTO), resultando em uma
estrutura do tipo SE

{antecedentes}

ENTO

{consequentes}

(PEREIRA, 2010).
Os antecedentes descrevem uma condio (premissas), enquanto a parte
consequente descreve uma concluso ou uma ao que pode ser esboada
quando as premissas se verificam. A diferena entre uma regra fuzzy e uma regra
clssica : a primeira descreve uma condio elstica (uma condio que pode
ser parcialmente satisfeita) e a segunda descreve uma condio rgida (a regra
no funciona se os antecedentes no so completamente satisfeitos).
A construo do mdulo de regras inclui a aplicao fuzzy para variveis
antecedentes, a definio dos mtodos de inferncia do antecedente para o

48

consequente de cada regra e a utilizao de um mtodo de agregao para


participar nos consequentes das regras (OCAMPO-DUQUE et al., 2006).

3.8.3 Mdulo de inferncia


Esse mdulo consiste em um mecanismo de inferncia, que aplica uma
estrutura de raciocnio para obter uma sada fuzzy. Nesse mdulo, so definidos
quais so os conectivos lgicos utilizados para estabelecer a relao fuzzy que
modela a base de regras. Alm disso, o sucesso do sistema fuzzy depende desse
mdulo, pois ele fornece a sada (controle) fuzzy a ser adotada pelo controlador a
partir de cada entrada fuzzy. Uma vez construdo o conjunto de regras fuzzy,
necessita-se de uma mquina de inferncia para obter resposta final (PEREIRA,
2010).
Existem vrios mtodos de inferncia possveis e a escolha depende do
sistema em anlise. No entanto, a inferncia mais comum e amplamente
utilizada no controle de sistema o Mtodo de Mamdani (MELO, 2009).

3.8.4 Mdulo de "defuzzificao"


O resultado da operao de um sistema fuzzy um conjunto fuzzy e,
portanto, requer "defuzzificao" para chegar a um valor convencional, exigido
pelo usurio no especialista (ALTUNKAYNAK; ZGER; AKMAKCI,
2005). Neste mdulo, a sada fuzzy traduzida ou transformada em um valor
convencional. A "defuzzificao" consiste em transformar a sada fuzzy em um
valor numrico que pode ser utilizado em contextos no-fuzzy (OCAMPODUQUE et al., 2006).
Na "defuzzificao", o valor da varivel lingustica de sada, inferida
pelas regras fuzzy, traduzida em um valor real. O objetivo obter um nico

49

nmero real que melhor represente os valores fuzzy inferidos da varivel


lingustica de sada.
Trs mtodos de "defuzzificao" so predominantes na literatura sobre
sistemas fuzzy: i) Mtodo do Centro da rea; ii) Mtodo do Centro de Mxima;
e iii) Mtodo da Mdia Mxima. O Mtodo do Centro da rea um dos
mtodos mais utilizados para encontrar o nmero que melhor representa a sada
fuzzy. Os outros dois mtodos tendem a reforar, no processo de
"defuzzificao", a influncia dos valores mximos. Em contraste, o Mtodo do
Centro da rea considera a rea sobre o grfico da funo de pertinncia e os
resultados em um nico valor que poderia ser interpretado como um valor
esperado da varivel em estudo (PEREIRA, 2010).

3.9 Inferncia fuzzy


A inferncia fuzzy o mtodo de raciocnio lgico pelo qual obtm
concluses a partir dos fatos e proposies que a base de conhecimento de um
sistema especialista oferece (MAGALHES, 2009). Efetivamente, a inferncia
fuzzy a utilizao do modelo para mapear o espao de entradas em um espao
de sadas. Dispondo as entradas e as sadas em uma linha lgica de causa-efeito,
obtm-se concluses a respeito da informao contida na "consequncia" por
meio de analogias, indues ou dedues, a partir da "premissa" (RADU;
WILKERSON, 1996).
H vrios mtodos para inferncia fuzzy em um sistema fuzzy, porm o
mais comum entre eles para a alocao do vetor de sadas o algoritmo
desenvolvido e implementado por Mamdani (Mandani-type). Uma noo do
funcionamento de uma inferncia fuzzy, demonstrando-a para um sistema de
mltiplas entradas e nica sada (extensvel a mltiplas sadas), foi apresentada
anteriormente (Figura 13).

50

Esse funcionamento est organizado em cinco etapas crticas (WEBER;


KLEIN, 2003) (Figura 14). Na primeira etapa (Fuzzificao das Variveis de
Entrada), um valor numrico transformado em um termo de linguagem natural
(valor fuzzy) utilizando uma funo de pertinncia. Na segunda etapa (Aplicao
das Operaes Lgicas), o resultado da "fuzzificao" utilizado para executar
operaes lgicas entre os conjuntos fuzzy das premissas contidas nas regras do
tipo SE-ENTO. Na terceira etapa (Aplicao da Implicao), aplicao da
inferncia (implicao) realizada sobre os valores fuzzy, deduzindo qual o
grau de pertinncia que a informao de entrada influi sobre os termos
lingusticos que descrevem cada uma das variveis de sada contidas nos
consequentes das regras. Assim, cada regra tem como consequncia conjuntos
fuzzy decorrentes dos termos lingusticos que expressam as sadas, com
intensidades proporcionais "fuzzificao" da entrada (MATLAB..., 2012).
Uma relao de inferncia uma regra SE-ENTO que deve determinar o tipo
de operao de inferncia fuzzy que recebe os valores de entrada (A(x))
resultantes da "fuzzificao" e os valores de sada (B(x)) contidos na inferncia.
O resultado da operao o dado de sada da relao de implicao. Na etapa 4
(Agregao dos Conjuntos Truncados nas Consequncias das Regras
Envolvidas), a agregao dos conjuntos fuzzy realizada, cujo resultado um
grfico que representa a unio entre os conjuntos fuzzy de sada resultantes da
etapa

(GOMIDE;

GUDWIN;

TANSCHEIT,

1995).

Na

etapa

(Defuzzificao), a transformao de um conjunto fuzzy resultante da agregao


em um dado numrico realizada. A "defuzzificao" tem impacto significante
no desempenho do controlador fuzzy. Deste modo, a escolha do critrio
"defuzzificador" de fundamental importncia para a produo de respostas
com a preciso necessria ao projeto (RUSSEL; NORVIG, 2003).

51

Figura 14 Diagrama demonstrativo de inferncia fuzzy


Fonte: Magalhes (2009)
Para a "defuzzificao", o mtodo mais utilizado o Centro de
Gravidade (WEBER; KLEIN, 2003), cuja resposta obtida pela abscissa do
centro da rea do da etapa 4 representada na Figura 14, embaixo da curva
resultante da agregao (y), rea preenchida do grfico, dada pela Equao 15.

52

(15)

3.9.1 Inferncia fuzzy - Mtodo de Mamdani

Uma regra SE (antecedente) ENTO (consequente) definida pelo


produto cartesiano fuzzy dos conjuntos fuzzy que compem o antecedente e o
consequente da regra. O mtodo de Mamdani agrega as regras, utilizando o
operador lgico OU modelado pelo operador mximo e, em cada regra, o
operador lgico E modelado pelo operador mnimo. Eis as regras (LOPES;
JAFELICE; BARROS, 2005):
a) Regra 1: SE (x A1) E (y B1) ENTO (z C1);
b) Regra 2: SE (x A2) E (y B2) ENTO (z C2).
Um exemplo prtico de utilizao dessas regras pode ser um controlador
fuzzy de uma mquina de resfriamento de uma sala de aula. Por exemplo,
considerando x a umidade do ar, y a temperatura da sala, z o nvel de
resfriamento da mquina, A1 e A2 os conjuntos fuzzy do universo de discurso
umidade do ar, B1 e B2 os conjuntos fuzzy do universo de discurso temperatura
e C1 e C2 os conjuntos fuzzy do universo de discurso nvel de resfriamento,
pode-se ter vrias regras, entre elas:
a) SE (umidade do ar MUITO BAIXA) e (temperatura QUENTE)
ENTO (nvel resfriamento MUITO ALTO);
b) SE (umidade do ar MUITO ALTA) e (temperatura MORNA)
ENTO (nvel resfriamento BAIXO).

53

O conjunto fuzzy de sada de um sistema de inferncia do mtodo de


Mamdani a unio dos resultados dos consequentes das regras utilizando o
operador lgico OU. Essa unio uma composio de relaes fuzzy binria (a
regra de composio max-min), definida pela Equao 16. A sada (nmero real)
a "defuzzificao" do conjunto fuzzy de sada.

(16)

O funcionamento de uma mquina de inferncia do mtodo de Mandani


apresentado na Figura 15. Nessa figura, apresentada a operao entre a regra
"SE x A1 E y B1 ENTO z C1" (regra 1) e a regra "SE x
A2 E y B2 ENTO z C2" (regra 2). O resultado dessas regras (C1 e
C2) obtido utilizando o operador lgico E (C1 E C2). O conjunto fuzzy
de sada a unio dos resultados da regra 1 e regra 2, utilizando o operador
lgico OU (C'1 OU C'2).

Figura 15 Mtodo de Mamdani com composio max-min

54

Fonte: Lopes, Jafelice e Barros (2005)


3.9.2 Inferncia fuzzy - modelo de Takagi-Sugeno-Kang
Na dcada de 80, uma estrutura de inferncia baseada na teoria de
conjuntos fuzzy foi proposta, denominada sistema de inferncia de Sugeno,
modelo de inferncia fuzzy paramtrico ou simplesmente modelo TSK (TakagiSugeno-Kang - proponentes do modelo). Esses modelos funcionam como
aproximadores para sistemas que podem ser completa ou satisfatoriamente
representados por meio de suas relaes de entrada e de sada (REZENDE,
2002; SHAW; SIMES, 1999).
Uma aplicao comum dos modelos de inferncia fuzzy sua utilizao
para aproximao de funes no lineares. Pelas suas propriedades sintticas, os
modelos TSK so mais adequados a este fim. A existncia de funes
paramtricas nos consequentes de suas regras e a facilidade de ajustarem-se a
partir de um conjunto de dados de entrada e sada fazem com que os modelos
TSK sejam intrinsecamente relacionados com a tarefa de aproximao de
funes em geral. Um exemplo genrico de regras TSK apresentado na Figura
16 (DURES, 2009).

Figura 16 Exemplo genrico de regras TSK


Fonte: Dures (2009)
O processamento de conhecimento em um modelo TSK similar ao
ocorrido nos modelos de Mamdani. A etapa "fuzzificao" idntica, porm a
etapa Aplicao das Operaes Lgicas entre os conjuntos fuzzy nas premissas
contidas nas regras do tipo SE-ENTO se divergem pelo fato do modelo de

55

Mandani utilizar a funo Min e o modelo TSK utilizar a funo Prod


(multiplicao) (REZENDE, 2002). Nos dois modelos, a sada numrica
calculada diretamente pela soma das sadas das regras ponderada pelos valores
de ativao de cada uma delas.

3.10

Consideraes finais
Um sistema utilizando lgica fuzzy um sistema baseado no

conhecimento especialmente projetado para emular a especializao humana de


algum domnio especfico. Esse conhecimento formado por fatos, por regras e
por heursticas sobre o domnio.
A arquitetura geral de um sistema fuzzy compreende dois componentes
principais: i) um conjunto de declaraes totalmente dependentes do domnio do
problema chamado de base de conhecimento ou base de regras; e ii) um
programa independente do domnio do problema (apesar de altamente
dependente das estruturas de dados) chamado de motor de inferncia. Esses
sistemas so relevantes para vrias reas da cincia em constante
desenvolvimento, no se limitando a rea de inteligncia computacional.

56

4 REDES NEURAIS ARTIFICIAIS


4.1 Consideraes iniciais
Uma rede neural artificial (RNA), terminologia genrica que abrange
grande quantidade de arquiteturas e paradigmas, tem como objetivo
compreender o funcionamento do crebro humano e, de alguma forma, tentar
reproduzi-lo. As RNAs so sistemas paralelos de processamento, compostos por
unidades de processamento (neurnios) e calculam determinadas funes
matemticas (normalmente no lineares). Geralmente, essas unidades esto
interligadas por canais de transmisso com um determinado peso e fazem
operaes sobre as entradas recebidas pelas suas conexes. O comportamento
"inteligente" de uma RNA advm das interaes entre as vrias unidades de
processamento da rede (PORTELINHA, 2006).
Uma das definies de RNAs um processador paralelamente
distribudo, constitudo por unidades de processamento simples, que tm a
propenso natural de armazenar conhecimento experimental e torn-lo
disponvel para utilizao (HAYKIN, 2001). Isto significa que uma RNA um
sistema computacional com capacidade de aprender com o seu prprio uso, pois
produz sadas adequadas para entradas no presentes durante a sua
aprendizagem, de forma a atingir um objetivo especfico. Essa capacidade de
generalizao possibilita a resoluo de problemas computacionais complexos.
Por conseguinte, pode-se utilizar RNAs em uma vasta gama de
problemas encontrados nas mais diversas reas de aplicao, tais como,
classificao, diagnstico, anlises de sinais e de imagens, otimizao e controle.
Do ponto de vista prtico, as RNAs tm a vantagem de no necessitarem de
especialistas para a tomada de decises, pois elas se baseiam unicamente nos
exemplos que lhes so fornecidos.

57

Como as RNAs conseguem reproduzir o comportamento de funes


matematicamente desconhecidas priori, modelagem de um sistema que as
utiliza aparece como um potencial substituto dos modelos estatsticos
convencionais. Isso se deve fcil interpretao das interfaces dos programas
por parte do usurio e a no necessidade de conhecimento prvio da relao
entre as variveis envolvidas. H diversas aplicaes em que as RNAs tm
apresentado um desempenho superior aos mtodos estatsticos (FALAS, 1995;
SUBRAMANIAN; HUNG; HU, 1993).
Este captulo est organizado da seguinte forma. Fundamentos
biolgicos da estrutura de um neurnio natural so apresentados na Seo 4.2.
Vantagens e desvantagens da utilizao de RNAs so discutidas na Seo 4.3.
Principais componentes das RNAs so mostrados na Seo 4.4. Preparao dos
dados de entrada de RNAs comentada na Seo 4.5. Topologias de RNAs so
abordadas na Seo 4.6. Tipos de aprendizagem das RNAs so apresentados na
Seo 4.7. RNAs perceptrons so comentadas na Seo 4.8. Mnimos locais so
tratados na Seo 4.9. Sobreajustamento e generalizao so abordadas na Seo
4.10.

4.2 Fundamentos biolgicos


A RNA foi inspirada no crebro humano, uma estrutura de
processamento altamente complexa, no linear e paralela. Ao contrrio da
arquitetura tradicional de computadores, o crebro humano possui grande
quantidade de processadores, conhecidos por unidades de processamento ou
neurnios, que executam funes simples. Entre essas funes, o neurnio
apresenta a capacidade de transmisso de impulsos nervosos a outros neurnios
e clulas musculares (HAYKIN, 1998).

58

O sistema de processamento de informao do crebro humano possui a


capacidade de organizar os neurnios de tal forma que o seu desempenho na
execuo de certas tarefas (por exemplo, reconhecimento de exemplos,
percepo e controle motor) seja realizado de forma rpida em comparao ao
mais potente computador, apesar da sua velocidade de processamento ser
relativamente mais baixa. Esta rapidez na execuo de certas tarefas deve-se
quantidade de neurnios existentes no crebro humano, pois se presume que a
quantidade de neurnios existentes no crebro esteja na casa dos bilhes
(COTTRELL, 1985).
Como foi mencionado, o corpo humano tem grande variedade de tipo de
neurnios cujas funes no so totalmente conhecidas. Contudo, um neurnio
natural basicamente constitudo por dendrites, sinapses, axnio e corpo celular
(Figura 17).
medida que novos exemplos so apresentados durante o processo de
aprendizagem, ligaes entre os neurnios so ajustadas, reforando-as e/ou
enfraquecendo-as. Este ajuste uma das caractersticas mais importantes das
redes neurais biolgicas (HOPFIELD, 1982). Contudo e apesar da investigao
contnua sobre o assunto, o conhecimento sobre o funcionamento das redes
neurais biolgicas ainda no foi totalmente adquirido.

Figura 17 Estrutura de um neurnio natural


Fonte: Cortez (2002)

59

Uma vez que, as redes neurais biolgicas tm a sua base de


fundamentao na neurotransmisso ocorrida nas clulas nervosas, importante
conhecer o funcionamento bsico de um neurnio biolgico. O neurnio tem
uma estrutura simples, que permite trs funes bsicas: entrada, processamento
e sada de sinais. As dendrites so conexes pelas quais os sinais de entrada
chegam aos neurnios. A clula ou corpo celular o processador do neurnio,
recebe sinais de entrada pelas dendrites e soma esses sinais. Se o valor resultante
estiver acima de certo limite, o neurnio excita-se e tende a propagar o estmulo;
caso contrrio, ele fica inibido. O axnio serve como canal de sada do neurnio
e est ligado s dendrites de outros neurnios pelas sinapses. As sinapses no
so ligaes fsicas, mas ligaes qumicas e temporrias (BARRETO, 2002).

4.3 Vantagens e desvantagens da utilizao de RNAs


As RNAs so capazes de aprender pela experincia, generalizar os casos
anteriores e encontrar caractersticas essenciais a partir de entradas. Isto faz com
que ofeream numerosas vantagens e, em consequncia disso, so inmeras as
reas onde podem ser aplicadas (SUBRAMANIAN; HUNG; HU, 1993). Assim,
destacam-se as seguintes vantagens:
a) Aprendizagem adaptativa. Capacidade de aprender a realizar
tarefas baseadas em treino ou em experincia inicial. Esta uma das
caractersticas mais atrativas das RNAs: aprendem certas tarefas
mediante um treino com exemplos ilustrativos;
b) No linearidade. Capacidade de modelar funes no lineares.
Dado que muitos problemas so de natureza no linear, esta uma
das razes principais para que as RNAs apresentem desempenho
superior a outras tcnicas, em termos de conhecimento preditivo;

60

c) Tolerncia

falhas1.

Enquanto

os

meios

computacionais

tradicionais perdem a sua funcionalidade quando sofrem um


pequeno erro de memria, se existir uma falha em uma quantidade
no elevada de neurnios em uma RNA, ela continua funcional;
d) Operao em tempo real. Uma das prioridades das vrias reas de
aplicao a necessidade de realizar processos com dados de forma
rpida. As RNAs so constitudas por grande quantidade de unidades
de processamento trabalhando em paralelo, podendo trabalhar em
velocidades considerveis em relao aos mtodos tradicionais
comuns;
e) Adaptabilidade s tecnologias existentes. Uma RNA pode ser
treinada para desenvolver uma ou mais tarefas bem definidas. Com
as ferramentas computacionais existentes, a RNA pode ser
facilmente treinada e verificada. Assim, no h dificuldades para a
insero de RNAs em reas especficas.
No entanto, existem situaes em que as caractersticas do problema
tornam desaconselhvel a utilizao de RNAs. Alm disso, o campo de estudos
onde se inserem muito recente e alguns problemas continuam ainda por
resolver (AMBRSIO, 2002; SUBRAMANIAN; HUNG; HU, 1993). Assim,
so apontadas algumas desvantagens na sua utilizao:
a) Treino demorado. O treino de uma RNA pode ser demorado,
dependendo da aplicao e da quantidade de dados;

Existem dois aspectos distintos a respeito da tolerncia a falhas: i) as RNAs podem


aprender a reconhecer padres com rudos, distorcidos ou incompletos. Esta uma
tolerncia a falhas de dados; e ii) as RNAs podem continuar a realizar as suas funes
(com algum grau de degradao), ainda que destrua um dos seus ns. Esta uma
tolerncia a falhas da RNA.

61

b) Resultados desconcertantes. As RNAs podem chegar a situaes


conflitantes, tais como, concluses que contrariam as regras e as
teorias estabelecidas e considerar dados irrelevantes como bsicos.
H apenas uma soluo para essas situaes: participao do
profissional da rea;
c) Obscuridade. O conhecimento est armazenado de modo implcito,
o que torna difcil compreender o que realmente uma RNA
aprendeu;
d) Grande quantidade de exemplos. A carncia de dados pode
impossibilitar a obteno de um bom desempenho de uma RNA;
e) Preparao dos dados. Os dados de entrada necessitam de um
tratamento prvio, devendo ser normalizados e cuidadosamente
selecionados para que a RNA aprenda corretamente.

Em diversas circunstncias, incluindo problemas com amostras com


pequena quantidade e funes mais complexas, as RNAs apresentam solues
satisfatrias. O desempenho das RNAs tem mostrado melhores resultados em
relao aos mtodos estatsticos utilizados para os mesmos fins (FALAS, 1995;
KWON; GOLDEN; WASIL, 1995).

4.4 Principais componentes das RNAs


Um modelo de uma RNA pode ter trs componentes (COSTA, 2003;
RUMELHART; MCCLELLAND, 1986):
a) Unidade de processamento. A unidade de processamento ou
neurnio artificial o principal elemento das RNAs. Um neurnio
como uma unidade que representa um limite a ser ultrapassado

62

apresentado na Figura 18. Cada entrada possui um sinal x (x1,


..., xn) adicionado (). Em seguida, esse sinal processado
utilizando uma funo de ativao f() que representa o limite que
produz um sinal de sada.

Figura 18 Neurnio como unidade limite


Fonte: Portelinha (2006)

b) As unidades de processamento da RNA podem ser identificadas pela


letra x, seguidas de um ndice i que indica a posio em que o
neurnio ocupa na rede. Cada neurnio xi calcula um valor
numrico lquido de sada de um estado de ativao. O clculo da
funo de ativao f() realizado a partir dos sinais de sada dos
demais neurnios conectados diretamente a este neurnio e dos
pesos correspondentes dessas conexes;
c) Funo de ativao. A funo de ativao calcula o valor de sada
do neurnio a partir do seu valor de ativao ou integrao (). As
funes de ativao mais utilizadas so linear (Figura 19 A), rampa
(Figura 19 B), degrau (Figura 19 C) e logstica2 (Figura 19 D).
Dentre estas, a funo logstica a mais utilizada, visto que ela
permite aprendizagem no linear, sendo definida pela Equao 17;

Tambm conhecida por Sigmoid.

63

d) Ligaes entre as unidades de processamento. As ligaes entre


os neurnios podem ser representadas por uma matriz de pesos w,
sendo wij a influncia do neurnio ui sobre o neurnio uj.
Conexes com pesos positivos, chamadas de excitadoras, indicam o
reforo na ativao do neurnio uj. Conexes com pesos negativos,
chamadas de inibitoras, indicam inibio na ativao do neurnio uj.
O objetivo principal da aprendizagem/treino consiste em determinar
o melhor conjunto de pesos capazes de responder de modo adequado
a um dado problema.

Figura 19 Funes de ativao


Fonte: Portelinha (2006)

17

4.5 Preparao dos dados


Sobre um ponto de vista simplista, as RNAs podem ser encaradas como
modelos que recebem estmulos de entrada e geram respostas de acordo com o
conhecimento adquirido durante um processo de aprendizagem. As fases do

64

processo de aprendizagem das RNAs so ilustradas na Figura 20. O ponto de


partida (A) a obteno dos dados que representam um determinado domnio.
No pr-processamento (B), os atributos numricos devem ser normalizados
dentro de uma escala de valores. Os atributos discretos precisam ser codificados
em valores numricos. Os valores desconhecidos precisam ser preenchidos
utilizando mtodos, por exemplo, mdias dos valores do atributo ou definio de
novos valores (PORTELINHA, 2006). O conjunto de dados devidamente prprocessados deve ser dividido em subconjuntos distintos de treino e teste (C).
Em seguida, a RNA treinada (D) com os dados selecionados para treino, de
forma a ajustar os seus pesos que lhe permitiro apresentar conhecimento.

Figura 20 Fases do processo de aprendizagem de uma RNA


Fonte: Portelinha (2006)
A fase de testes (E) necessria para verificar se a aprendizagem foi
bem sucedida, utilizando conjunto de dados de teste no usados no treinamento
(EDMAR, 1999). Em seguida, apresentado um conjunto de regras a ser
seguido (PYLE, 1999):
a) Valores desconhecidos. Devem ser tratados de alguma forma.
Existem diversas possibilidades:

Mdia. Valores desconhecidos de um atributo podem ser


substitudos pela mdia de seus valores. Em atributos que

65

representam valores ordenados, a mdia de n valores anteriores


e posteriores pode ser utilizada para a definio do valor
desconhecido;

Definio de novos valores. De acordo com cada problema,


valores arbitrrios podem ser definidos para o preenchimento de
atributos desconhecidos;

Eliminao dos valores em falta. Caso se trate de valores que


sejam de difcil previso.

b) Variveis discretas. Os valores no numricos devem ser


codificados em valores numricos:

Atributos binrios. Esses atributos devem ser codificados como


os valores limite definidos pela funo de ativao (por
exemplo, no = -1,0 e sim = 1,0);

Atributos nominais. Os atributos com c valores possveis


devem ser transformados com uma codificao 1-de-c, que gera
uma varivel binria por cada classe (por exemplo, verde = -1,0;
1,0; 1,0 - azul = -1,0; 1,0; -1,0 e vermelho -1,0; -1,0; 1,0).

c) Normalizao. Os atributos de entrada devem ser normalizados,


dado que os algoritmos de treino so sensveis a intervalos e a
distribuies diferentes nas suas entradas. Assim, os valores de cada
entrada devem ser escalonados, de forma que a mdia dos seus
valores no conjunto de dados de treino seja nula.

66

4.6 Topologias de RNAs


Em geral, as topologias de RNAs podem ser agrupadas em duas classes
(BOCANEGRA, 2002):
a) RNAs no-recorrentes. As sadas dessas RNAs no possuem
realimentao para as suas entradas. A sua estrutura em camadas,
podendo ser formadas por uma (RNA de uma s camada) ou mais
camadas (RNA multicamadas). As RNAs de uma s camada so
unidirecionais (convergentes ou divergentes). A RNA composta
por um conjunto de neurnios de entrada. Esta entrada no
considerada como camada, pois no so efetuados clculos, apenas
contm os valores de entrada da rede (WASSERMAN, 1993) e uma
camada de sada. As RNAs multicamadas so compostas por
neurnios de entrada, neurnios de sada e neurnios entre a camada
de entrada e a camada de sada, sendo organizados em uma ou mais
camadas intermedirias;
b) RNAs recorrentes. A sada de um neurnio dessas RNAs influencia
de alguma forma a entrada desse mesmo neurnio, estabelecendo um
circuito fechado (Figura 21) e a existncia de conexes cclicas na
RNA. Alm disso, a sua estrutura no obrigatoriamente organizada
em camadas. Quando a RNA organizada em camada, pode possuir
interligaes entre neurnios da mesma camada e entre camadas no
consecutivas. Uma RNA recorrente alcana um estado estvel
quando possuir conexes simtricas (WASSERMAN, 1993). Em
1982, houve importantes contribuies com as chamadas redes
Hopfield, RNAs recorrentes que podem ser utilizadas para
roteamento (HOPFIELD, 1982). Em 1986, regras para treino de

67

RNAs recorrentes, denominadas de Mquinas de Boltzmann, foram


introduzidas por causa do clculo das sadas dos neurnios artificiais
ser efetuado utilizando probabilidade segundo a distribuio de
Boltzmann (HINTON; SEJNOWSKI, 1986).

Figura 21 RNA recorrente


Fonte: Cortez (2002)

4.7 Aprendizagem das RNAs


Existe grande diversidade de arquiteturas de RNAs e de correspondentes
algoritmos de aprendizagem, cada um com diferentes possibilidades, finalidades,
vantagens e inconvenientes. Uma das principais vantagens e importncias das
RNAs a sua capacidade de aprender e de melhorar sempre o seu desempenho
baseado nessa aprendizagem. Duas importantes etapas para o treinamento das
RNAs so (RAUBER, 2005):
a) Mtodos de aprendizagem. As RNAs podem ser agrupadas em
duas formas de classificao principais: i) supervisionada; e ii) no
supervisionada. Um mtodo conhecido a aprendizagem por
reforo, que pode ser considerado um caso particular da
aprendizagem supervisionada. A aprendizagem por competio um
caso particular da aprendizagem no supervisionada (COSTA, 2003;
RUMELHART; HINTON; WILLIAMS, 1986):

68

Aprendizagem supervisionada. Os conjuntos de padres de


entrada e os seus correspondentes padres de sada so
sucessivamente apresentados RNA. Durante este processo, a
RNA realiza o ajuste dos pesos das conexes entre os elementos
de processamento at o erro entre os padres da sada gerados
pela RNA e os padres de sada apresentados alcanar um valor
mnimo desejado. O exemplo mais conhecido de algoritmo para
aprendizagem supervisionada a regra delta generalizada,
utilizada no algoritmo de retropropagao. A aprendizagem por
reforo consiste na RNA receber o valor que indica se o valor de
sada est ou no correto, ou seja, a aprendizagem feita por
tentativa de erro, de modo a otimizar um ndice de performance
chamado sinal de reforo;

Aprendizagem no supervisionada. A RNA analisa o conjunto


de dados recebidos, determina algumas propriedades desses
conjuntos de dados e "aprende" a refletir essas propriedades. A
RNA utiliza padres, regularidades e correlaes para agrupar o
conjunto de dados em classes. As propriedades adquiridas pela
RNA sobre os dados podem variar em funo da arquitetura e da
regra de aprendizagem utilizada. Este tipo de aprendizagem
possvel quando existe grande quantidade de dados de entrada;
caso contrrio, torna-se difcil ou mesmo impraticvel apurar
quaisquer padres ou caractersticas nos dados de entrada. A
aprendizagem por competio consiste em segmentar os dados
introduzidos na RNA. Desta forma, informaes similares so
classificadas formando parte da mesma categoria e, por
conseguinte, devem ativar a mesma sada, existindo uma
competio entre as unidades de sada para decidir qual delas

69

ser a vencedora, tendo sua sada ativada e os seus pesos


atualizados no treino. A unidade mais forte tem maior peso e o
seu efeito inibidor sobre as outras unidades de sada torna-se
dominante. Com o tempo, as outras unidades de sada ficam
completamente inativas.
b) Regras de aprendizagem. A regra a ser aplicada est intimamente
relacionada com a arquitetura da RNA. As cinco regras bsicas de
aprendizagem so (HAYKIN, 1998):

Regra gradiente descendente. O erro de sada de um neurnio


obtido comparando o resultado por ele calculado com o
resultado desejado. O erro atua como mecanismo de controle,
sendo que ajustes melhoram a resposta;

Regra baseada na memria. Procura-se um padro aproximado


de entrada, sendo que a seleo do padro aproximado da regio
vizinha tem por base as experincias passadas;

Regra de Hebb. Esta regra estabelece que, quando um neurnio


de uma clula A est suficientemente perto para excitar uma
clula B e, repetida ou persistentemente, ocorre um disparo,
algum processo de crescimento ou mudana metablica
acontece em uma ou ambas as clulas, tal que a eficincia da
clula A, como uma das clulas disparadores da clula B,
aumentada. Esta regra foi proposta por Hebb em 1949;

Regra competitiva. Na aprendizagem competitiva, utilizada nas


populares redes de Kohoen, neurnios so inibidos por outros

70

neurnios de modo que a competio entre eles deixe apenas um


neurnio excitado. Neste tipo de aprendizagem, somente um
neurnio de sada fica ativado;

Regra de Boltzmann. Este algoritmo de aprendizagem realiza o


ajuste dos pesos, baseando-se na probabilidade e na mecnica
estatstica. A RNA que utiliza esta regra denominada mquina
de Boltzmann.

4.8 RNAs perceptrons


As RNAs perceptron, introduzidas por Rosenblatt em 1958, mostraram
algumas aplicaes prticas. Elas so uma forma simples de RNAs, em que a sua
principal aplicao a classificao de padres, ou seja, o processo pelo qual um
padro/sinal recebido atribudo a uma classe dentre um nmero
predeterminado de classes (categorias) (HAYKIN, 1998). Os dois tipos de
camadas existentes so:
a)

RNA Perceptron de camada nica. Essa RNA o mais simples, no


qual vrias unidades de processamento esto conectadas a uma nica
camada de sada por meio de pesos sinpticos (Figura 22). O
neurnio de sada do tipo binrio que pode ser utilizado como
classificador ou como representao de funes booleanas
(verdadeiro/falso) (BRO; MOLINA, 2006). Essa RNA pode treinar
pesos vinculados a padres de entrada fornecidos rede, alm do uso
de um conceito de controle de neurnio (bias) para se obter uma
sada correta. O conceito bias uma forma de controlar o limite
(threshold) do neurnio. Esse limite o valor a partir do qual o
somatrio dos pesos convencionais determinar se o neurnio estar

71

ativo (1) ou inativo (0), ou seja, se pertence ou no classe que


representa (RUSSEL; NORVIG, 1995). Apesar das RNAs
perceptron terem causado grande euforia na poca, elas no tiveram
"vida longa" por serem criticadas quanto s suas limitaes. Esta
viso pessimista da sua capacidade mudou com as descries da rede
de

Hopfield

(multicamadas)

em 1982

algoritmo

de

retropropagao em 1986 (COSTA, 2003);

Figura 22 RNA de uma s camada


Fonte: Cortez (2002)
b) RNAs Perceptron multicamada. Como o perceptron de uma nica

camada s capaz de classificar padres linearmente separveis, o


que acontece somente em uma quantidade limitada de aplicaes,
torna-se necessrio recorrer RNA perceptron de multicamada. Sua
arquitetura constitui o modelo neural artificial mais utilizado e
conhecido. Tipicamente, consiste em um conjunto de dados de
entrada, uma ou mais camadas intermedirias e uma camada de
sada.

4.9 Mnimos locais

72

Um mnimo local o valor mais reduzido em uma dada vizinhana


(PORTELINHA, 2006). Quando uma funo convexa, apresenta-se como um
grande "vale", pelo que o mnimo global mais facilmente encontrado por
mtodos de minimizao. Quando isso no acontece, ou seja, se existir uma srie
de "montes" e "vales", h diversos mnimos locais. Os mtodos baseados no
gradiente tendem a encontrar mnimos locais, pois a funo de erro no
convexa (HASTIE; TIBSHIRANI; FRIEDMAN, 2001).
Assim que um mnimo local encontrado, o algoritmo de treino
consegue melhorias diminutas e, em geral, deve-se parar a aprendizagem por
falta de progresso. Este fenmeno pode ocorrer independentemente de uma
alterao da taxa de aprendizagem e/ou do termo momentum3 (FREEMAN,
1992). Como resultado, a soluo final obtida dependente da escolha dos pesos
iniciais.

4.10 Sobreajuste e generalizao


As RNAs utilizam um conjunto de dados de treino para ajustar os pesos
da rede. Uma vez treinada, a RNA deve ser utilizada para prever dados
desconhecidos, isto , dados no usados como dados de treino. Uma RNA pode
apresentar fraca capacidade de generalizao se for demasiada complexa,
quando h muitas unidades de processamento, em um fenmeno designado por
sobreajuste (overfitting). O que acontece , ao ter alta capacidade, a RNA
memorizar os dados de treino e perder a capacidade para generalizar. Por
outro lado, com quantidade reduzida de unidades de processamento, subajuste
pode ocorrer. Assim, a determinao da quantidade ideal de unidades de
processamento que pertencem s camadas internas deve ser definida de forma
3

Momentum uma constante que determina o efeito das mudanas passadas dos pesos
na direo atual do movimento no espao de pesos (BRAGA, 2007; HAYKIN, 2000).

73

emprica e depende da distribuio dos padres de treino e teste da RNA


(SARLE, 1995).
Acontece sobreajuste quando o modelo da RNA obtm desempenho
quase perfeito nos dados de treino, mas desempenho pobre nos novos dados.
Neste caso, um modelo que descreve os dados de treino criado pela RNA, ao
invs de um modelo de generalizao. Isto se deve possibilidade de existir
rudo nos dados ou existncia de um conjunto de dados inadequado ou
insuficiente. A soluo para este tipo de problema, considerado crtico para as
RNAs, pode ser (SARLE, 1995): i) utilizar um conjunto de dados de treino com
alta cardinalidade; ii) utilizar paragem antecipada, terminando o treino quando o
erro obtido em um conjunto de validao (com exemplos no utilizados durante
o treino) aumenta; e iii) utilizar mtodos de regularizao que penalizam
modelos complexos (HASTIE et al., 2001).

4.11 Consideraes finais


A utilizao de RNAs tem sido intensificada em diversos domnios nos
ltimos anos. No entanto, o poder oferecido pelas RNAs esbarra em um
problema: dificuldade para explicar de forma compreensvel as suas respostas ou
as suas decises. Este problema um fator de motivao para as vrias pesquisas
relacionadas com o desenvolvimento de tcnicas de extrao de conhecimento
de RNAs. Essas tcnicas tm a finalidade de fornecer capacidade de explicao
(SETIONO, 2002).
As RNAs no so mais do que um modelo artificial e simplificado do
crebro humano, o exemplo mais perfeito de que existe capaz de adquirir
conhecimento utilizando experincia. Uma RNA um novo sistema para o
tratamento da informao, cuja unidade bsica de processamento est inspirada
em uma clula fundamental do sistema nervoso humano: neurnio.

74

Grande parte do tempo necessrio para a construo de uma RNA


gasto em duas tarefas: i) processo de identificao da melhor topologia; e ii)
treinamento. Por isso, o binmio topologia vesus treino o fator que se
apresenta como barreira a ser transposta para o sucesso de uma soluo baseada
em RNAs. Assim, necessrio ter uma ideia, ainda que genrica, sobre os
algoritmos de aprendizagem disponveis para treinamento e das diversas
topologias de redes existentes.
Um modelo bem ajustado perde a capacidade de generalizao
(sobreajuste). Para evitar isso, necessrio colocar restries ao processo de
aprendizagem e recorre-se utilizao de tcnicas tais como a constante de
decaimento.
Pode-se concluir que as RNAs consistem em unidades de processamento
no lineares, que trocam dados e informao e so utilizadas para
reconhecimento de padres, incluindo imagens, manuscritos e sequncias de
tempo, tendncias financeiras, entre outras aplicaes, com a virtude de aprender
e de melhorar o seu funcionamento de forma automtica.

75

5 ANLISE TCNICA
5.1 Consideraes iniciais
A anlise tcnica de ativos financeiros surgiu por volta do ano 1700,
quando famlias japonesas passaram a acompanhar as variaes do preo do
arroz, com o intuito de formular tendncias para tais variaes. Esse mtodo
ficou conhecido como Candlesticks (VIDOTTO; MIGLIATO; ZAMBON,
2009). Essa anlise o estudo dos movimentos passados dos preos e dos
volumes de negociao de ativos financeiros, com o objetivo de fazer previses
sobre comportamento futuro dos preos (PINHEIRO, 2012). Alm disso, ela
baseia-se no princpio dos preos dos ativos financeiros, em data futura, serem
influenciados pelos preos passados, sendo possvel prever a tendncia de
movimentao desses preos em determinado perodo de tempo.
A teoria de Charles Dow, um dos expoentes na utilizao da anlise
tcnica, sinaliza que eventos passados podem determinar eventos futuros
(MATSURA, 2007). A configurao grfica dos preos tende a se relacionar
com a direo que eles tomaro no futuro. Isso significa que ocorrem formaes
indicando previamente a movimentao que deve ocorrer em relao a
determinado ativo financeiro, antes de um movimento significativo de alta ou de
baixa nas cotaes de um ativo financeiro. A anlise tcnica possui trs
premissas bsicas das quais decorrem os estudos acerca do comportamento do
mercado e suas tendncias (BRUM, 2006):
1) Tudo pode ser resumido no preo dos ativos financeiros. A
expectativa, boa ou m, dos investidores com relao a determinado
ativo financeiro reflete no seu preo dirio;

76

2) Os preos movem-se por meio de tendncias. Uma vez


identificadas as tendncias por meio de grficos, o investidor tem
condies de operar de acordo com elas. Assim, aps identificar essa
tendncia, mais provvel que ela continue do que reverta, o que
no significa necessariamente que ela ir durar para sempre;
3) A histria se repete e a compreenso de tendncias futuras pode
estar no estudo de acontecimentos passados.
A previso dos movimentos dos futuros preos baseada na anlise
tcnica de preos passados, cujo resultado sobre o futuro no absoluto, pode
ajudar investidores a antecipar seus investimentos de acordo com o resultado
dessa previso. A anlise tcnica utiliza grficos que mostram os preos sobre o
tempo (STOCKCHARTS, 2010), cujos indicadores mais utilizados so
(INFOMONEY,

2010;

ONLINE

TRADING

CONCEPTS,

2010;

STOCKCHARTS, 2010): ndice de Fora Relativa (IFR), Moving Average


Convergence-Divergence (MACD), Histograma MACD, Oscilador Estocstico e
On Balance Volume (OBV).
Este captulo est organizado da seguinte forma. Conceitos, definies,
interpretaes grficas e clculos para a obteno dos indicadores IFR,
Oscilador Estocstico, MACD, Histograma MACD e OBV so apresentados na
Seo 5.2, na Seo 5.3, na Seo 5.4, na Seo 5.5 e na Seo 5.6,
respectivamente.

5.2 ndice de fora relativa (IFR)


J. Welles Wilder formulou o conceito do indicador ndice de Fora
Relativa (IFR) em seu livro intitulado "New Concepts in Technical Trading
Systems", sendo ele um oscilador de momento que mede a velocidade e a

77

mudana dos movimentos de preos, cuja oscilao entre 0 e 100.


Tradicionalmente e de acordo com Wilder, esse indicador considerado
sobrecomprado quando seu valor estiver acima de 70 e sobrevendido quando seu
valor estiver abaixo de 30, podendo ser utilizado para identificar a tendncia
geral. Apesar de ser desenvolvido antes da era do computador, o indicador IFR
tem resistido ao tempo e permanece extremamente popular (STOCKCHARTS,
2010).
Esse indicador obtido pela razo entre a mdia dos preos de
fechamento nos dias em que o ativo financeiro fechou em alta e a mdia dos
preos de fechamento nos dias em que o ativo financeiro fechou em baixa. O
indicador IFR menos voltil em relao aos demais por considerar preos em
perodos mais longos (MEISSNER, 2001; RODRGUEZ-GONZLEZ et al.,
2011).
O valor do indicador IFR obtido pela Equao 18, sendo FR (fora
relativa) a razo entre a mdia de ganho e a mdia de perda, e baseado em
perodos de 14 dias. Cabe ressaltar que as perdas so representadas como valores
positivos. O grfico do indicador IFR e o grfico de fora relativa so
apresentados na Figura 23 e na Figura 24, respectivamente.
Uma planilha ilustrativa do passo a passo para o clculo do indicador
IFR apresentada na Figura 25. Os primeiros clculos so para obter a mdia de
ganho e a mdia de perda. Depois, os clculos so baseados nas mdias. A
primeira coluna contm a sequncia de dias, comeando pelo nmero 1. A
segunda e a terceira colunas possuem datas do perodo de 14 de dezembro de
2009 a 3 de fevereiro de 2010 e os valores de fechamento de um determinado
ativo financeiro, respectivamente.

18

78

Figura 23 Grfico do indicador IFR

Figura 24 Grfico de fora relativa

Fonte: adaptada de StockCharts (2010)

Fonte: adaptada de StockCharts (2010)

Figura 25 Planilha para o clculo do indicador IFR


Fonte: adaptada de StockCharts (2010)

79

A quarta coluna contm a variao do preo atual em relao ao preo


de fechamento anterior, sendo que as clulas vazias indicam que no houve
variao. A quinta coluna possui as variaes positivas, sendo que as clulas
vazias indicam que no houve variao ou a variao negativa. A sexta coluna
possui o valor absoluto das variaes negativas, sendo que as clulas vazias
indicam que no houve variao ou a variao positiva. A stima e a oitava
colunas possuem o ganho mdio e a perda mdia, respectivamente, no perodo
de 14 dias. A nona coluna contm a razo entre a mdia de ganho e a mdia de
perda (fora relativa). A dcima coluna tem o indicador IFR, calculado pela
Equao 18. A mdia de ganho, a mdia de perda, a fora relativa e o ndice de
fora relativa no foram calculados nas treze primeiras linhas por serem
necessrios dados de pelo menos 14 dias.
O grfico do ativo financeiro eBay (EBAY) apresentado na Figura 26.
Nesse grfico, os momentos de compra e de venda so indicados, utilizando o
indicador IFR (ONLINE TRADING CONCEPTS, 2010).

Figura 26 Indicador IFR da cotao diria do EBAY


Fonte: adaptada de Online Trading Concepts (2010)

A variao do perodo de tempo do indicador IFR pode aumentar ou


diminuir a quantidade de sinais de compra e de venda. O grfico dos perodos de
tempo de 14 dias (padro) e 5 dias do indicador IFR apresentado na Figura 27.
Pode-se observar que quanto menor for o perodo utilizado, maior a

80

volatilidade, o que aumenta substancialmente a quantidade de sinais de compra e


de venda (ONLINE TRADING CONCEPTS, 2010).

Figura 27 Indicador IFR da cotao diria do ouro


Fonte: adaptada de Online Trading Concepts (2010)

5.3 Oscilador estocstico


Na dcada de 1950, George C. Lane desenvolveu o indicador Oscilador
Estocstico, que corresponde a um indicador de momento o qual mostra a
localizao do preo de fechamento relativo s faixas de alta-baixa ao longo de
um determinado perodo. Esse indicador no segue o preo, no segue o volume
ou qualquer valor similar, ele segue a velocidade ou a dinmica de preos. Como
regra geral, a dinmica muda de direo antes do preo. Dessa forma, a alta e a
baixa no indicador Oscilador Estocstico podem ser utilizadas para prever
reverses. Este indicador foi o primeiro e mais importante sinal identificado e
utilizado para identificar o bull market4 e o bear market5 para antecipar uma
reverso no futuro.
O valor deste indicador obtido pela Equao 19, sendo Fechamento
o preo de fechamento atual, Menor Preo o menor preo de um determinado
perodo e Maior Preo o maior preo de um determinado perodo. O
4
5

Mercado do touro, jargo americano otimista, para mercados em alta.


Mercado do urso, jargo americano indicador de pessimismo, para mercados em baixa.

81

resultado multiplicado por 100 para mover o ponto decimal em dois lugares.
Como este indicador tem limite de escala [0, 100], ele til para identificar
nveis de sobrecompra e de sobrevenda (STOCKCHARTS, 2010).

19

Uma planilha ilustrativa do passo a passo para o clculo deste indicador


apresentada na Figura 28. A primeira coluna contm a sequncia de dias,
comeando pelo nmero 1. A segunda, a terceira e a quarta colunas possuem as
datas do perodo de 23 de fevereiro de 2010 a 6 de abril de 2010, a maior e a
menor alta do dia de um determinado ativo financeiro, respectivamente. A
quinta e a sexta colunas contm o maior preo e o menor preo registrados em
14 dias. A stima coluna contm o preo de fechamento do dia corrente. A
oitava coluna contm o valor do indicador Oscilador Estocstico, calculado pela
Equao 19. Os valores na quinta, na sexta, na stima e na oitava colunas no
foram calculados nas treze primeiras linhas, pois so necessrios dados de pelo
menos 14 dias.
Um grfico que representa a oscilao dos ativos financeiros ao invs de
indicar tendncias apresentado na Figura 29. Cabe ressaltar que, ao comparar o
preo atual de um ativo financeiro com o seu comportamento recente, mostra-se
se o preo atual insustentvel, o que pode levar a uma mudana de direo.
Por ser um indicador de curtssimo prazo, sua utilizao e a sua anlise
devem ser realizadas em conjunto com um indicador de tendncias, por
exemplo, o indicador MACD. Caso a cotao de um ativo financeiro esteja
acima do registrado nos ltimos preges, o valor deste indicador sobe; caso
contrrio, seu valor desce (KIM; HAN, 2000). De forma geral, nveis acima de

82

80 pontos indicam potencial de queda, enquanto patamares abaixo de 20 pontos


indicam oportunidade de compra (Figura 30).

Figura 28 Planilha para o clculo do indicador oscilador estocstico


Fonte: adaptada de StockCharts (2010)

Figura 29 Grfico do indicador oscilador estocstico


Fonte: adaptada de Online Trading Concepts (2010)

83

Figura 30 Grfico do indicador oscilador estocstico ilustrando momentos de


compra e de venda
Fonte: adaptada de Online Trading Concepts (2010)

5.4 Moving average convergence-divergence (MACD)


No final da dcada de 70, Gerald Appel, analista e gestor de recursos de
terceiros em New York, desenvolveu o indicador moving average convergencedivergence (MACD) (ELDER, 2004), sendo um dos indicadores de impulso
mais simples e eficaz disponvel. O indicador MACD um oscilador de
momento cujo valor obtido subtraindo a mdia mvel mais longa (26 dias) da
mdia mvel mais curta (12 dias). Como resultado, ele oferece o melhor dos
dois mundos: tendncia e momento.
Os investidores podem olhar para o sinal de linha de cruzamentos, o
cruzamento central e os cruzamentos de divergncias para observar sinais de
compra e de venda. O indicador MACD no particularmente til para
identificar os nveis de sobrecompra e de sobrevenda, sendo um indicador
interessante de tendncias para mdio e longo prazo quando as cotaes dirias
dos ativos financeiros so utilizadas (STOCKCHARTS, 2010).
Este

indicador

consiste

basicamente

em

trs

mdias

mveis

exponenciais (MME) e aparece nos grficos como duas linhas, cujos


cruzamentos emitem sinais de negociao (compra ou venda) denominadas linha
MACD e linha de sinal MACD, aquela linha cheia mais rpida e esta linha

84

tracejada mais lenta. A linha MACD composta de duas mdias mveis


exponenciais que responde s mudanas nos preos com relativa rapidez. A
linha de sinal MACD composta pela linha MACD, ajustada por outra mdia
mvel exponencial, que responde s mudanas nos preos com mais lentido. Os
sinais de compra e de venda so emitidos quando a linha MACD cruza acima ou
abaixo da linha de sinal MACD. Nesse caso, ao analisar um ativo financeiro, se
a linha MACD cruzar a linha de sinal MACD para baixo, indicativo de sua
venda; por outro lado, se a linha MACD cruzar a linha de sinal MACD para
cima, indicativo de sua compra (ELDER, 2004).
O indicador MACD um dos mais utilizados para determinar a
tendncia na qual o preo do ativo financeiro se encontra. Seus valores so
obtidos pela Equao 20 e pela Equao 21, sendo MACD o valor da linha
MACD, MME 12D a mdia mvel exponencial de 12 dias, MME 16D a mdia
mvel exponencial de 16 dias, Linha de Sinal o valor da linha de sinal
MACD e MME 9D do MACD a mdia mvel exponencial de 9 dias do
indicador MACD.

20

21

Um grfico representativo do indicador MACD apresentado na Figura


31. Nesse grfico, h (i) a linha MACD que indica a diferena entre as mdias
mveis de 12 dias e de 26 dias e (ii) a linha de sinal MACD que indica a mdia
mvel do prprio MACD de 9 dias. Quando essas linhas esto acima de zero, o
ativo financeiro est em tendncia de alta.

85

Figura 31 Grfico ilustrativo do indicador MACD


Fonte: adaptada de Online Trading Concepts (2010)

Outra interpretao do cruzamento das mdias mveis do indicador


MACD apresentada na Figura 32. O histograma MACD e avisos de
divergncia MACD so dois importantes mtodos de utilizar o indicador
MACD.

Figura 32 Interpretao do cruzamento da linha MACD e da linha de sinal


MACD
Fonte: adaptada de Online Trading Concepts (2010)

As mdias mveis exponenciais reduzem a defasagem, aplicando mais


peso aos preos mais recentes. A ponderao para o preo mais recente depende
da quantidade de perodos na mdia mvel. H trs etapas para o clculo da
mdia mvel exponencial: i) calcular a mdia mvel simples (Equao 22); ii)
calcular o coeficiente multiplicador (Equao 23); e iii) calcular a mdia mvel

86

exponencial (Equao 24). O perodo de 10 dias foi utilizado para obter o


clculo da mdia mvel exponencial.

22

23

24

Uma planilha ilustrativa do passo a passo para o clculo da mdia mvel


exponencial de 10 dias apresentada na Figura 33. A primeira coluna contm a
sequncia de dias, comeando pelo nmero 1. A segunda e a terceira colunas
possuem as datas do perodo de 23 de fevereiro de 2010 a 6 de abril de 2010 e o
preo de fechamento do dia de um ativo financeiro, respectivamente. A quarta
coluna contm a mdia dos 10 ltimos preos. A quinta e a sexta colunas contm
o multiplicador da mdia mvel exponencial e a mdia mvel exponencial de 10
dias, respectivamente, aquela utilizando a Equao 23 e esta utilizando a
Equao 24. Os valores na quarta, na quinta e na sexta colunas no foram
calculados nas nove primeiras linhas, pois so necessrios dados de pelo menos
10 dias.

87

Figura 33 Planilha para o clculo de MME


Fonte: adaptada de StockCharts (2010)

5.5 Histograma MACD


Em 1986, Thomas Aspray desenvolveu o indicador Histograma MACD
(simplesmente Histograma), que mede a distncia entre a linha MACD e a linha
de sinal MACD e auxilia na antecipao dos cruzamentos dessas linhas. Por
utilizar mdias mveis e mdias mveis da defasagem de preos, os cruzamentos
no grfico MACD podem ser visto tardiamente e afetar a relao da recompensa

88

e os riscos de uma negociao. As divergncias de alta ou de baixa no grfico


desse indicador alertam uma iminente passagem do sinal das linhas MACD
(STOCKCHARTS, 2010).
Como o indicador MACD, o indicador Histograma MACD um
oscilador que flutua acima e abaixo da linha do zero. Seu valor obtido pela
Equao 25, sendo Linha MACD o valor da linha MACD, Linha de Sinal
o valor da linha de sinal MACD.

25

O indicador Histograma MACD deve ser utilizado com a tendncia do


indicador MACD, o que permite realizar anlises mais precisas das tendncias
presentes no preo dos ativos financeiros. A interseco positiva ocorre quando
a linha de sinal MACD cruza acima da linha MACD, sendo vista como um
evento positivo, pois sinaliza que uma nova tendncia de alta se inicia. Por outro
lado, quando a linha de sinal MACD cruza abaixo da linha MACD, isso
significa o inverso na maior parte dos casos. As interseces positivas mais
efetivas so aquelas que ocorrem acima de zero, indicando a existncia de uma
tendncia de alta. As interseces negativas tendem a ser mais significativas
quando ocorrem em pontos mais distantes de zero (RAGHAVENDRA;
PARASCHIV; VASILIU, 2008).
Um grfico ilustrativo de interpretao do indicador Histograma MACD
apresentado na Figura 34. A letra T e a letra B representam a ocorrncia de um
pico e a ocorrncia do ponto mais baixo, respectivamente, desse indicador.

89

Figura 34 Grfico ilustrativo de interpretao do indicador histograma MACD


Fonte: adaptada de Online Trading Concepts (2010)

5.6 On balance volume (OBV)


Em 1963, Joe Granville desenvolveu o indicador On balance volume
(OBV) e o publicou em seu livro Granville New Key to Stock Market Profits.
Este indicador foi um dos primeiros a medir o volume de fluxo positivo e
negativo, o que possibilita prever os movimentos de preos olhando para as
divergncias entre o indicador OBV e o preo. Alm disso, este indicador pode
ser utilizado para confirmar as tendncias de preos (STOCKCHARTS, 2010).
O indicador OBV calculado adicionando ou subtraindo o volume6 em
que o ativo financeiro subiu ou caiu, respectivamente (CAO; TAY, 2011). Se o
preo de fechamento for (i) maior que, (ii) menor que ou (iii) igual a o preo de
fechamento anterior, ento a Equao 26, a Equao 27 e a Equao 28 so
utilizadas, respectivamente. Ao contrrio dos outros indicadores que utilizam
escalas de 0 a 100 ou valores relativamente proporcionais cotao dos ativos, o
indicador OBV medido de acordo com o volume dos ativos financeiros
analisados.

26

Nesse caso, o "volume" indica a quantidade de aes negociadas.

90

27

28

Uma planilha ilustrativa do passo a passo para o clculo do indicador


OBV apresentada na Figura 35. A primeira coluna contm a sequncia de dias,
comeando pelo nmero 1. A segunda e a terceira colunas possuem as datas do
perodo de 27 de outubro de 2010 a 8 de dezembro de 2010 e o preo de
fechamento do dia de um determinado ativo financeiro, respectivamente. A
quarta coluna contm (i) o valor 1 para indicar alta, (ii) o valor 0 para indicar
nenhuma variao ou (iii) o valor -1 para indicar baixa em relao ao dia
anterior.

91

Figura 35 Planilha para o clculo do indicador OBV


Fonte: adaptada de StockCharts (2010)

A quinta coluna contm o volume total negociado no dia. A sexta coluna


possui o resultado da multiplicao do valor da quarta coluna pelo valor da
quinta coluna. A stima coluna contm o valor do indicador OBV (valor
cumulativo com a adio e a subtrao do volume nos dias de alta e de queda,
respectivamente). Isso indica a presso de compra e de venda de um ativo
financeiro. Os valores na quarta, na quinta, na sexta e na stima colunas no
foram calculados na primeira linha, pois so necessrios dados de pelo menos 2
dias.
Um grfico ilustrativo indicando possveis movimentos nas cotaes
antes que ocorram apresentado na Figura 36. O aumento do volume de
transaes em relao ao volume histrico de transaes indica a alta do preo

92

dos ativos financeiros, antes que os preos subam. O indicador OBV utilizado
para confirmar tendncias de preos ou avisar potenciais reverses de preo por
causa de divergncias entre o preo e o volume negociado.

Figura 36 Grfico OBV indicando divergncia com o preo


Fonte: adaptada de Online Trading Concepts (2010)

5.7 Consideraes finais


A anlise tcnica defende que os fatores econmicos, polticos,
psicolgicos e fundamentalistas condicionam os preos dos ativos financeiros,
sendo o preo desses ativos no mercado em um momento ditado antes pelas
exigncias da oferta e da procura, que pelo seu valor intrnseco. Desta forma, os
preos seriam apenas o reflexo das mudanas do ritmo da oferta e da procura. Se
a procura for maior que a oferta, o preo sobe; caso contrrio, o preo desce.
Alm disso, a anlise tcnica baseia-se no movimento dos preos
conforme as tendncias (para compra ou para venda); e elas persistem. O ritmo
da oferta e da procura coloca uma tendncia em movimento. Os preos movemse em uma direo, criando uma tendncia que continua at o movimento dos
preos diminuir e emitir avisos antes de reverter e comear o movimento na
direo oposta. Neste ponto, tem incio uma nova tendncia.
Por fim, a anlise tcnica baseia-se no fato de os movimentos do
mercado serem repetitivos. Certos padres repetem ciclicamente nos grficos e

93

possuem significados, cuja interpretao pode ser em termos de provveis


movimentos futuros de preos. A natureza humana tal que tende a reagir
similarmente s situaes de padres. Como regra, as pessoas agem da mesma
forma que agiram no passado. Como o mercado de ativos financeiros um
reflexo das aes das pessoas, o analista tcnico avalia situaes recorrentes com
finalidade de antecipar-se a altas e a baixas do mercado.
Enfim, a anlise tcnica um estudo de aes individuais das pessoas e
do mercado com base na oferta e na procura, o que permite registrar em grficos
as atividades de preos e de volumes e deduzir provveis tendncias dos preos
utilizando dados histricos. A combinao dos indicadores utilizados na anlise
tcnica uma poderosa ferramenta que, com otimizaes e ponderaes
apropriadas, permitem calcular a probabilidade de um movimento futuro dos
preos em uma direo.

94

6 SISTEMAS INTELIGENTES PARA O MERCADO DE CAPITAIS


6.1 Consideraes iniciais
A

utilizao

de

tcnicas

de

inteligncia

computacional

tem

proporcionado melhor compreenso de sistemas denominados complexos e no


lineares, em particular os sistemas que possuem vrios fatores, de diferente
natureza, e influenciados com a evoluo do tempo (FARIA et al., 2008). A
capacidade dessa inteligncia em mapear sistemas complexos torna uma
ferramenta atrativa para os problemas relacionados ao comportamento do
mercado financeiro. Por exemplo, a tomada de deciso, fundamental para a
obteno de melhores retornos.
Este captulo apresenta a utilizao de duas tcnicas de inteligncia
computacional (lgica fuzzy e RNAs) para modelar trs tipos de sistemas, sendo
um utilizando apenas a lgica fuzzy, um utilizando apenas as RNAs e um
(conjunto de sistemas hbridos) utilizando a combinao da lgica fuzzy e das
RNAs. Esses sistemas so utilizados para realizar a previso do mercado de
capitais que usam indicadores tcnicos financeiros como dados de entrada.
O sistema modelado utilizando lgica fuzzy consiste em obter de forma
aproximada o raciocnio humano, a fim de desenvolver um sistema inteligente
capaz de armazenar e de recuperar eficientemente grande quantidade de
informao e de tomar decises em ambientes de incerteza e impreciso. O
sistema modelado utilizando RNAs consiste em lidar com dados imprecisos e
situaes no totalmente definidas, recebendo, ao mesmo tempo, vrias entradas
e distribuindo-as de maneira organizadas. O sistema modelado hibridamente
utiliza a combinao da modelagem dos dois sistemas anteriores.
Este captulo est organizado da seguinte forma. A arquitetura para a
obteno dos dados descrita na Seo 6.2. A modelagem dos sistemas

95

mostrada detalhadamente na Seo 6.3. A normalizao dos dados de entrada


tratada na Seo 6.4. O software desenvolvido utilizando as modelagens
apresentado na Seo 6.5. Os resultados obtidos na utilizao dos sistemas
implementados com base nas modelagens so discutidos na Seo 6.6.

6.2 Arquitetura para obteno dos dados


Os dados foram obtidos de sites financeiros e armazenados em uma base
dados. A atualizao dessa base foi feita diariamente, por meio de um software
acionado automaticamente de modo a evitar possvel sobrecarga a esses sites.
Quando recebia uma requisio, o servidor buscava as informaes na base de
dados e no diretamente nos sites financeiros. Aps a busca, os clculos
necessrios foram feitos e a informao solicitada foi retornada ao investidor.
A arquitetura para obteno de informaes apresentada na Figura 37.
Um dispositivo mvel solicita ao servidor informaes sobre o mercado
financeiro. O servidor procura em sua base de dados informaes sobre a
movimentao do cenrio do mercado de capitais, filtra-os e, aps analis-los,
envia ao dispositivo mvel uma sugesto para a tomada de deciso.
A principal caracterstica dessa arquitetura disponibilizar o mximo de
informaes necessrias ao investidor, para apoi-lo na tomada de deciso
(compra/venda de ativos financeiros) com menor custo de transmisso de dados.
Essa caracterstica consistiu em reunir vrias informaes "desagregadas" e
filtrar as mais relevantes para o usurio final em apenas um lugar - infomediao
(HAGEL III; SINGER, 1999).

96

Figura 37 Arquitetura para obteno dos dados


6.3 Modelagem dos sistemas
6.3.1 Modelagem utilizando lgica fuzzy
Essa modelagem consiste na (i) definio dos universos de discurso das
variveis lingusticas do sistema fuzzy, (ii) definio da quantidade de termos
primrios e graus de pertinncia dos conjuntos difusos que representam cada
termo, (iii) determinao das regras que formam o algoritmo de controle e (iv)
definio de parmetros de projeto, como mtodo de inferncia, lgica a ser
empregada, forma de "defuzzificao" e atuao do controlador. O esquema de
"fuzzificao" e de "defuzzificao" da modelagem do sistema utilizando a
lgica fuzzy apresentado na Figura 38.

97

Figura 38 Modelagem utilizando lgica fuzzy


Para realizar a "fuzzificao", os indicadores tcnicos apresentados
anteriormente so utilizados e agrupados da seguinte forma: i) o indicador IFR e
o indicador Oscilador Estocstico so utilizados pela Mquina

de

Inferncia Fuzzy 1 com a Base de Regras Fuzzy 1, cujo


resultado a varivel Momento; ii) o indicador MACD e o indicador
Histograma MACD so utilizados pela Mquina de Inferncia Fuzzy
2 com a Base de Regras Fuzzy 2, cujo resultado a varivel Sinal; e
iii) o indicador OBV utilizado pela Mquina de Inferncia Fuzzy 3
com a Base de Regras Fuzzy 3, cujo resultado a varivel Volume. As
trs variveis resultantes so utilizadas pela Mquina de Inferncia
Fuzzy 4 com a Base de Regras Fuzzy 4, cujo resultado o indicador
C&V (compra e venda). Essa varivel "defuzzificada" e o resultado
informado ao investidor. Estes indicadores procuram predizer as cotaes da

98

Bolsa de Valores com base na perspectiva histrica dos preos dos ativos
financeiros.
Os conjuntos fuzzy para a "fuzzificao" do indicador IFR e do indicador
Oscilador Estocstico so apresentados na Figura 39 e na Figura 40,
respectivamente. A construo destes conjuntos foi baseada nas interpretaes
de seus grficos e as interseces dos conjuntos esto em torno da regio
sobrecomprado e da regio sobrevendido.

Figura 39 Universo IFR

Figura 40 Universo oscilador estocstico


Os conjuntos fuzzy Baixo e Muito

Baixo esto na regio

sobrecomprado, o que indica um incio de movimento de baixa, por causa do


movimento de valorizao intenso ou prolongado prximo de reverter. Esses
conjuntos proporcionam maior risco s operaes de compra e um cenrio
favorvel s operaes de venda. A regio sobrecomprado do indicador IFR
acima de 70 e do indicador Oscilador Estocstico acima de 80.

99

Os conjuntos fuzzy Alto e Muito

Alto esto na regio

sobrevendido, o que indica um incio de movimento de alta, por causa do


movimento de desvalorizao intenso ou prolongado prximo de reverter. Esses
conjuntos proporcionam maior risco s operaes de venda e um cenrio
favorvel s operaes de compra. A regio sobrevendido do indicador IFR
abaixo de 30 e do indicador Oscilador Estocstico abaixo de 20.
Os conjuntos fuzzy do indicador OBV e do indicador Histograma
MACD so apresentados na Figura 41. O domnio da "fuzzificao" varia entre
e

que se refere ao ngulo da reta originada pela regresso linear dos trs

ltimos valores desses indicadores. Esse domnio abrange as possveis


angulaes da linha contida no grfico de anlise tcnica. A angulao da reta
utilizada para interpretar pontos em declnio ou em ascenso, com apenas o uso
do valor do indicador no possvel identificar momentos de declnio ou
ascenso do grfico.

Figura 41 Universo OBV e histograma MACD


No caso do indicador OBV, quanto maior for o ngulo da reta, maior a
fora compradora; por outro lado, quanto menor for o ngulo da reta, menor a
fora compradora. No caso do indicador Histograma MACD, quanto maior for o
ngulo da reta, maior o indcio de tendncia de alta; por outro lado, quanto
menor for o ngulo da reta, maior o indcio de tendncia de baixa.

100

As regras que definem os conjuntos fuzzy do universo de discurso


MACD so apresentadas na Tabela 1. Basicamente, essas regras verificam em
qual zona de tendncia est a linha MACD e verificam a convergncia entre a
linha MACD e a linha de sinal MACD. Por exemplo, na regra nmero 1,
se a linha MACD (LinMACD) estiver acima de zero, a
linha MACD (LinMACD) estiver acima da linha de sinal
MACD (LinSinal), o coeficiente angular da linha
MACD (m1) for positivo e o coeficiente angular da linha
MACD (m1) for maior que o coeficiente angular da linha de
sinal MACD (m2), ento o indicador MACD (MACD) est
Muito Alto.

As regras que definem os conjuntos fuzzy do universo de discurso


Histograma MACD so apresentadas na Tabela 2. Basicamente, essas regras
verificam se o grfico desse indicador est em ascenso ou declnio. Por
exemplo, na regra nmero 1,
se o indicador estiver prximo ao eixo zero (distancia)
e o coeficiente angular do indicador (alpha) estiver uma
inclinao alta, ento o indicador Histograma MACD
(HIST) est Muito Alto.

Os conjuntos fuzzy da varivel sinal, da varivel volume e da


varivel momento so apresentados na Figura 42. O universo de discurso fuzzy
da varivel Momento mede a velocidade e a mudana dos movimentos dos
preos de um ativo financeiro. O universo de discurso fuzzy da varivel
Volume mede a presso de compra e de venda de um ativo financeiro. O
universo de discurso fuzzy da varivel Sinal mede a tendncia na qual o preo
do ativo financeiro se encontra. Estas anlises devem ser ajustadas de acordo
com o nvel de confiana do investidor. Um modelo de mesmo grau de

101

confiabilidade para as trs anlises foi considerado para a construo dos


conjuntos.

Tabela 1 Regras para o universo de discurso MACD


Nmero
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Regras Fuzzy
Se LinMACD > 0 e LinMACD > LinSinal e m1 > 0 e m1 > m2 ento MACD =
Muito Alto
Se LinMACD > 0 e LinMACD > LinSinal e m1 > 0 e m1 < m2 ento MACD = Alto
Se LinMACD > 0 e LinMACD > LinSinal e m1 < 0 ento MACD = Neutro
Se LinMACD < 0 e LinMACD > LinSinal e m1 > 0 e m1 > m2 ento MACD = Alto
Se LinMACD < 0 e LinMACD > LinSinal e m1 > 0 e m1 < m2 ento MACD = Alto
Se LinMACD < 0 e LinMACD > LinSinal e m1 < 0 ento MACD = Neutro
Se LinMACD < 0 e LinMACD < LinSinal e m1 < 0 e m1 < m2 ento MACD =
Muito Baixo
Se LinMACD < 0 e LinMACD < LinSinal e m1 < 0 e m1 > m2 ento MACD =
Baixo
Se LinMACD < 0 e LinMACD < LinSinal e m1 > 0 ento MACD = Neutro
Se LinMACD > 0 e LinMACD < LinSinal e m1 < 0 e m1 < m2 ento MACD =
Baixo
Se LinMACD > 0 e LinMACD < LinSinal e m1 < 0 e m1 > m2 ento MACD =
Baixo
Se LinMACD > 0 e LinMACD < LinSinal e m1 > 0 ento MACD = Neutro
Se LinMACD = 0 e m1 > 0 ento MACD = Muito Alto
Se LinMACD = 0 e m1 < 0 ento MACD = Muito Baixo
Se m1 = 0 ento MACD = Neutro

LinMACD = linha MACD; LinSinal = linha de sinal MACD; m1 = ngulo da reta


obtido pela regresso linear dos trs ltimos valores da linha MACD; m2 = ngulo da
reta obtido pela regresso linear dos trs ltimos valores da linha de sinal MACD

Tabela 2 Regras para o universo de discurso histograma MACD


Nmero
Regras Fuzzy
1
Se distancia = 0 e alpha = Alto ento HIST = Muito Alto
2
Se distancia = 0 e alpha = Baixo ento HIST = Muito Baixo
3
Se alpha = Alto ento HIST = Alto
4
Se alpha = Muito Alto ento HIST = Muito Alto
5
Se alpha = Baixo ento HIST = Baixo
6
Se alpha = Muito Baixo ento HIST = Muito Baixo
7
Se alpha = Neutro ento HIST = Neutro
distancia = distncia do indicador Histograma MACD ao eixo zero;
alpha = ngulo da reta obtido pela regresso linear dos trs ltimos
valores do indicador; HIST = Indicador Histograma MACD

102

Figura 42 Universos sinal, volume e momento


Os conjuntos fuzzy do indicador C&V (conjunto fuzzy de sada) so
apresentados na Figura 43. Se o investidor for conservador, a base triangular do
conjunto fuzzy Neutro deve ser larga e a base dos conjuntos fuzzy Muito
Baixo e Muito Alto deve ser estreita. Se o investidor for arrojado, a base
triangular do conjunto fuzzy Neutro deve ser estreita e a base dos conjuntos
fuzzy Muito Baixo e Muito Alto deve ser larga. Cabe ressaltar que ajustes
na base triangular dos conjuntos fuzzy Baixo e Alto devem estar coerentes e
consistentes com as alteraes dos conjuntos fuzzy Neutro, Muito Baixo e
Muito Alto.

Figura 43 Universo C&V


As regras da Base de Regras Fuzzy 1, da Base de Regras
Fuzzy 2, da Base de Regras Fuzzy 3 e da Base de Regras
Fuzzy 4 so apresentadas na Tabela 3, na Tabela 4, na Tabela 5 e na Tabela 6,
respectivamente.

103

Tabela 3 Regras fuzzy para calcular a intensidade da varivel momento


Nmero
1
2
3
4
5
6
7
8
9
10
11
12
13
14

Regras Fuzzy
Se IFR = Muito Alto ou Alto e EST = Muito Alto ento MOMENTO = Muito Alto
Se IFR = Muito Alto e EST = Muito Alto ou Alto ento MOMENTO = Muito Alto
Se IFR = Alto e EST = Alto ento MOMENTO = Alto
Se IFR = Neutro e EST = Muito Alto ento MOMENTO = Alto
Se IFR = Muito Alto e EST = Neutro ento MOMENTO = Alto
Se IFR = Neutro e EST = Alto ou Neutro ou Baixo ento MOMENTO = Neutro
Se IFR = Muito Alto ou Alto e EST = Baixo ou Muito Baixo ento MOMENTO=Neutro
Se IFR = Alto ou Neutro ou Baixo e EST = Neutro ento MOMENTO = Neutro
Se IFR = Muito Baixo ou Baixo e EST = Muito Alto ou Alto ento MOMENTO=Neutro
Se IFR = Neutro e EST = Muito Baixo ento MOMENTO = Baixo
Se IFR = Muito Baixo e EST = Neutro ento MOMENTO = Baixo
Se IFR = Baixo e EST = Baixo ento MOMENTO = Baixo
Se IFR = Muito Baixo ou Baixo e EST = Muito Baixo ento MOMENTO = Muito Baixo
Se IFR = Muito Baixo e EST = Muito Baixo ou Baixo ento MOMENTO = Muito Baixo

EST = oscilador estocstico; MOMENTO = momento

Tabela 4 Regras fuzzy para calcular a intensidade da varivel sinal


Nmero
1
2
3
4
5
6
7
8
9
10
11
12
13

Regras Fuzzy
Se MACD = Muito Alto ou Alto e HIST = Muito Alto ento SINAL = Muito Alto
Se MACD = Muito Alto e HIST = Muito Alto ou Alto ento SINAL = Muito Alto
Se MACD = Alto e HIST = Alto ento SINAL = Alto
Se MACD = Muito Alto ou Alto e HIST = Baixo ou Muito Baixo ento SINAL = Neutro
Se MACD = Neutro e HIST = Neutro ento SINAL = Neutro
Se MACD = Muito Alto ou Alto e HIST = Neutro ento SINAL = Alto
Se MACD = Muito Baixo ou Baixo e HIST = Neutro ento SINAL = Baixo
Se MACD = Neutro e HIST = Muito Alto ou Alto ento SINAL = Alto
Se MACD = Neutro e HIST = Muito Baixo ou Baixo ento SINAL = Baixo
Se MACD = Muito Baixo ou Baixo e HIST = Alto ou Muito Alto ento SINAL = Neutro
Se MACD = Baixo e HIST = Baixo ento SINAL = Baixo
Se MACD = Muito Baixo ou Baixo e HIST = Muito Baixo ento SINAL = Muito Baixo
Se MACD = Muito Baixo e HIST = Muito Baixo ou Baixo ento SINAL = Muito Baixo

HIST = histograma MACD; SINAL = sinal

As regras para calcular a intensidade da varivel Momento so


apresentadas na Tabela 3. Basicamente, essas regras verificam a combinao do
indicador IFR com o indicador Oscilador Estocstico. Por exemplo, na regra
nmero 1,
se o indicador IFR (IFR) estiver Muito Alto ou Alto
e o indicador Oscilador Estocstico (EST) estiver Muito
Alto, ento a varivel Momento (MOMENTO) Muito
Alto.

104

Tabela 5 Regras fuzzy para calcular a intensidade da varivel volume


Nmero
1
2
3
4
5

Regras Fuzzy
Se OBV = Muito Alto ento VOLUME = Muito Alto
Se OBV = Alto ento VOLUME = Alto
Se OBV = Neutro ento VOLUME = Neutro
Se OBV = Baixo ento VOLUME = Baixo
Se OBV = Muito Baixo ento VOLUME = Muito Baixo

VOLUME = volume

Tabela 6 Regras fuzzy para calcular a intensidade do indicador C&V


Nmero
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

Regras Fuzzy
Se MOMENTO = Muito Alto ento C&V = Alto
Se MOMENTO = Muito Alto ou Alto e SINAL = Muito Alto ou Alto ento C&V = Alto
Se MOMENTO = Muito Alto ou Alto e VOLUME = Muito Alto ou Alto ento C&V = Alto
Se SINAL = Muito Alto ou Alto e VOLUME = Muito Alto ou Alto ento C&V = Alto
Se MOMENTO = Muito Alto ou Alto e SINAL = Muito Alto ou Alto e VOLUME = Muito Alto ou
Alto ento C&V = Muito Alto
Se MOMENTO = Neutro e SINAL = Neutro ento C&V = Neutro
Se MOMENTO = Neutro e VOLUME = Neutro ento C&V = Neutro
Se SINAL = Neutro e VOLUME = Neutro ento C&V = Neutro
Se MOMENTO = Muito Alto ou Alto e SINAL = Muito Baixo ou Baixo ento C&V = Neutro
Se MOMENTO = Muito Alto ou Alto e VOLUME = Muito Baixo ou Baixo ento C&V = Neutro
Se SINAL = Muito Alto ou Alto e VOLUME = Muito Baixo ou Baixo ento C&V = Neutro
Se MOMENTO = Muito Baixo ou Baixo e SINAL = Muito Alto ou Alto ento C&V = Neutro
Se MOMENTO = Muito Baixo ou Baixo e VOLUME = Muito Alto ou Alto ento C&V = Neutro
Se SINAL = Muito Baixo ou Baixo e VOLUME = Muito Alto ou Alto ento C&V = Neutro
Se MOMENTO = Muito Baixo ento C&V = Baixo
Se MOMENTO = Muito Baixo ou Baixo e SINAL = Muito Baixo ou Baixo ento C&V = B
Se MOMENTO = Muito Baixo ou Baixo e VOLUME = Muito Baixo ou Baixo ento C&V = B
Se SINAL = Muito Baixo ou Baixo e VOLUME = Muito Baixo ou Baixo ento C&V = B
Se MOMENTO = Muito Baixo ou Baixo e SINAL = Muito Baixo ou Baixo e VOLUME = Muito
Baixo ou Baixo ento C&V = MB

VOLUME = volume; MOMENTO = momento; C&V = compra e venda (C&V)

As regras para calcular a intensidade da varivel Sinal so


apresentadas na Tabela 4. Basicamente, essas regras verificam a combinao do
indicador MACD com o indicador Histograma MACD. Por exemplo, na regra
nmero 1,
se o indicador MACD (MACD) estiver Muito Alto ou
Alto e o indicador Histograma MACD (HIST) estiver
Muito Alto, ento a tendncia de alta, implicando em
varivel Sinal (SINAL) Muito Alto.

105

As regras para calcular a intensidade da varivel Volume so


apresentadas na Tabela 5. Basicamente, essas regras verificam se o indicador
OBV est Alto ou Baixo. Por exemplo, na regra nmero 1,
se o indicador OBV (OBV) estiver Muito Alto ento a
varivel Volume (VOLUME) est Muito Alto.

As regras para calcular a intensidade do indicador C&V so apresentadas


na Tabela 6. Essas regras so utilizadas para sugerir a tomada de deciso ao
investidor. Por exemplo, na regra nmero 2,
se a varivel Momento (MOMENTO) estiver Muito
Alto ou Alto e a varivel Sinal (SINAL) estiver
Muito Alto ou Alto ento o indicador C&V (C&V)
Muito Alto, uma tomada de deciso de compra.

Quanto

modelagem

de

dados,

Diagrama

de

Entidade-

Relacionamento (ELMASRI; NAVATHE, 2011) usado na modelagem


utilizando a lgica fuzzy (Figura 44). Os seguintes tipos de dados so
representados:
a) SistemaFuzzy: entidade responsvel por armazenar os sistemas
modelados utilizando a lgica fuzzy, podendo conter vrias mquinas
de inferncias e vrios universos fuzzy;
b) RelSistemaFuzzyUniversoFuzzy: relacionamento entre instncias
da

entidade

SistemaFuzzy

UniversoDeDiscursoFuzzy;

instncias

da

entidade

106

c) UniversoDeDiscursoFuzzy: entidade responsvel por armazenar os


universos de discurso fuzzy. Por exemplo, o tipo de dado que
representa o universo de discurso do indicador Oscilador Estocstico
armazena os conjuntos fuzzy das variveis lingusticas que pertence a
esse universo de discurso;
d) RelConjFuzzyUniversoFuzzy: relacionamento entre instncias da
entidade UniversoDeDiscursoFuzzy e instncias da entidade
ConjFuzzy;
e) ConjFuzzy: entidade responsvel por armazenar os conjuntos fuzzy.
Exemplo: Conjunto Fuzzy Muito Alto = {se x > 0 e x < 20, ento
f(x) = 1; se x > 20 e x < 30, ento f(x) = 1 + (x - 20) / (- 10); se x >
30, ento f(x) = 0}, sendo x o valor a ser "fuzzificado";
f) RelFuncaoConjFuzzy: relacionamento entre instncias da entidade
ConjFuzzy e instncias da entidade Funo;
g) Funo: entidade responsvel por armazenar as funes. Por
exemplo: {1 + (x - 20) / (- 10)}, sendo x o valor a ser "fuzzificado";
h) Domnio: entidade responsvel por armazenar os domnios das
funes e dos universos fuzzy. Por exemplo: o domnio do universo
fuzzy oscilador estocstico compreende de 0 a 100;
i)

RelSistemaFuzzyMaquinaInferencia:

relacionamento

entre

instncias da entidade SistemaFuzzy e instncias da entidade


MaquinaInferencia;
j)

MaquinaInferencia: entidade responsvel por armazenar as


mquinas de inferncias. Por exemplo, o tipo de dado que representa
uma mquina de inferncia armazena a sua base de regras e as
abreviaes de cada regra;

107

Figura 44 Modelagem do banco de dados do sistema fuzzy


k) BaseDeRegra: entidade responsvel por armazenar as bases de
regras de uma determinada mquina de inferncia;
l)

RelBaseDeRegra_Regra:

relacionamento

entre

instncias

da

entidade BaseDeRegras e instncias da entidade Regra;


m) Regra: entidade responsvel por armazenar as regras. Por exemplo:
Se OBV = MA ento VOLUME = MA;
n) GrupoAlias: entidade responsvel por armazenar os grupos de
abreviaes de uma determinada mquina de inferncia;
o) RelGrupoAlias_Alias: relacionamento entre instncias da entidade
GrupoAlias e instncias da entidade Alias;
p) Alias: entidade responsvel por armazenar as abreviaes. Por
exemplo: MA = Muito Alto; A = Alto e N = Neutro;

108

6.3.2 Modelagem utilizando das redes neurais artificiais


Essa modelagem baseada na apresentada na seo anterior para
possibilitar uma comparao entre os resultados obtidos entre ambas. Nessa
modelagem, cada mquina de inferncia fuzzy possui uma RNA correspondente
e outras RNAs so utilizadas como redes auxiliares. A modelagem utilizando
RNAs ilustrada na Figura 45 representada de forma simplificada para evitar a
perda de legibilidade; para isso, a quantidade de neurnios indicada abaixo de
cada camada de entrada das RNAs.

Figura 45 Modelagem utilizando RNAs

109

Por exemplo, a RNA para o indicador Histograma MACD possui o total


de 12 neurnios e a RNA para a varivel Sinal possui 6 neurnios. Os dados
utilizados nas RNAs so processados para que fiquem normalizados com os
indicadores: MACD, Histograma MACD, OBV, IFR e Oscilador Estocstico.
As RNAs possuem cinco sadas, representando (i) tima oportunidade de
compra (MA = Muito Alta), (ii) boa oportunidade de compra (A = Alta),
(iii) sem oportunidade de compra/venda (N = Neutro), (iv) boa oportunidade
de venda (B = Baixa) e (v) tima oportunidade de venda (MB = Muito
Baixa). As sadas do primeiro conjunto de RNAs so entradas para as
prximas RNAs.
O

treinamento

dessas

RNAs

feita

por

aprendizagem

no

supervisionada. O conjunto de dados recebido analisado, algumas propriedades


desses dados so determinadas e a RNA "aprende" a refletir sobre essa
propriedade. A RNA utiliza padres, regularidades e correlaes para agrupar o
conjunto de dados em classes. As propriedades adquiridas pela RNA sobre os
dados so guardadas em arquivos aps a aprendizagem. As regras de
aprendizagem utilizadas pelas RNAs a regra gradiente descendente, quando o
erro de sada de um neurnio obtido comparando o resultado por ele calculado
com o resultado desejado. O erro atua como mecanismo de controle para
melhorar a resposta da RNA. Os dados de entrada das RNAs devem ser
normalizados, dado que os algoritmos de treino so sensveis a intervalos e
distribuies diferentes nas suas entradas. Assim, os valores de cada entrada
devem ser escalonados em um intervalo [0, 1]. O detalhamento das RNAs para
os indicadores apresentado nas prximas sees.
A RNA utilizada para classificar o indicador IFR apresentada na
Figura 46. Ela recebe como entrada o valor desse indicador, suficiente para
identificar indcio de sobrecomprado e de sobrevendido. Foram utilizados 80
valores classificados segundo os dados contidos na literatura para o treinamento

110

dessa RNA. Em razo de ser complexo computacionalmente, inicialmente 6


neurnios foram utilizados na camada intermediria. Aps vrios treinamentos,
verificou-se que 3 neurnios so suficientes para classificar esse indicador,
sendo a menor quantidade para no ter perda da eficcia na classificao.
A RNA utilizada para classificar o indicador Oscilador Estocstico
apresentada na Figura 47. Ela recebe como entrada o valor desse indicador,
suficiente para identificar indcio de sobrecomprado e de sobrevendido. Foram
utilizadas 80 amostras classificadas de acordo com a regio sobrecomprado e a
regio sobrevendido definidos na literatura para o treinamento dessa RNA. Em
razo de ser complexo computacionalmente, inicialmente 6 neurnios foram
utilizados na camada intermediria. Aps vrios treinamentos, verificou-se que 3
neurnios so suficientes para classificar esse indicador, sendo a menor
quantidade para no ter perda da eficcia na classificao.

Figura 46 RNA para o indicador IFR

111

Figura 47 RNA para o indicador oscilador estocstico


A RNA utilizada para classificar o indicador MACD apresentada na
Figura 48. Ela recebe como entrada (i) a distncia da linha MACD ao eixo zero,
(ii) a diferena entre a linha MACD e a linha de sinal MACD, (iii) a angulao
da linha MACD e (iv) a diferena entre a angulao da linha MACD e a linha de
sinal MACD. A angulao das linhas utilizada para identificar possvel
cruzamento. Somente o valor da linha MACD e o valor da linha de sinal MACD
no so suficientes para interpretar o grfico; por isso, o indicador MACD
decomposto nestes quatro dados de entrada. Foram utilizadas 1000 amostras
classificadas segundo as definies contidas na literatura para o treinamento
dessa RNA.
Para a interpretao do grfico desse indicador, so necessrias muitas
regras. Por causa disso, inicialmente grande quantidade de neurnios foi
utilizada na camada intermediria. A partir dessa quantidade, vrios
treinamentos foram feitos, diminuindo e aumentando essa quantidade, at chegar
a uma quantidade adequada e necessria para no ter perda da eficcia da
classificao desse indicador. A quantidade inicial foi 20 neurnios e, aps
treinamentos, verificou-se que 12 neurnios so suficientes para classificar esse
indicador, sendo a menor quantidade para no ter perda da eficcia na
classificao.

112

Figura 48 RNA para o indicador MACD


A RNA utilizada para classificar o indicador Histograma MACD
apresentada na Figura 49. Ela recebe como entrada (i) a distncia do indicador
Histograma MACD ao eixo zero e (ii) a angulao do valor do Histograma
MACD. Essa angulao utilizada para identificar possvel cruzamento no eixo
zero. Somente o valor desse indicador no suficiente para interpretar o grfico;
por isso, ele decomposto nesses dois dados de entrada. Foram utilizadas 1000
amostras classificadas segundo as definies contidas na literatura para o
treinamento dessa RNA.

Figura 49 RNA para o indicador histograma MACD


Para a interpretao desse indicador, necessrio analisar se (i) o valor
do indicador est prximo de zero, (ii) o indicador atravessa o eixo 0 e (iii) uma
tendncia est perdendo ou ganhando fora. Tendo em vista essa anlise,

113

inicialmente grande quantidade de neurnios foi utilizada na camada


intermediria. A partir dessa quantidade, vrios treinamentos foram feitos,
diminuindo e aumentando essa quantidade. A quantidade inicial foi 18 neurnios
e, aps treinamentos, verificou-se que 6 neurnios so suficientes para
classificar esse indicador, sendo a menor quantidade para no ter perda da
eficcia na classificao.
A RNA utilizada para classificar o indicador OBV apresentada na
Figura 50. Ela recebe como entrada a angulao do valor do indicador OBV.
Essa angulao para interpretar o movimento ascendente ou descendente no
grfico do indicador OBV. Foram utilizadas 100 amostras classificadas
conforme as interpretaes do indicador na literatura para o treinamento dessa
RNA. Para a interpretao desse indicador, necessrio analisar se o indicador
desenvolve trajetria ascendente ou descendente. Em razo disso, pequena
quantidade de neurnios na camada intermediria foi utilizada no primeiro
treinamento. A quantidade inicial foi 8 neurnios e, aps treinamentos,
verificou-se que 3 neurnios so suficientes para classificar esse indicador,
sendo a menor quantidade para no ter perda da eficcia na classificao.

Figura 50 RNA para o indicador OBV


A RNA utilizada para classificar a velocidade e a mudana dos
movimentos dos preos (varivel Momento) apresentada na Figura 51. Foram

114

utilizadas 500 amostras classificadas segundo a base de regras Momento para o


treinamento dessa RNA (LIMA et al., 2010). Inicialmente, a quantidade
utilizada foi 6 neurnios na camada intermediria e, aps treinamentos,
diminuindo e aumentando essa quantidade, verificou-se que 3 neurnios so
suficientes para a classificao dessa varivel, sendo a menor quantidade para
no ter perda da eficcia na classificao.
A RNA utilizada para classificar a tendncia na qual o preo do ativo
financeiro se encontra (varivel Sinal) apresentada na Figura 52. Foram
utilizadas 1200 amostras classificadas segundo a base de regras Sinal para o
treinamento dessa RNA (LIMA et al., 2010). Inicialmente, a quantidade
utilizada foi 30 neurnios na camada intermediria. Aps vrios treinamentos,
diminuindo e aumentando essa quantidade, verificou-se que 6 neurnios so
suficientes para classificar essa varivel, sendo a menor quantidade para no ter
perda da eficcia na classificao.

Figura 51 RNA para a varivel momento

115

Figura 52 RNA para a varivel sinal


A RNA utilizada para classificar a presso da compra e de venda de um
ativo financeiro (varivel Volume) ilustrada na Figura 53. Foram utilizadas
800 amostras classificadas segundo a base de regras Volume para o treinamento
dessa RNA (LIMA et al., 2010). Inicialmente, a quantidade utilizada foi 6
neurnios na camada intermediria. Aps vrios treinamentos, diminuindo e
aumentando essa quantidade, verificou-se que 3 neurnios so suficientes para a
classificao essa varivel, sendo a menor quantidade para no ter perda da
eficcia na classificao.

116

Figura 53 RNA para a varivel volume


A RNA utilizada para indicar uma tomada de deciso (indicador C&V)
apresentada na Figura 54. Ela recebe como entrada as sadas da RNA da varivel
Sinal, da varivel Volume e da varivel Momento e fornece ao investidor
uma sugesto de compra ou de venda para um ativo financeiro. Foram utilizadas
3000 amostras classificadas segundo a base de regras C&V para o treinamento
dessa

RNA

(LIMA

et

al.,

2010).

Em

razo

de

ser

complexo

computacionalmente, inicialmente foram utilizados 60 neurnios na camada


intermediria. Aps vrios treinamentos, verificou-se que 32 neurnios so
suficientes para classificar este indicador, sendo a menor quantidade para no ter
perda de eficcia na classificao.

117

Figura 54 RNA para o Indicador C&V


6.3.3 Modelagens hbridas
As duas modelagens apresentadas anteriormente possuem trs etapas de
anlise. Na primeira etapa, os indicadores tcnicos so analisados, agrupando-os
em trs conjuntos: i) IFR e Oscilador Estocstico; ii) MACD, Histograma
MACD; e iii) OBV. Na segunda etapa, as sadas da primeira etapa so
analisadas (varivel Sinal, varivel Volume e varivel Momento). Na
terceira etapa, as sadas da segunda etapa so analisadas resultando no indicador
C&V que fornece subsdio ao investidor sobre a tomada de alguma deciso
(compra ou venda) do ativo financeiro. Dessa forma, pode-se combinar as duas
tcnicas de inteligncia computacional abordadas neste trabalho, Lgica Fuzzy e
RNA, para modelar seis propostas hbridas.
Uma dessas modelagens apresentada na Figura 55. Nessa modelagem,
os indicadores tcnicos so processados por RNAs, cujas sadas so utilizadas

118

como entrada para trs mquinas de inferncias. As sadas destas mquinas de


inferncias so conjuntos fuzzy da varivel Sinal, da varivel Volume e da
varivel Momento. Esses conjuntos fuzzy so utilizados como entrada em outra
mquina de inferncia, cuja sada indicao de compra e de venda (indicador
C&V).

Figura 55 Proposta 1: modelagem hbrida utilizando RNA-fuzzy-fuzzy


A segunda proposta de modelagem hbrida apresentada na Figura 56.
Nessa modelagem, os indicadores tcnicos so "fuzzificados" e processados e os

119

conjuntos fuzzy obtidos so utilizados como entradas para trs RNAs. As sadas
dessas RNAs so valores para a varivel Sinal, a varivel Volume e a
varivel Momento. Esses valores so utilizados como entrada em outra RNA,
cuja sada indicao de compra e de venda (indicador C&V).
A terceira proposta de modelagem hbrida apresentada na Figura 56.
Nessa modelagem, os indicadores tcnicos so processados por RNAs, cujas
sadas so utilizadas como entrada para trs mquinas de inferncias. As sadas
dessas mquinas de inferncias so conjuntos fuzzy para a varivel Sinal, a
varivel

Volume e a varivel

Momento. Esses conjuntos fuzzy so

processados e utilizados como entrada em outra RNA, cuja sada uma


indicao de compra e de venda (indicador C&V).

120

Figura 56 Proposta 2: modelagem hbrida utilizando fuzzy-RNA-RNA


A quarta proposta de modelagem hbrida apresentada na Figura 57.
Nessa modelagem, os indicadores tcnicos so "fuzzificados" e processados e os
conjuntos fuzzy obtidos so utilizados como entradas para trs RNAs. As sadas
destas RNAs so valores para a varivel Sinal, a varivel Volume e a
varivel Momento. Esses valores so processados e utilizados como entrada
em outra mquina de inferncia, cuja sada indicao de compra e de venda
(indicador C&V).

121

A quinta proposta de modelagem hbrida apresentada na Figura 58.


Nessa modelagem, os indicadores tcnicos so processados por RNAs, cuja
sada utilizada como entrada para outras trs RNAs. As sadas dessas RNAs
so valores para a varivel Sinal, a varivel Volume e a varivel Momento.
Esses valores so utilizados como entrada em uma mquina de inferncia, cuja
sada indicao de compra e de venda (indicador C&V).

Figura 57 Proposta 3: modelagem hbrida utilizando RNA-fuzzy-RNA

122

A sexta proposta de modelagem hbrida apresentada na Figura 60.


Nessa modelagem, os indicadores tcnicos so "fuzzificados" e os conjuntos
fuzzy so utilizados como entradas para trs mquinas de inferncias. As sadas
destas mquinas de inferncias so conjuntos fuzzy para a varivel Sinal, a
varivel Volume e a varivel Momento. Esses conjuntos fuzzy de sada so
utilizados como entrada em uma RNA, cuja sada indicao de compra e de
venda (indicador C&V).

6.4 Normalizao dos dados


Os valores fornecidos como entrada de dados para as modelagens
apresentadas precisam ser normalizados, sendo que cada indicador deve ser
normalizado apropriadamente. Alm dessa normalizao, o indicador MACD, o
indicador Histograma MACD e o indicador OBV precisam ser decomposto.

123

Figura 58 Proposta 4: modelagem hbrida utilizando fuzzy-RNA-fuzzy

124

Figura 59 Proposta 5: modelagem hbrida utilizando RNA-RNA-fuzzy


A normalizao feita utilizando a Equao 29, sendo
normalizado,

o valor

o menor valor do conjunto de valores a ser normalizado e

o maior valor do conjunto de valores a ser normalizado.


O coeficiente angular da regresso linear obtido utilizando a Equao
30, sendo

o coeficiente angular (a inclinao da reta),

sequncia dos dias considerados no clculo e

a mdia da

a mdia dos valores da

125

normalizao do valor MACD. O ngulo da inclinao da reta obtido


calculando o arco tangente de .
Nas prximas sees, a normalizao e a decomposio dos valores de
entrada para as modelagens apresentadas anteriormente so discutidas
detalhadamente.

29

30

Figura 60 Proposta 6: modelagem hbrida utilizando fuzzy-fuzzy-RNA


6.4.1 Normalizao dos valores na modelagem utilizando lgica fuzzy
Na modelagem utilizando lgica fuzzy, o indicador IFR e o indicador
Oscilador Estocstico no precisam ser normalizados, pois o universo de
discurso fuzzy de ambos tem o domnio no intervalo [0; 100]. O indicador
MACD deve ser decomposto em quatro valores e normalizados: i) a distncia do
valor da linha MACD em relao ao eixo zero; ii) a diferena entre a linha
MACD e a linha de sinal MACD; iii) o coeficiente angular da regresso linear

126

dos trs ltimos valores da linha MACD; e iv) a diferena entre o ngulo da
regresso linear dos trs ltimos valores da linha MACD e o ngulo da regresso
linear dos trs ltimos valores da linha de sinal MACD. O indicador Histograma
MACD deve ser decomposto em dois valores e normalizados: i) a distncia do
histograma MACD ao eixo zero; e ii) o coeficiente angular da regresso linear
dos trs ltimos valores do histograma MACD. O ngulo da regresso linear dos
valores do indicador OBV deve ser normalizado.

6.4.1.1 Normalizao da distncia da linha MACD ao eixo zero


A distncia da linha MACD ao eixo zero varia no intervalo [-1; 1]. Um
passo a passo do clculo desta distncia apresentado na Tabela 7. A primeira
coluna contm os dias no perodo de 30 de novembro de 2011 a 21 de dezembro
de 2012. A segunda e a terceira colunas tm valores da linha MACD e da linha
de sinal MACD do ativo BBAS3 no perodo especificado anteriormente,
respectivamente. A quarta coluna possui somente valor zero, utilizado para que
o valor zero esteja contido nos valores mximo e mnimo. A quinta e a sexta
colunas possuem os valores de mximo e mnimo dos ltimos sete dias,
considerando os valores da linha MACD, da linha de sinal MACD e o zero,
respectivamente. A stima e a oitava colunas tm o valor normalizado da linha
MACD (N1) e a normalizao do valor zero (N2), conforme a Equao 29,
respectivamente. A nona coluna (Entrada) possui o valor de N1 - N2. Os
valores de mximo e mnimo, os valores normalizados e o valor na coluna
Entrada no foram calculados nas seis primeiras linhas, pois so necessrios
dados de pelo menos sete dias.

127

Tabela 7 Tabela para calcular a distncia da linha MACD ao eixo zero


Data

LinhaMacd

MacdSinal

Zero

30/11/11

-312,300

-216,041

0,00

Mximo

Mnimo

N1

N2

Entrada

01/12/11

-185,500

-209,933

0,00

02/12/11

-110,800

-190,106

0,00

05/12/11

-107,000

-173,485

0,00

06/12/11

-83,900

-155,568

0,00

07/12/11

-113,700

-147,194

0,00

08/12/11

-144,400

-146,636

0,00

0,000

-312,300

0,538

1,000

-0,462

09/12/11

-125,800

-142,468

0,00

0,000

-209,933

0,401

1,000

-0,599

12/12/11

-161,900

-146,355

0,00

0,000

-190,106

0,148

1,000

-0,852

13/12/11

-183,600

-153,804

0,00

0,000

-183,600

0,000

1,000

-1,000

14/12/11

-222,100

-167,463

0,00

0,000

-222,100

0,000

1,000

-1,000

15/12/11

-269,500

-187,870

0,00

0,000

-269,500

0,000

1,000

-1,000

16/12/11

-331,100

-216,516

0,00

0,000

-331,100

0,000

1,000

-1,000

19/12/11

-393,000

-251,813

0,00

0,000

-393,000

0,000

1,000

-1,000

20/12/11

-403,100

-282,070

0,00

0,000

-403,100

0,000

1,000

-1,000

21/12/11

-366,200

-298,896

0,00

0,000

-403,100

0,092

1,000

-0,908

6.4.1.2 Normalizao da diferena entre a linha MACD e a linha de sinal


MACD
A diferena entre a linha MACD e a linha de sinal MACD varia no
intervalo [-2; 2]. Um passo a passo do clculo desta diferena apresentado na
Tabela 8. A primeira coluna contm os dias no perodo de 30 de novembro de

128

2011 a 21 de dezembro de 2012. A segunda e a terceira colunas mostram valores


da linha MACD e da linha sinal MACD do ativo BBAS3 no perodo
especificado anteriormente, respectivamente. A quarta e a quinta colunas
possuem os valores de mximo e mnimo dos ltimos sete dias, considerando os
valores da linha MACD e linha de sinal MACD, respectivamente. A sexta e a
stima colunas tm os valores normalizados da linha MACD (N1) e da linha de
sinal MACD (N2), conforme a Equao 29, respectivamente. A oitava coluna
(Entrada) possui o valor de N1 - N2. Os valores de mximo e mnimo, os
valores normalizados e o valor na coluna Entrada no foram calculados nas
seis primeiras linhas, pois so necessrios dados de pelo menos sete dias.
Tabela 8 Tabela para calcular a diferena entre a linha MACD e a linha de
sinal MACD
Data

LinhaMacd

MacdSinal

30/11/11

-312,300

-216,041

Mximo

Mnimo

N1

N2

Entrada

01/12/11

-185,500

-209,933

02/12/11

-110,800

-190,106

05/12/11

-107,000

-173,485

06/12/11

-83,900

-155,568

07/12/11

-113,700

-147,194

08/12/11

-144,400

-146,636

-83,900

-312,300

0,735

0,725

0,010

09/12/11

-125,800

-142,468

-83,900

-209,933

0,668

0,535

0,132

12/12/11

-161,900

-146,355

-83,900

-190,106

0,266

0,412

-0,146

13/12/11

-183,600

-153,804

-83,900

-183,600

0,000

0,299

-0,299

14/12/11

-222,100

-167,463

-83,900

-222,100

0,000

0,395

-0,395

15/12/11

-269,500

-187,870

-113,700

-269,500

0,000

0,524

-0,524

16/12/11

-331,100

-216,516

-125,800

-331,100

0,000

0,558

-0,558

19/12/11

-393,000

-251,813

-125,800

-393,000

0,000

0,528

-0,528

129

20/12/11

-403,100

-282,070

-146,355

-403,100

0,000

0,471

-0,471

21/12/11

-366,200

-298,896

-153,804

-403,100

0,148

0,418

-0,270

6.4.1.3 Normalizao do ngulo da linha MACD


O valor do ngulo da linha MACD varia no intervalo [-1,57; 1,57]. Um
passo a passo do clculo deste ngulo apresentado na Tabela 9. A primeira
coluna contm os dias no perodo de 30 de novembro de 2011 a 21 de dezembro
de 2012. A segunda coluna tem os valores da linha MACD do ativo BBAS3 no
perodo especificado anteriormente. A terceira coluna contm a sequncia de
dias (x), comeando pelo nmero 1. A quarta coluna possui valores da
normalizao do valor MACD (y) utilizando os valores dos ltimos sete dias,
conforme ilustra a Equao 29. A quinta, a sexta, a stima e a oitava colunas
possuem valores para a Equao 30 para calcular o coeficiente angular dos
valores dos trs ltimos dias, sendo que a quinta coluna (F1) contm o valor de
, a sexta coluna (F2) contm o valor de
coluna (F3) contm o valor de
(F4) contm o valor de

, a stima
e a oitava coluna

. A nona coluna possui valores de

que

corresponde ao coeficiente angular dos valores dos trs ltimos dias


normalizados. A dcima coluna (Entrada) contm o valor do arco tangente do
coeficiente angular obtido ( ).
Abaixo dos valores da linha MACD, h os valores de mximo (Max) e
mnimo (Min) calculados e utilizados no clculo da normalizao do valor do
indicador MACD (y). Abaixo dos valores da terceira e da quarta colunas, h os
valores mdios dessas colunas utilizados nos clculos das colunas seguintes. Os
valores das operaes da quinta, da sexta, da stima e da oitava colunas no

130

foram calculados nas quatro primeiras linhas, pois so necessrios dados de pelo
menos cinco dias. Alm disso, os valores do coeficiente angular e arco tangente
do coeficiente angular no foram calculados nas seis primeiras linhas, pois so
necessrios dados de pelo menos sete dias.

Tabela 9 Tabela para calcular o ngulo da linha MACD


Data

LinhaMacd

F1

F2

F3

30/11/11

-312,300

0,000

01/12/11

-185,500

0,555

02/12/11

-110,800

0,882

05/12/11

-107,000

0,899

06/12/11

-83,900

07/12/11

-113,700

08/12/11

-144,400

Max

-83,900

Mdia

Mdia

Min

-312,300

0,86821

01/12/11

-185,500

0,000

02/12/11

-110,800

0,735

05/12/11

-107,000

0,773

F4

1,000

-1

0,132

-0,132

0,870

0,001

0,000

0,735

-0,133

-0,133

-0,140

06/12/11

-83,900

1,000

07/12/11

-113,700

0,707

-1

0,140

08/12/11

-144,400

0,405

-0,162

0,000

09/12/11

-125,800

0,588

0,021

0,021

Max

-83,900

Mdia

Mdia

Min

-185,500

0,56627

02/12/11

-110,800

0,655

05/12/11

-107,000

0,704

06/12/11

-83,900

1,000

07/12/11

-113,700

0,618

08/12/11

-144,400

0,224

-1

-0,005

0,005

09/12/11

-125,800

0,463

0,234

0,000

12/12/11

-161,900

0,000

-0,229

-0,229

Max

-83,900

Mdia

Mdia

Entrada

-0,1324

-0,1317

-0,0595

-0,0595

-0,1122

-0,1117

131
Min

-161,900

0,22906

6.4.1.4 Normalizao da diferena entre o ngulo da linha MACD e o da


linha de sinal MACD
O valor da diferena entre o ngulo da linha MACD e o ngulo da linha
de sinal MACD varia no intervalo [-3,14; 3,14]. Um passo a passo do clculo
desta diferena apresentado na Tabela 10. A primeira coluna contm os dias no
perodo de 30 de novembro de 2011 a 21 de dezembro de 2012. A segunda e a
terceira colunas possuem os valores da linha MACD e da linha de sinal MACD
do ativo BBAS3 no perodo especificado anteriormente, respectivamente. A
quarta coluna contm a sequncia de dias (x), comeando pelo nmero 1. A
quinta e a sexta colunas possuem os valores normalizados da linha MACD (N1)
e da linha de sinal MACD (N1), utilizando os valores dos ltimos sete dias,
conforme ilustra a Equao 29, respectivamente. A stima coluna (Entrada)
possui o valor de N1 - N2.
Abaixo dos valores da linha MACD e linha de sinal MACD, h os
valores de mximo (Max) e mnimo (Min) calculados e utilizados no clculo de
N1 e N2. Abaixo da quinta e sexta colunas, encontram-se os coeficientes
angulares e os ngulos da regresso linear de cada linha, utilizando os trs
ltimos valores, respectivamente.

132

Tabela 10 Tabela para calcular o valor da diferena entre o ngulo da linha


MACD e o ngulo da linha de sinal MACD
Data

LinhaMacd

LinhaSinal

N1

N2

30/11/11

-312,300

-216,041

0,000

0,000

01/12/11

-185,500

-209,933

0,555

0,088

02/12/11

-110,800

-190,106

0,882

0,374

05/12/11

-107,000

-173,485

0,899

0,613

06/12/11

-83,900

-155,568

1,000

0,871

07/12/11

-113,700

-147,194

0,870

0,992

08/12/11

-144,400

-146,636

0,735

1,000

-83,900

-146,636

Beta

-0,1324

0,0643

ngulo

Max

-312,300

-216,041

-0,1317

0,0643

01/12/11

Min

-185,500

-209,933

0,000

0,000

02/12/11

-110,800

-190,106

0,735

0,294

05/12/11

-107,000

-173,485

0,773

0,540

06/12/11

-83,900

-155,568

1,000

0,806

07/12/11

-113,700

-147,194

0,707

0,930

08/12/11

-144,400

-146,636

0,405

0,938

09/12/11

-125,800

-142,468

0,588

1,000

Max

-83,900

-142,468

Beta

-0,0595

0,0350

Min

-185,500

-209,933

ngulo

-0,0595

0,0350

02/12/11

-110,800

-190,106

0,655

0,000

05/12/11

-107,000

-173,485

0,704

0,349

06/12/11

-83,900

-155,568

1,000

0,725

07/12/11

-113,700

-147,194

0,618

0,901

08/12/11

-144,400

-146,636

0,224

0,913

09/12/11

-125,800

-142,468

0,463

1,000

12/12/11

-161,900

-146,355

0,000

0,918

Max

-83,900

-142,468

Beta

-0,1122

0,0029

Min

-161,900

-190,106

ngulo

-0,1117

0,0029

Entrada

-0,1959

-0,0945

-0,1147

133

6.4.1.5 Normalizao da distncia do histograma MACD ao eixo zero


O valor da distncia do indicador Histograma MACD ao eixo zero varia
no intervalo [0; 1]. Um passo a passo do clculo desta distncia apresentado na
Tabela 11. A primeira coluna contm os dias no perodo de 30 de novembro de
2011 a 21 de dezembro de 2012. A segunda coluna possui os valores do
indicador Histograma MACD do ativo BBAS3 no perodo especificado
anteriormente. A terceira coluna contm somente o valor zero, utilizado para que
o valor zero esteja nos valores mximo e mnimo. A quarta e a quinta colunas
possuem os valores de mximo e mnimo dos ltimos sete dias, respectivamente.
A sexta e a stima colunas possuem os valores normalizados do indicador
Histograma MACD (N1) e do valor zero (N2), conforme ilustra a Equao 29,
respectivamente. A oitava coluna contm o valor N1 - N2. A nona coluna tem o
valor absoluto da diferena entre as duas normalizaes (N1 - N2). Os valores
da quarta, da quinta, da sexta, da stima e da oitiva coluna no foram calculados
nas seis primeiras linhas, pois so necessrios dados de pelo menos sete dias.

Tabela 11 Tabela para calcular a distncia do valor do indicador histograma


MACD ao eixo zero
Data
30/11/11

Histograma
-96,259

Zero
0,000

01/12/11

24,433

0,000

02/12/11

79,306

0,000

05/12/11

66,485

0,000

06/12/11

71,668

0,000

07/12/11

33,494

0,000

Mximo

Mnimo

N1

N2

N1-N2

Entrada

08/12/11

2,236

0,000

79,306

-96,259

0,561

0,548

0,013

0,013

09/12/11

16,668

0,000

79,306

0,000

0,210

0,000

0,210

0,210

12/12/11

-15,545

0,000

79,306

-15,545

0,000

0,164

-0,164

0,164

13/12/11

-29,796

0,000

71,668

-29,796

0,000

0,294

-0,294

0,294

14/12/11

-54,637

0,000

71,668

-54,637

0,000

0,433

-0,433

0,433

134
15/12/11

-81,630

0,000

33,494

-81,630

0,000

0,709

-0,709

0,709

16/12/11

-114,584

0,000

16,668

-114,584

0,000

0,873

-0,873

0,873

19/12/11

-141,187

0,000

16,668

-141,187

0,000

0,894

-0,894

0,894

20/12/11

-121,030

0,000

0,000

-141,187

0,143

1,000

-0,857

0,857

21/12/11

-67,304

0,000

0,000

-141,187

0,523

1,000

-0,477

0,477

6.4.1.6 Normalizao do ngulo do histograma MACD


O valor do ngulo do indicador Histograma MACD varia no intervalo [1,57; 1,57]. Um passo a passo do clculo deste ngulo apresentado na Tabela
12. A primeira coluna contm os dias no perodo de 30 de novembro de 2011 a
21 de dezembro de 2012. A segunda coluna possui os valores do indicador
Histograma MACD do ativo BBAS3 no perodo especificado anteriormente. A
terceira coluna contm a sequncia de dias (x), comeando pelo nmero 1. A
quarta coluna possui os valores normalizados do histograma MACD (y),
utilizando os valores dos ltimos sete dias, conforme ilustra a Equao 29. A
quinta, a sexta, a stima e a oitava colunas possuem valores para a Equao 30,
para calcular o coeficiente angular dos valores dos trs ltimos dias, sendo que a
quinta coluna (F1) contm o valor de
valor

de

stima

, a sexta coluna (F2) contm o


coluna

(F3)

contm

valor

de

e a oitava coluna (F4) contm o valor de


. A nona coluna possui valores de

que corresponde ao

coeficiente angular dos valores dos trs ltimos dias normalizados. A dcima
coluna (Entrada) contm o valor do arco tangente do coeficiente angular
obtido ( ).
Abaixo dos valores do indicador Histograma MACD, h os valores de
mximo (Max) e mnimo (Min) calculados e utilizados no clculo da

135

normalizao do indicador Histograma MACD (y). Abaixo dos valores da


terceira e da quarta colunas, h os valores mdios dessas colunas utilizados nos
clculos das colunas seguintes. Os valores das operaes da quinta, da sexta, da
stima e da oitava colunas no foram calculados nas quatro primeiras linhas,
pois so necessrios dados de pelo menos cinco dias. Alm disso, os valores do
coeficiente angular e arco tangente do coeficiente angular no foram calculados
nas seis primeiras linhas pois so necessrios dados de pelo menos sete dias.
Tabela 12 Tabela para calcular o ngulo do indicador histograma MACD
Data

Histograma

30/11/11

-96,259

0,000

01/12/11

24,433

0,687

02/12/11

79,306

1,000

F1

F2

F3

F4

05/12/11

66,485

0,927

06/12/11

71,668

0,956

-1

0,204

-0,204

07/12/11

33,494

0,739

-0,013

0,000

-0,191

-0,191

08/12/11

2,236

0,561

Max

79,306

Mdia

Mdia

Min

-96,259

0,75219

01/12/11

24,433

0,288

02/12/11

79,306

1,000

05/12/11

66,485

0,834

06/12/11

71,668

0,901

07/12/11

33,494

0,406

-1

0,208

-0,208

08/12/11

2,236

0,000

-0,198

0,000

-0,010

-0,010

09/12/11

16,668

0,187

Max

79,306

Mdia

Mdia

Min

2,236

0,19762

02/12/11

79,306

1,000

05/12/11

66,485

0,865

06/12/11

71,668

0,919

07/12/11

33,494

0,517

08/12/11

2,236

0,187

-1

0,012

-0,012

09/12/11

16,668

0,340

0,164

0,000

12/12/11

-15,545

0,000

-0,176

-0,176

Entrada

-0,1977

-0,1952

-0,1092

-0,1087

-0,0937

-0,0935

136
Max

79,306

Mdia

Mdia

Min

-15,545

0,17569

6.4.1.7 Normalizao do ngulo do indicador OBV


O valor do ngulo do indicador OBV varia no intervalo [-1,57; 1,57].
Um passo a passo do clculo deste ngulo apresentado na Tabela 13. A
primeira coluna contm os dias no perodo de 30 de novembro de 2011 a 21 de
dezembro de 2012. A segunda coluna tem os valores do indicador OBV do ativo
BBAS3 no perodo especificado anteriormente. A terceira coluna contm a
sequncia de dias (x), comeando pelo nmero 1.
A quarta coluna contm os valores normalizados do indicador OBV (y)
utilizando os valores dos ltimos sete dias, conforme ilustra a Equao 29. A
quinta, a sexta, a stima e a oitava colunas possuem valores para a Equao 30,
para calcular o coeficiente angular dos valores dos trs ltimos dias, sendo que a
quinta coluna (F1) contm o valor de
valor

de

stima

, a sexta coluna (F2) contm o


coluna

(F3)

contm

valor

de

e a oitava coluna (F4) contm o valor de


. A nona coluna possui valores de

que corresponde ao

coeficiente angular dos valores dos trs ltimos dias normalizados. A dcima
coluna (Entrada) contm o valor do arco tangente do coeficiente angular
obtido ( ). Abaixo dos valores do indicador OBV, h os valores de mximo
(Max) e mnimo (Min) calculados e utilizados no clculo da normalizao do
indicador OBV (y). Abaixo dos valores da terceira e da quarta colunas, h os
valores mdios dessas colunas utilizados nos clculos das colunas seguintes.

137

Tabela 13 Tabela para calcular o ngulo do indicador OBV


Data

OBV

30/11/11

15403963049

0,753

01/12/11

15411692849

1,000

02/12/11

15404500849

0,770

F1

F2

F3

F4

05/12/11

15391649449

0,360

06/12/11

15398053949

0,564

-1

0,286

-0,286

07/12/11

15388894049

0,272

-0,007

0,000

-0,279

-0,279

08/12/11

15380392949

0,000

Max

15411692849

Mdia

Mdia

Min

15380392949

0,27862

01/12/11

15411692849

1,000

02/12/11

15404500849

0,770

05/12/11

15391649449

0,360

06/12/11

15398053949

0,564

07/12/11

15388894049

0,272

-1

0,103

-0,103

08/12/11

15380392949

0,000

-0,169

0,000

0,066

0,066

09/12/11

15387759749

0,235

Max

15411692849

Mdia

Mdia

Min

15380392949

0,16899

02/12/11

15404500849

1,000

05/12/11

15391649449

0,467

06/12/11

15398053949

0,733

07/12/11

15388894049

0,353

Entrada

-0,2821

-0,2750

-0,0181

-0,0181

138
08/12/11

15380392949

0,000

-1

-0,125

0,125

09/12/11

15387759749

0,306

0,180

0,000

12/12/11

15382088149

0,070

-0,055

-0,055

Max

15404500849

Mdia

Mdia

Min

15380392949

0,1253

0,0352

0,0351

Os valores das operaes da quinta, da sexta, da stima e da oitava


colunas no foram calculados nas quatro primeiras linhas, pois so necessrios
dados de pelo menos cinco dias. Alm disso, os valores do coeficiente angular e
arco tangente do coeficiente angular no foram calculados nas seis primeiras
linhas, pois so necessrios dados de pelo menos sete dias.

6.4.2 Normalizao dos valores na modelagem utilizando RNAs


Os valores de entrada para as RNAs devem ser normalizados no
intervalo [0, 1]. A normalizao desses valores consiste em adapt-los da
modelagem utilizando lgica fuzzy para o intervalo [0, 1]. As equaes para
realizar a normalizao foram baseadas na Equao 29, porm alguns valores de
mximo e mnimo so diferentes. Essas equaes com os valores apropriados
so apresentadas na Tabela 14. Vale ressaltar a no necessidade para a
normalizao da distncia do indicador Histograma MACD ao eixo zero, pois
esta distncia encontra-se no intervalo [0, 1].

Tabela 14 Equaes de normalizao


Valores
Normalizados
Indicador IFR

Equao

100

Identificador

Equao 31

139
Indicador
Oscilador

100

Equao 32

-1

Equao 33

-2

Equao 34

1,57

Equao 135

3,14

Equao 36

1,57

Equao 37

1,57

Equao 38

Estocstico
Distncia da
linha MACD
ao eixo zero
Diferena entre
a linha MACD
e a linha de
sinal MACD
normalizao
do ngulo da
linha MACD

1,57

Diferena entre
o ngulo da
linha MACD e

o ngulo da

3,14

linha sinal
MACD
ngulo do
indicador

Histograma

1,57

MACD
ngulo do

indicador OBV

1,57

6.4.3 Normalizao dos valores na modelagem utilizando RNAs


Os valores de entrada para as RNAs devem ser normalizados no
intervalo [0, 1]. A normalizao desses valores consiste em adapt-los da
modelagem utilizando lgica fuzzy para o intervalo [0, 1]. As equaes para
realizar a normalizao foram baseadas na Equao 29, porm alguns valores de
mximo e mnimo so diferentes. Essas equaes com os valores apropriados
so apresentadas na Tabela 14. Vale ressaltar a no necessidade para a

140

normalizao da distncia do indicador Histograma MACD ao eixo zero, pois


esta distncia encontra-se no intervalo [0, 1]. Exemplos de normalizao dos
valores de entrada para as RNAs, no perodo de 30 de novembro a 21 de
dezembro de 2011, so apresentados na Tabela 15 e na Tabela 16.

6.5 Implementao das modelagens


Nas prximas sees, so apresentadas a organizao dos arquivos em
meio persistente para implementar a modelagem utilizando RNAs e a integrao
dessa modelagem com a modelagem utilizando lgica fuzzy em um software
para Web.

6.5.1 Organizao da RNA em meio persistente


A implementao da modelagem utilizando RNA foi feita no software
Scilab, ambiente especializado na manipulao de matrizes e clculo numrico
computacional que pode ser estendido para treinar RNAs. Esse ambiente foi
utilizado

por

possuir

funes

computacionais

interessantes

para

implementao da modelagem, por ser gratuito e por possibilitar uma integrao


com o servidor da modelagem utilizando lgica fuzzy. A organizao da RNA
em uma estrutura de diretrio apresentada na Figura 61. Isso permitiu melhor
organizao e armazenamento dos dados para treinamento.

Tabela 15 Exemplos de normalizao


Exemplos de Normalizao
Data

Indicador IFR
IFR

IFRn

Indicador Oscilador
Estocstico
EST

ESTn

Diferena entre a linha


MACD e a linha de
sinal MACD
linhamacd linhamacdn difmacd difmacdn
Distncia da linha
MACD ao eixo zero

141

30/11/11

54,074

0,541

50,452

0,505

-0,742

0,129

-0,229

0,443

01/12/11

57,970

0,580

99,941

0,999

-0,498

0,251

0,066

0,516

02/12/11

61,825

0,618

83,445

0,834

-0,302

0,349

0,248

0,562

05/12/11

57,321

0,573

48,998

0,490

-0,292

0,354

0,251

0,563

06/12/11

59,031

0,590

60,680

0,607

-0,229

0,386

0,253

0,563

07/12/11

58,489

0,585

30,581

0,306

-0,310

0,345

0,118

0,530

08/12/11

60,461

0,605

25,241

0,252

-0,462

0,269

0,010

0,502

09/12/11

57,871

0,579

50,481

0,505

-0,599

0,200

0,132

0,533

12/12/11

18,447

0,184

18,447

0,184

-0,852

0,074

-0,146

0,463

13/12/11

21,360

0,214

21,360

0,214

-1,000

0,000

-0,299

0,425

14/12/11

6,794

0,068

6,794

0,068

-1,000

0,000

-0,395

0,401

15/12/11

0,000

0,000

0,000

0,000

-1,000

0,000

-0,524

0,369

16/12/11

0,000

0,000

0,000

0,000

-1,000

0,000

-0,558

0,360

19/12/11

0,000

0,000

0,000

0,000

-1,000

0,000

-0,528

0,368

20/12/11

15,693

0,157

15,693

0,157

-1,000

0,000

-0,471

0,382

21/12/11

39,168

0,392

39,168

0,392

-0,908

0,046

-0,270

0,433

Tabela 16 Exemplos de normalizao


Exemplos de Normalizao
ngulo da linha MACD Diferena entre o ngulo da
Indicador
Data
para a modelagem
linha MACD e o ngulo da
Histograma MACD
RNA
linha de sinal MACD

Indicador OBV

alphamacd alphamacdn difalphamacd difalphamacdn alphahist alphahistn alphaobv alphaobvn

30/11/11

0,035

0,511

0,160

0,525

0,341

0,609

0,257

0,582

01/12/11

0,464

0,648

0,504

0,580

0,388

0,624

0,464

0,648

02/12/11

0,375

0,619

0,298

0,547

0,286

0,591

0,014

0,505

05/12/11

0,150

0,548

-0,009

0,499

0,070

0,522

-0,464

0,352

06/12/11

0,047

0,515

-0,202

0,468

-0,015

0,495

-0,159

0,449

142

07/12/11

-0,012

0,496

-0,200

0,468

-0,065

0,479

-0,060

0,481

08/12/11

-0,132

0,458

-0,196

0,469

-0,195

0,438

-0,275

0,412

09/12/11

-0,059

0,481

-0,094

0,485

-0,109

0,465

-0,018

0,494

12/12/11

-0,112

0,464

-0,115

0,482

-0,093

0,470

0,035

0,511

13/12/11

-0,282

0,410

-0,101

0,484

-0,225

0,428

0,003

0,501

14/12/11

-0,214

0,432

0,185

0,529

-0,154

0,451

-0,078

0,475

15/12/11

-0,269

0,414

0,090

0,514

-0,221

0,429

-0,436

0,361

16/12/11

-0,259

0,417

0,060

0,510

-0,225

0,428

-0,265

0,416

19/12/11

-0,227

0,428

0,057

0,509

-0,186

0,441

-0,208

0,434

20/12/11

-0,148

0,453

0,089

0,514

-0,026

0,492

0,009

0,503

21/12/11

0,061

0,519

0,222

0,535

0,320

0,602

0,236

0,575

Figura 61 Estrutura de diretrio no Scilab


Os seguintes diretrios e arquivos encontram-se no diretrio
RNA_ANALISE_TECNICA:
a) _arquivo.sce: arquivo com funes para manipular arquivos de
treinamento;

143

b) _carregar_rede_de_treinamento.sce:

arquivo

com

chamadas para a biblioteca ANN ToolBox do Scilab;


c) _dados.sce: arquivo com funes para coletar os indicadores
tcnicos;
d) _treinamento.sce: arquivo com funes para treinar as RNAs;
e) _util.sce: arquivo com variveis globais (taxa de aprendizagem,
nmero de pocas etc.) e funes genricas, por exemplo, a
normalizao de dados;
f) RNA_ANALISE_TECNICA.sce:

arquivo

com

funes

para

"carregar" (upload) as RNAs treinadas e armazenadas em outros


subdiretrios;
g) Indicador: diretrio com arquivos responsveis pelos clculos e
pelo treinamento da RNA para indicadores C&V.
Os arquivos de cada RNA esto nos demais subdiretrios que contm:
a) Um arquivo com a quantidade de entrada de dados na RNA;
b) Arquivos com amostras de treinamento. A quantidade de arquivos
depende da quantidade de dados de entrada. Por exemplo, se a RNA
receber um dado de entrada, ento se deve ter um arquivo de
amostra, caso ela receba dois dados de entrada ento se deve ter dois
arquivos de amostra e assim sucessivamente;
c) Cinco arquivos para classificao das amostras, cujo identificador
comea com o CLASSE. Cada arquivo contm a classificao de
cada amostra que indica a possibilidade de compra, neutralidade e
venda de um ativo financeiro;

144

d) Um arquivo que define a estrutura da RNA. Esse arquivo tem a


quantidade de camadas e a quantidade de neurnios por camada. Seu
identificador comea com a letra N;
e) Um arquivo para o treinamento da rede. Esse arquivo responsvel
por ler as amostras e suas respectivas classificaes e iniciar o
treinamento;
f) Arquivos para armazenar os dados obtidos no treino. O aprendizado
adquirido durante o treinamento armazenado em arquivos. Esse
armazenamento feito para evitar a perda dos dados de treinamento
e evitar que se faa o mesmo treinamento com os mesmos dados de
entradas mais de uma vez. O identificador desses arquivos comea
com a letra W;
g) Um arquivo para carregar os dados obtidos feito em um treinamento.
Os dados obtidos pelo treinamento devem estar em memria e a
classificao dos dados no amostrais realizada;
O contedo dos arquivos das RNAs descrito na Tabela 17, indicando
(i) o arquivo que contm a quantidade de entrada de dados, (ii) os arquivos que
contm as amostras de treinamento, (iii) a classificao das amostras, (iv) a
definio da estrutura da RNA, (v) o treinamento, (vi) os dados obtidos da RNA
treinada e (vii) a rotina para classificar os dados no amostrais.

Tabela 17 Descrio do contedo dos arquivos de cada RNA


RNA

Contedo do arquivo

IFR

Quantidade de Entrada
Amostras

Nome do arquivo
IFR.txt
IFR_1.txt
CLASSE_IFR_MUITOALTO.txt, CLASSE_IFR_ALTO.txt,

Classificaes

CLASSE_IFR_NEUTRO.txt,
CLASSE_IFR_BAIXO.txt, CLASSE_IFR_MUITOBAIXO.txt,

145

Estrutura RNA

N_IFR.txt
W_IFR.txt
W1_IFR_1.txt, ...,
W1_IFR_6.txt

Rede Treinada
W2_IFR_1.txt, ..., W2_IFR_6.txt
Dados de Treinamento
Classificao
Quantidade de Entrada
Amostras

treinamentoRede_IFR.sce
RNA_IFR.sce
ESTOCASTICO.txt
ESTOCASTICO_1.txt
CLASSE_ESTOCASTICO_MUITOALTO.txt,
CLASSE_ESTOCASTICO_ALTO.txt,

Classificaes

CLASSE_ESTOCASTICO_NEUTRO.txt,
CLASSE_ESTOCASTICO_BAIXO.txt,
CLASSE_ESTOCASTICO_MUITOBAIXO.txt

Estocstico
Estrutura RNA

RNA_ESTOCASTICO.txt
W_ESTOCASTICO.txt

Rede Treinada

W1_ESTOCASTICO_1.txt, ..., 1_ESTOCASTICO_6.txt


W2_ESTOCASTICO_1.txt, ..., 2_ESTOCASTICO_6.txt

Dados de Treinamento
Classificao

treinamentoRede_ESTOCASTICO.sce
RNA_ESTOCASTICO.sce

Tabela 17, continuao


RNA

Contedo do arquivo
Quantidade de Entrada

Momento

Nome do arquivo
MOMENTO.txt

Amostras

MOMENTO_1.txt, ..., MOMENTO_10.txt,

Classificaes

CLASSE_MOMENTO_MUITOALTO.txt,
CLASSE_MOMENTO_ALTO.txt,
CLASSE_MOMENTO_NEUTRO.txt,
CLASSE_MOMENTO_BAIXO.txt,
CLASSE_MOMENTO_MUITOBAIXO.txt

Estrutura RNA

RNA_MOMENTO.txt
W_MOMENTO.txt

Rede Treinada

W1_MOMENTO_1.txt, ..., W1_MOMENTO_11.txt


W2_MOMENTO_1.txt, ..., W2_MOMENTO_11.txt

Dados de Treinamento
Classificao

treinamentoRede_MOMENTO.sce
RNA_MOMENTO.sce

146

Quantidade de Entrada

Histograma

HISTOGRAMA.txt

Amostras

HISTOGRAMA_1.txt e HISTOGRAMA_2.txt

Classificaes

CLASSE_HISTOGRAMA_MUITOALTO.txt,
CLASSE_HISTOGRAMA_ALTO.txt,
CLASSE_HISTOGRAMA_NEUTRO.txt,
CLASSE_HISTOGRAMA_BAIXO.txt,
CLASSE_HISTOGRAMA_MUITOBAIXO.txt

Estrutura RNA

RNA_HISTOGRAMA.txt
W_HISTOGRAMA.txt

Rede Treinada

W1_HISTOGRAMA_1.txt,..., W1_HISTOGRAMA_6.txt
W2_HISTOGRAMA_1.txt, ..., W2_HISTOGRAMA_6.txt

Dados de Treinamento
Classificao
Quantidade de Entrada
Amostras

treinamentoRede_HISTOGRAMA.sce
RNA_HISTOGRAMA.sce
MACD.txt
MACD_1.txt, ..., MACD_4.txt

Classificaes

CLASSE_MACD_MUITOALTO.txt,
CLASSE_MACD_ALTO.txt, CLASSE_MACD_NEUTRO.txt,
CLASSE_MACD_BAIXO.txt,
CLASSE_MACD_MUITOBAIXO.txt

Estrutura RNA

RNA_MACD.txt

MACD

W_MACD.txt
Rede Treinada

W1_MACD_1.txt, ..., W1_MACD_13.txt


W2_MACD_1.txt, ..., W2_MACD_13.txt

Tabela 17, continuao


RNA

Contedo do arquivo

MACD

Dados de Treinamento

Sinal

Quantidade de Entrada

Classificao

Amostras

Nome do arquivo
treinamentoRede_MACD.sce
RNA_MACD.sce
SINAL.txt
SINAL_1.txt, ..., SINAL_10.txt
CLASSE_SINAL_MUITOALTO.txt,

Classificaes

CLASSE_SINAL_ALTO.txt,
CLASSE_SINAL_NEUTRO.txt, CLASSE_SINAL_BAIXO.txt,
CLASSE_SINAL_MUITOBAIXO.txt

Estrutura RNA

RNA_SINAL.txt

Rede Treinada

W_SINAL.txt
W1_SINAL_1.txt, ..., W1_SINAL_11.txt

147

W2_SINAL_1.txt, ..., W2_SINAL_11.txt


Dados de Treinamento
Classificao
Quantidade de Entrada
Amostras

treinamentoRede_SINAL.sce
RNA_SINAL.sce
OBV.txt
OBV_1.txt
CLASSE_OBV_MUITOALTO.txt, CLASSE_OBV_ALTO.txt,

Classificaes

CLASSE_OBV_NEUTRO.txt,
CLASSE_OBV_BAIXO.txt e
CLASSE_OBV_MUITOBAIXO.txt

OBV

Estrutura RNA

RNA_OBV.txt
W_OBV.txt
W1_OBV_1.txt, ...,
W1_OBV_6.txt

Rede Treinada

W2_OBV_1.txt, ..., W2_OBV_6.txt


Dados de Treinamento
Classificao
Quantidade de Entrada
Amostras

treinamentoRede_OBV.sce
RNA_OBV.sce
VOLUME.txt
VOLUME_1.txt, , VOLUME_5.txt
CLASSE_VOLUME_MUITOALTO.txt,

Volume

CLASSE_VOLUME_ALTO.txt,
Classificaes

CLASSE_VOLUME_NEUTRO.txt,
CLASSE_VOLUME_BAIXO.txt,
CLASSE_VOLUME_MUITOBAIXO.txt

Tabela 17, concluso


RNA

Contedo do arquivo
Estrutura RNA

Nome do arquivo
RNA_VOLUME.txt
W_VOLUME.txt

VOLUME
Rede Treinada

W1_VOLUME_1.txt, ..., W1_VOLUME_6.txt


W2_VOLUME_1.txt, ..., W2_VOLUME_6.txt

Dados de Treinamento
Classificao
Indicador

Quantidade de Entrada
Amostras

treinamentoRede_VOLUME.sce
RNA_VOLUME.sce
INDICADOR.txt
INDICADOR_1.txt, INDICADOR_15.txt

148

CLASSE_INDICADOR_MUITOALTO.txt,
Classificaes

CLASSE_INDICADOR_ALTO.txt,
CLASSE_INDICADOR_NEUTRO.txt,
CLASSE_INDICADOR_BAIXO.txt,
CLASSE_INDICADOR_MUITOBAIXO.txt

Estrutura RNA

RNA_INDICADOR.txt
W_VOLUME.txt

Rede Treinada

W1_VOLUME_1.txt,..., W1_VOLUME_33.txt
W2_VOLUME_1.txt,..., W2_VOLUME_33.txt

Dados de Treinamento
Classificao

treinamentoRede_INDICADOR.sce
RNA_INDICADOR.sce

6.5.2 Cell Invest


O Cell Invest um software desenvolvido para Web que congrega a
implementao da modelagem utilizando RNAs e da modelagem utilizando
lgica fuzzy. Esse sistema permite utilizar a sada da modelagem utilizando
lgica fuzzy como entrada da modelagem utilizando RNAs e visa versa,
permitindo o uso de ambas as modelagens para simular sistemas hbridos.
Para iniciar esse software, o usurio deve realizar sua autenticao no
software por meio da tela de login (Figura 62). Essa tela possui uma barra de
ttulo contendo links (i) com o objetivo do trabalho e (ii) com lista dos autores
que redireciona para o currculo lattes. O contedo dessa tela um formulrio
com dois campos (usurio e senha) que, aps o usurio se autenticar, tela
principal do Cell Invest apresentada.

149

Figura 62 Tela de login


A tela principal do Cell Invest apresentada na Figura 63. Esse software
possui uma barra de ttulo e o contedo da aplicao dividido em trs sees: i)
a primeira seo trata da modelagem utilizando lgica fuzzy; ii) a segunda seo
trata da modelagem utilizando RNAs; e iii) a terceira seo trata da busca e
normalizao dos dados de entrada.

Figura 63 Tela principal do Cell Invest


A barra de ttulo apresentada na Figura 64 possui: i) link com o objetivo
do trabalho, ii) link para a implementao da modelagem utilizando lgica fuzzy,
iii) link para a implementao da modelagem utilizando RNAs, iv) link com lista
dos autores que redireciona para o currculo lattes; e v) link para logout.

150

Figura 64 Barra de ttulo da aplicao Web


A seo Lgica Fuzzy (Figura 65) possui abas para (i) Introduo, (ii)
Sistema Fuzzy, (iii) Universo Fuzzy, (iv) Grfico, (v) Consulta e (vi) Cadastro.
Na primeira aba, a modelagem utilizando lgica fuzzy brevemente descrita. Na
segunda aba, um formulrio para efetuar clculos utilizando os sistemas fuzzy
cadastrados disponibilizado. Na terceira aba, um formulrio para realizar a
"fuzzificao" de variveis lingusticas de um Universo Fuzzy apresentado. Na
quarta aba, um grfico do Universo Fuzzy especificado pelo usurio exibido.
Na quinta aba, possvel consultar os dados pertinentes modelagem fuzzy
cadastrados na aplicao. Na sexta aba, uma lista de formulrios exibida, a
qual possibilita a incluso de novos elementos fuzzy no Cell Invest.
O formulrio para efetuar clculos nos sistemas fuzzy apresentado na
Figura 65. No campo Nome, deve-se inserir o identificador (nome) do sistema
fuzzy que se deseja efetuar o clculo, por exemplo, Sistema Fuzzy Indicador. No
campo Entrada, os dados de entrada do sistema fuzzy devem ser inseridos. Por
exemplo, considerando o contexto de tomada de deciso em mercado de
capitais, necessrio fornecer os seguintes dados de entrada: i) IFR; ii)
Oscilador Estocstico; iii) valor normalizado da linha MACD; iv) diferena
entre os valores da linha MACD e a linha de sinal MACD; v) ngulo da
regresso linear dos trs ltimos valores da linha MACD; vi) diferena entre o
ngulo da linha MACD e o ngulo da linha de sinal MACD; vii) valor
normalizado do Histograma MACD; viii) ngulo da regresso linear dos trs
ltimos valores do Histograma MACD; e ix) ngulo da regresso linear dos trs
ltimos valores do indicador OBV.

151

Figura 65 Formulrio para efetuar clculos no sistema fuzzy


Nesse exemplo, so utilizados, os seguintes valores: 54,23; 53,04; 0,89;
-0,53; -0,46; -0,13; 0,57; -0,43 e -0,37, respectivamente. No campo Conjunto
Fuzzy de Sada, exibido o conjunto fuzzy de sada do sistema fuzzy, no
contexto mencionado, tem-se as sadas: i) Muito Baixo igual 0; ii) Baixo
igual 0,86; iii) Neutro igual a zero; iv) Alto igual a zero; e v) Muito Alto
igual a zero. No campo Defuzzificao, a "defuzzificao" do conjunto
fuzzy de sada exibida, no contexto mencionado, a "defuzzificao" igual a
35.
O formulrio para "fuzzificar" uma varivel lingustica apresentado na
Figura 66. O identificador (nome) do Universo fuzzy que se deseja efetuar a
"fuzzificao" deve ser inserido no campo Nome, por exemplo, Universo Fuzzy
IFR. O valor que se deseja "fuzzificar" deve ser inserido no campo Entrada,
neste exemplo, o valor 76 foi utilizado. O conjunto fuzzy de sada exibido no
campo Conjunto Fuzzy de Sada. Neste caso, tem-se a sada: i) Muito
Baixo igual a 0,2; ii) Baixo igual a 0,8; iii) Neutro igual a zero; iv) Alto
igual a zero; e v) Muito Alto igual a zero.

152

Figura 66 Formulrio para "fuzzificar" uma varivel lingustica


A visualizao do grfico do Universo Fuzzy do indicador IFR
apresentada na Figura 67. Na aba Grfico, possvel visualizar os conjuntos
fuzzy contidos no Universo Fuzzy, sendo ilustrado com diferentes cores para
facilitar a interpretao do grfico.

Figura 67 Visualizao grfica do universo fuzzy IFR

153

Uma visualizao dos dados cadastros de um Universo Fuzzy


apresentado na Figura 68. Nessa aba, possvel consultar os dados de cada
elemento fuzzy cadastrado no software. Os dados so exibidos seguindo as
definies da modelagem apresentada na Figura 44. O formulrio para o
cadastro de um novo Sistema Fuzzy apresentado na Figura 69. O Sistema
Fuzzy a ser cadastrado no formato JSON7 deve ser inserido no campo Sistema
Fuzzy. Na aba Cadastro, tambm se pode realizar inseres de funes,
conjuntos fuzzy, Universos Fuzzy e Mquinas de Inferncia.

Figura 68 Consulta dos dados cadastrados de um determinado universo fuzzy

JSON, um acrnimo para "JavaScript Object Notation", um formato leve para


intercmbio de dados computacionais. JSON um subconjunto da notao de objeto
de JavaScript, mas seu uso no requer Javascript exclusivamente.

154

Figura 69 Formulrio para cadastro sistema fuzzy


A seo Redes Neurais do software Web possui trs abas: i) Introduo;
ii) Scilab; e iii) Consulta. Na primeira aba, definio breve do que uma RNA.
Na segunda aba, um formulrio para efetuar clculos utilizando o ambiente
Scilab disponibilizado. Na terceira aba, a estrutura de diretrios de cada RNA
treinada apresentada.

O formulrio para efetuar clculos no ambiente Scilab


apresentado na Figura 70. Com esse formulrio, pode-se visualizar o
contedo dos arquivos treinados pelo Scilab e edit-los, caso seja
necessrio. A visualizao da estrutura de diretrios das RNAs utilizada
no ambiente Scilab apresentada na Figura 71. Na aba Consulta, pode-se
ver cada RNA treinada e retreinar uma RNA, caso seja necessrio.

155

Figura 70 Formulrio para efetuar clculos no ambiente Scilab

Figura 71 Visualizao da estrutura de diretrio das RNAs


A terceira seo da aplicao web trata da busca e normalizao dos
dados. Esta seo possui quatro abas: i) Introduo; ii) Dados de Entrada; iii)
Indicadores; e iv) Grficos. Na primeira aba, anlise tcnica brevemente
descrita. Na segunda aba, os dados normalizados dos indicadores tcnicos so
apresentados. Na terceira aba, possvel visualizar os grficos de cada indicador
tcnico.
O contedo da aba Dados de Entrada apresentado na Figura 72.
Os dados normalizados de cada indicador tcnico so apresentados no campo

156

Lgica

Fuzzy

Redes

Neurais. Abaixo deste campo, pode-se

visualizar a definio de cada normalizao. O contedo da aba Indicadores


apresentado na Figura 73. Nessa aba, uma tabela com dados dos ltimos setes
dias exibida. Os dados exibidos na tabela so os valores reais de cada
indicador.

Figura 72 Contedo da aba Dados de Entrada

Figura 73 Contedo da aba Indicadores

157

A lista para a visualizao grfica dos indicadores tcnicos apresentada


na Figura 74. Essa lista exibida ao selecionar a aba Grficos e, ao
selecionar um elemento da lista, o grfico do indicador selecionado exibido.

Figura 74 Lista para a visualizao grfica dos indicadores tcnicos

6.6 Anlise dos resultados


Nesta seo, um passo a passo da tomada de deciso para o ativo
financeiro BBAS3 (Banco do Brasil) em 17 de fevereiro de 2012 apresentado
como exemplo para a modelagem utilizando lgica fuzzy e para a modelagem
utilizando RNAs. Este ativo financeiro foi escolhido aleatoriamente dentre 70
ativos financeiros contidos no ndice iBovespa na data corrente, sendo o dia
escolhido a data de realizao da anlise.
O grfico do indicador IFR do ativo financeiro BBAS3 apresentado na
Figura 75. Esse indicador encontra-se em uma zona de neutralidade, pois seu
valor inferior a 70 e superior a 30. O grfico do indicador Oscilador

158

Estocstico do ativo financeiro BBAS3 apresentado na Figura 76. Esse


indicador encontra-se em uma zona de neutralidade, pois seu valor inferior a
80 e superior a 20.

Figura 75 Grfico do indicador IFR do ativo financeiro BBAS3


O grfico do indicador MACD do ativo financeiro BBAS3 apresentado
na Figura 77. Visualmente, este grfico indica tendncia de alta, pois a linha
MACD est acima do eixo zero e est em ascenso, enquanto que a linha de
sinal MACD encontra-se abaixo da linha MACD e em declnio.

Figura 76 Grfico do indicador oscilador estocstico do ativo financeiro BBAS3

159

Linha Sinal
Linha MACD

Figura 77 Grfico do indicador MACD do ativo financeiro BBAS3


O grfico do indicador Histograma MACD do ativo financeiro BBAS3
apresentado na Figura 78. Visualmente, esse grfico indica que as linhas do
indicador MACD esto se distanciando, mantendo-se aproximadamente a
mesma distncia no dia 17/02/2012. Nota-se que esse indicador est prximo do
eixo zero, o que indica o cruzamento entre as linhas.

Figura 78 Grfico do indicador histograma MACD do ativo financeiro BBAS3


O grfico do indicador OBV do ativo financeiro BBAS3 apresentado
na Figura 79. Nota-se que esse indicador teve ascenso expressiva nos ltimos
dias, porm no ltimo dia houve volume negativo significativo.

160

Os resultados obtidos em cada passo com a modelagem utilizando lgica


fuzzy so discutidos na Seo 6.6.1. Os resultados obtidos em cada passo com a
modelagem utilizando RNAs so discutidos na Seo 6.6.2. A sequncia de
passos apresentada foi aplicada em 70 ativos durante o perodo de 19/12/2008 a
10/02/2012, totalizando anlise com 54.081 dados. A lista dos ativos financeiros
analisados apresentada na Tabela 18. No fim de cada seo, h uma estatstica
com a anlise obtida com os 70 ativos.

Figura 79 Grfico do indicador OBV do ativo financeiro BBAS3


6.6.1 Resultados obtidos com o sistema modelado utilizando lgica fuzzy
Nesta seo, analisado passo a passo cada grfico da Seo 6.6 com a
modelagem utilizando a lgica fuzzy. Os dados de entrada so apresentados na
Tabela 19. Os valores so resultantes da utilizao das equaes apresentadas na
Seo 6.4.
O resultado da anlise do indicador IFR do exemplo dado apresentado
na Figura 80. De acordo com a anlise fuzzy, tem-se que esse indicador 0%
Muito Baixo, 0% Baixo, 100% Neutro, 0% Alto e 0% Muito Alto.
Conforme a anlise visual da Figura 75 feita na Seo 6.6, este resultado condiz

161

com a interpretao visual. O resultado da anlise do indicador Oscilador


Estocstico do exemplo dado apresentado na Figura 81. De acordo com a
anlise fuzzy, tem-se que esse indicador 0% Muito Baixo, 0% Baixo,
100% Neutro, 0% Alto e 0% Muito Alto. Conforme a anlise visual da
Figura 76 feita na Seo 6.6 este resultado condiz com a interpretao visual.
O resultado da anlise da Mquina de Inferncia Momento, utilizando
os conjuntos fuzzy de sada IFR e Oscilador Estocstico, apresentado na Figura
82. De acordo com a anlise fuzzy, tem-se que a varivel Momento 0%
Muito Baixo, 0% Baixo, 100% Neutro, 0% Alto e 0% Muito Alto.
O resultado da anlise do indicador MACD do exemplo dado apresentado na
Figura 83. De acordo com a anlise fuzzy, tem-se que esse indicador 0%
Muito Baixo, 0% Baixo, 0% Neutro, 0% Alto e 62% Muito Alto.
Conforme a anlise visual da Figura 77 feita na Seo 6.6, este resultado condiz
com a interpretao visual.

162

Tabela 18 Ativos utilizados na anlise dos resultados


N

Ativo

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52

ALL3
AMBV4
BBAS3
BBDC4
BISA3
BRAP4
BRFS3
BRKM5
BRML3
BRTO4
BTOW3
BVMF3
CCRO3
CESP6
CIEL3
CMIG4
CPFE3
CPLE6
CRUZ3
CSAN3
CSNA3
CYRE3
DASA3
DTEX3
ELET3
ELET6
ELPL4
EMBR3
FIBR3
GFSA3
GGBR4
GOAU4
GOLL4
HGTX3
HYPE3
ITSA4
ITUB4
JBSS3
KLBN4
LAME4
LIGT3
LLXL3
LREN3
MMXM3
MRFG3
MRVE3
NATU3
OGXP3
PCAR4
PDGR3
PETR3
PETR4

Razo Social
All America Latina Logstica S.A.
Cia. Bebidas das Amricas - AMBEV
Bco Brasil S.A.
Bco Bradesco S.A.
Brookfield Incorporaes S.A.
Bradespar S.A.
BRF - Brasil Foods S.A.
Braskem S.A.
BR Malls Participaes S.A.
Brasil Telecom S.A.
B2W - Companhia Global do Varejo
BMFBovespa S.A. Bolsa Valores Merc Fut
CCR S.A.
CESP - Cia Energtica de So Paulo
Cielo S.A.
Cia. Energtica de Minas Gerais - CEMIG
CPFL Energia S.A.
Cia. Paranaense de Energia - COPEL
Souza Cruz S.A.
COSAN S.A. Industrial e Comrcio
Cia Siderrgica Nacional
Cyrela Brazil Realty S.A. Empreend e Part
Diagnsticos da America S.A.
Duratex S.A.
Centrais Elet Bras S.A. - Eletrobas
Centrais Elet Bras S.A. - Eletrobas
Eletropaulo Metrop. Elet. So Paulo S.A.
Embraer S.A.
Fibria Celulose S.A.
Gafisa S.A.
Gerdau S.A.
Metalrgica Gerdau S.A.
Gol Linhas Areas Inteligentes S.A.
Cia. Hering
Hypermarcas S.A.
Itasa Investimentos Ita S.A.
Ita Unibanco Holding S.A.
JBS S.A.
Klabin S.A.
Lojas Americanas S.A.
Light S.A.
LLX Logstica S.A.
Lojas Renner S.A.
MMX Minerao e Metlicos S.A.
Marfrig Alimentos S/A
MRV Engenharia e Participaes S.A.
Natura Cosmticos S.A.
OGX Petrleo e Gas Participaes S.A.
Cia Brasileira de Distribuio
PDG Realty S.A. Empreend e Participaes
Petrleo Brasileiro S.A. Petrobras
Petrleo Brasileiro S.A. Petrobras

Quantidade
de dados
780
780
780
780
780
780
780
780
780
780
780
780
780
780
654
780
780
780
780
780
780
780
780
583
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780
780

Perodo
Inicial
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
26/06/2009
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
07/10/2009
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008

163
53

RDCD3

Redecard S.A.

780

19/12/2008

Quantidade
de dados
780
780
584
780
780
780
780
780
780
780
780
780
780
780
780
780
780

Perodo
Inicial
19/12/2008
19/12/2008
06/10/2009
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008
19/12/2008

Tabela 18, concluso


N

Ativo

54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70

RENT3
RSID3
SANB11
SBSP3
TAMM4
TIMP3
TMAR5
TNLP3
TNLP4
TRPL4
UGPA3
USIM3
USIM5
VAGR3
VALE3
VALE5
VIVT4

Razo Social
Localiza Rent a Car S.A.
Rossi Residencial S.A.
Bco Santander (Brasil) S.A.
Cia. Saneamento Bsico Est So Paulo
TAM S.A.
TIM Participaes S.A.
Telemar Norte Leste S.A.
Tele Norte Leste Participaes S.A.
Tele Norte Leste Participaes S.A.
CTEEP - Cia Transmisso Energia Eltrica Paulista
Ultrapar Participaes S.A.
Usinas Sid de Minas Gerais S.A. - USIMINAS
Usinas Sid de Minas Gerais S.A. - USIMINAS
Vanguarda Agro S.A.
Vale S.A.
Vale S.A.
Telefnica Brasil S.A.

Tabela 19 Dados de entrada de exemplo para a modelagem utilizando lgica


fuzzy
IFR

Entrada

Valores
55,935400

Oscilador Estocstico

71,639200

Distncia da linha MACD ao eixo zero

1,000000

Diferena entre a linha MACD e a linha de Sinal MACD

0,179178

ngulo da linha MACD

0,283747

Diferena entre os ngulos da linha MACD e a linha de Sinal MACD

0,093242

Distncia do indicador histograma MACD ao eixo zero

0,151914

ngulo do indicador histograma MACD

0,203617

ngulo do indicador OBV

0,047335

164

Figura 80 Resultado do exemplo do conjunto fuzzy IFR

Figura 81 Resultado do exemplo do conjunto fuzzy oscilador estocstico

Figura 82 Resultado do exemplo da mquina de inferncia momento


O resultado da anlise do indicador Histograma MACD do exemplo
dado apresentado na Figura 82. De acordo com a anlise fuzzy, tem-se que esse
indicador 0% Muito Baixo, 0% Baixo, 0% Neutro, 93% Alto e 48%
Muito Alto. Conforme a anlise visual da Figura 78 feita na Seo 6.6, este
resultado condiz com a interpretao visual.

165

Figura 83 Resultado do exemplo do conjunto fuzzy MACD

Figura 84 Resultado do exemplo do conjunto fuzzy Histograma MACD


O resultado da anlise da Mquina de Inferncia Sinal, utilizando os
conjuntos fuzzy de sada MACD e Histograma MACD, apresentado na Figura
85. De acordo com a anlise fuzzy, tem-se que a varivel Sinal 0% Muito
Baixo, 0% Baixo, 0% Neutro, 0% Alto e 62% Muito Alto.

166

Figura 85 Resultado do exemplo da mquina de inferncia sinal


O resultado da anlise do indicador OBV do exemplo dado
apresentado na Figura 86. De acordo com a anlise fuzzy, tem-se que esse
indicador 0% Muito Baixo, 0% Baixo, 75% Neutro, 0% Alto e 0%
Muito Alto. Conforme a anlise visual da Figura 79 feita na Seo 6.6, este
resultado condiz com a interpretao visual.
O resultado da anlise da Mquina de Inferncia Volume, utilizando os
conjuntos fuzzy de sada OBV, apresentado na Figura 87. De acordo com a
anlise fuzzy, tem-se que a varivel Volume 0% Muito Baixo, 0% Baixo,
75% Neutro, 0% Alto e 0% Muito Alto.

Figura 86 Resultado do exemplo do conjunto fuzzy OBV

167

Figura 87 Resultado do exemplo da mquina de inferncia volume


O resultado da anlise da Mquina de Inferncia C&V, utilizando as
sadas das variveis das Mquinas de Inferncias Momento, Sinal e Volume
(segunda etapa), apresentado na Figura 88. De acordo com a anlise fuzzy,
tem-se que o indicador C&V 0% Muito Baixo, 0% Baixo, 75% Neutro,
0% Alto e 0% Muito Alto.

Figura 88 Resultado do exemplo da mquina de inferncia C&V


O passo a passo foi feito com os 70 ativos financeiros selecionados. O
resultado obtido foi separado em trs grupos: i) oscilao igual ou maior a zero;
ii) oscilao igual ou maior a 0,5%; e iii) oscilao igual ou maior a 1%. Caso o
resultado sugira uma ordem de compra, a previso a ocorrncia de oscilao

168

positiva no dia seguinte. Por outro lado, caso o resultado sugira uma ordem de
venda, a previso a ocorrncia de oscilao negativa no dia seguinte.
A estatstica obtida com a anlise dos 70 ativos financeiros
apresentada na Figura 89. Esta estatstica mostra que, ao ter um sinal de
compra/venda, houve probabilidade de alta/queda de 92% no dia seguinte. As
variaes maiores que 0,5% e 1% tiveram probabilidade de acerto de 84% e de
75%, respectivamente.

Figura 89 Estatstica obtida com a modelagem utilizando lgica fuzzy


6.6.2 Resultados obtidos com o sistema modelado utilizando RNAs
Nesta seo, analisado passo a passo cada grfico da Seo 6.6 com a
modelagem utilizando RNAs. Os dados de entrada do exemplo so apresentados
na Tabela 20. Os valores so resultantes da utilizao das equaes apresentadas
na Seo 6.4.
O resultado da anlise do indicador IFR do exemplo dado apresentado
na Figura 90. De acordo com a anlise RNA, tem-se que esse indicador 0%
Muito Baixo, 4% Baixo, 97% Neutro, 5% Alto e 0% Muito Alto.
Conforme a anlise visual da Figura 75 feita na Seo 6.6, este resultado condiz
com a interpretao visual.

169

Tabela 20 Dados de entrada de exemplo para a modelagem utilizando RNAs


Entrada
IFR

Valores
0,559354

Oscilador Estocstico

0,716392

Distncia da linha MACD ao eixo zero

1,000000

Diferena entre a linha MACD e a linha de Sinal MACD

0,544795

ngulo da linha MACD

0,590365

Diferena entre os ngulos da linha MACD e a linha de Sinal MACD

0,514847

Distncia do indicador histograma MACD ao eixo zero

0,151914

ngulo do indicador histograma MACD

0,564846

ngulo do indicador OBV

0,515075

Figura 90 Resultado do exemplo da camada de sada da RNA do indicador IFR


O resultado da anlise do indicador Oscilador Estocstico do exemplo
dado apresentado na Figura 91. De acordo com a anlise RNA, tem-se que esse
indicador 1% Muito Baixo, 6% Baixo, 84% Neutro, 3% Alto e 0%
Muito Alto. Conforme a anlise visual da Figura 76 feita na Seo 6.6, este
resultado condiz com a interpretao visual.

170

Figura 91 Resultado do exemplo da camada de sada da RNA do indicador


oscilador estocstico
O resultado da anlise da camada de sada da RNA Momento,
utilizando as sadas das RNAs IFR e Oscilador Estocstico, apresentado na
Figura 92. De acordo com a anlise RNA, tem-se que a varivel Momento 0%
Muito Baixo, 2% Baixo, 93% Neutro, 2% Alto e 0% Muito Alto.

Figura 92 Resultado do exemplo da camada de sada da RNA da varivel


momento
O resultado da anlise do indicador MACD do exemplo dado
apresentado na Figura 93. De acordo com a anlise RNA, tem-se que esse
indicador 0% Muito Baixo, 0% Baixo, 28% Neutro, 24% Alto e 6%
Muito Alto. Conforme a anlise visual da Figura 77 feita na Seo 6.6, este
resultado condiz com a interpretao visual.

171

O resultado da anlise do indicador Histograma MACD do exemplo


dado apresentado na Figura 94. De acordo com a anlise RNA, tem-se que esse
indicador 0% Muito Baixo, 0% Baixo, 15% Neutro, 51% Alto e 14%
Muito Alto. Conforme a anlise visual da Figura 78 feita na Seo 6.6 este
resultado condiz com a interpretao visual.

Figura 93 Resultado do exemplo da camada de sada da RNA do indicador


MACD

Figura 94 Resultado do exemplo da camada de sada da RNA do indicador


histograma MACD
O resultado da anlise da camada de sada da RNA Sinal, utilizando
as sadas das RNAs MACD e Histograma MACD, apresentado na Figura 95.
De acordo com a anlise fuzzy, tem-se que a varivel Sinal 0% Muito
Baixo, 0% Baixo, 0% Neutro, 24% Alto e 0% Muito Alto.

172

Figura 95 Resultado do exemplo da camada de sada da RNA da varivel


sinal
O resultado da anlise do indicador OBV do exemplo dado
apresentado na Figura 96. De acordo com a anlise RNA, tem-se que esse
indicador 1% Muito Baixo, 22% Baixo, 16% Neutro, 31% Alto e 2%
Muito Alto. Conforme a anlise visual da Figura 79 feita na Seo 6.6, este
resultado condiz com a interpretao visual.
O resultado da anlise da camada de sada da RNA Volume, utilizando
as sadas da RNA OBV, apresentado na Figura 97. De acordo com a anlise
RNA, tem-se que a varivel Volume 0% Muito Baixo, 0% Baixo, 33%
Neutro, 3% Alto e 0% Muito Alto.

Figura 96 Resultado do exemplo da camada de sada da RNA do indicador


OBV

173

Figura 97 Resultado do exemplo da camada de sada da RNA da varivel


volume
O resultado da anlise da camada de sada da RNA do indicador C&V,
utilizando as sadas das RNAs das variveis Momento, Sinal e Volume
(segunda etapa), apresentado na Figura 98. De acordo com a anlise RNA,
tem-se que o indicador C&V 0% Muito Baixo, 0% Baixo, 28% Neutro,
2% Alto e 0% Muito Alto.

Figura 98 Resultado do exemplo da camada de sada da RNA indicador C&V


O passo a passo foi feito com os 70 ativos financeiros selecionados. O
resultado obtido foi separado em trs grupos: i) oscilao igual ou maior a zero;
ii) oscilao igual ou maior a 0,5%; e iii) oscilao igual ou maior a 1%. Caso o
resultado sugira uma ordem de compra, a previso a ocorrncia de oscilao

174

positiva no dia seguinte. Por outro lado, caso o resultado sugira uma ordem de
venda, a previso a ocorrncia de oscilao negativa no dia seguinte.
A estatstica obtida com a anlise dos 70 ativos financeiro apresentada
na Figura 99. Esta estatstica mostra que o sistema utilizando RNA ao indicar
um sinal de compra/venda teve uma probabilidade de alta/queda de 95% no dia
seguinte. As variaes maiores que 0,5% e 1% tiveram probabilidade de acerto
de 92% e de 89%, respectivamente.

Figura 99 Estatstica obtida com a modelagem utilizando RNA


6.6.3 Resultados obtidos com os sistemas hbridos
O passo a passo para analisar os resultados das modelagens utilizando
lgica fuzzy e RNA foi usado para obter os resultados de cada sistema hbrido.
Os dados de entrada para os sistemas Fuzzy-RNA-RNA, Fuzzy-RNA-Fuzzy e
Fuzzy-Fuzzy-RNA foram os mesmos utilizados na Seo 6.6. Enquanto os dados
de entrada para os sistemas RNA-Fuzzy-Fuzzy, RNA-Fuzzy-RNA e RNA-RNAFuzzy foram os mesmos utilizados na Seo 6.6.2.
O passo a passo foi feito com os 70 ativos financeiros selecionados. O
resultado obtido foi separado em trs grupos: i) oscilao igual ou maior a zero;
ii) oscilao igual ou maior a 0,5%; e iii) oscilao igual ou maior a 1%. Caso o
resultado sugira uma ordem de compra, a previso a ocorrncia de oscilao

175

positiva no dia seguinte. Por outro lado, caso o resultado sugira uma ordem de
venda, a previso a ocorrncia de oscilao negativa no dia seguinte.
A estatstica obtida com a anlise dos 70 ativos financeiros para cada
sistema hbrida apresentada na Figura 100. Esta estatstica mostra que o
sistema hbrido Fuzzy-RNA-RNA obteve os melhores resultados. Esta
modelagem hbrida ao indicar um sinal de compra/venda teve uma probabilidade
de alta/queda de 94% no dia seguinte. As variaes maiores que 0,5% e 1%
tiveram uma probabilidade de acerto de 92% e de 89%, respectivamente.

6.7 Consideraes finais


A anlise feita separadamente de cada indicador mostra que as
modelagens interpretaram os grficos conforme est descrito na literatura. Os
indicadores IFR, Oscilador Estocstico, MACD, Histograma MACD e OBV,
quando analisados separadamente, no mostraram diferena significativa entre
as modelagens propostas. Diferenas significativas entre as modelagens ocorrem
na sada das variveis Momento, Sinal, Volume e Indicador C&V.

Figura 100 Estatstica obtida com as modelagens hbridas

176

Vale ressaltar que as regras que define cada combinao entre os


indicadores so ajustveis. Isso implica que cada investidor pode ajustar sua
regra, com base na sua credibilidade em um indicador tcnico, podendo ter
resultados melhores ou inferiores s regras definidas neste trabalho.
Uma sntese dos resultados obtidos apresentada na Tabela 21. De
acordo com os resultados, a modelagem RNA apresentou maior ndice de
acertos.

Tabela 21 Sntese dos resultados entre as modelagens


Modelagem

0,0

0,5

1,0

Lgica Fuzzy

0,92

0,84

0,75

Redes Neurais Artificiais

0,95

0,92

0,89

Proposta 1 - Modelagem RNA-Fuzzy-Fuzzy

0,83

0,74

0,64

Proposta 2 - Modelagem Fuzzy-RNA-RNA

0,94

0,92

0,89

Proposta 3 - Modelagem RNA-Fuzzy-RNA

0,90

0,86

0,82

Proposta 4 - Modelagem Fuzzy-RNA-Fuzzy

0,94

0,90

0,86

Proposta 5 - Modelagem RNA-RNA-Fuzzy

0,94

0,88

0,81

Proposta 6 - Modelagem Fuzzy-Fuzzy-RNA

0,93

0,90

0,86

177

7 CONSIDERAES FINAIS
Inicialmente, foi feita uma contextualizao terica sobre duas tcnicas
de inteligncia computacional (RNA e lgica fuzzy) e previso do mercado
financeiro, o que permitiu o embasamento conceitual para o desenvolvimento
deste trabalho. Com esta contextualizao, foram desenvolvidas modelagens
utilizando essas tcnicas para a tomada de deciso no mercado de capitais,
possibilitando ao investidor maior ganho em liquidez nas negociaes. Esta
contextualizao terica se mostrou muito importante ao longo do projeto por
garantir que os conceitos utilizados possam ser evoludos de modo consistente
em trabalhos futuros.
Este captulo est organizado da seguinte forma. Concluses so
apresentadas na Seo 7.1. Contribuies so mostradas na Seo 7.2.
Limitaes so discutidas na Seo 7.3. Trabalhos futuros so sugeridos na
Seo 7.4.

7.1 Concluses
Neste trabalho, buscou-se modelar e desenvolver um sistema de tomada
de deciso para o mercado financeiro, utilizando lgica fuzzy e RNA; tendo
como dados de entrada cinco indicadores tcnicos. Os resultados das
modelagens mostraram que o sistema de deciso baseado em RNA e lgica fuzzy
foi capaz de propor sugestes razoveis de compra e de venda.
Na modelagem utilizando RNAs, obtiveram-se melhores resultados em
comparao s demais modelagens. A modelagem hbrida RNA-RNA-RNA
obteve a melhor previso, enquanto que a modelagem hbrida RNA-Fuzzy-Fuzzy
teve a pior deciso. O que traz indcios que a modelagem utilizando lgica fuzzy

178

necessita reajustes nos conjuntos fuzzy. A utilizao dessas tcnicas


computacionais encoraja a tomada de deciso, porm deve-se buscar
continuamente a aprimoramento da preciso do movimento do mercado
financeiro.
A anlise dos resultados foi baseada em 70 ativos durante o perodo de
19/12/2008 a 10/02/2012. Na anlise realizada, no foi considerado a questo do
humor, por exemplo, a influncia de notcias e rumores que acontece no
mercado. No entanto, o resultado da anlise realizado ofereceu previso
razovel.
Com a avaliao dos resultados, pde-se comprovar que o objetivo de
mostrar a importncia da qualidade de uma modelagem utilizando lgica fuzzy e
de uma modelagem utilizando RNAs foi alcanado. Alm disso, pde-se mostrar
que a metodologia aplicada adequada para a criao de modelos de tomada de
deciso e o trabalho conseguiu cumprir outro objetivo especfico: um estudo
comparativo de desempenho entre diferentes tcnicas de inteligncia
computacional.

7.2 Contribuies
Este trabalho contribui para o desenvolvimento de modelagens
utilizando duas tcnicas de inteligncia computacional: lgica fuzzy e RNAs para
prever o movimento do mercado financeiro. Do ponto de vista operacional, este
trabalho sinaliza direes para o desenvolvimento de aplicaes de tomada de
decises para o mercado financeiro utilizando diferentes tcnicas de inteligncia
computacional e diferentes indicadores, dentre eles fundamentalista, financeiro e
tcnico. Considera-se que este trabalho pde contribuir para mostrar a
viabilidade da aplicao de tcnicas de inteligncia computacional na previso
de preos futuros.

179

O presente trabalho traz como contribuio acadmica a elaborao de


uma anlise que, conduzido com o rigor do mtodo cientfico, obteve dados que
mostraram a aplicabilidade da lgica fuzzy e da RNA na tomada de deciso. A
combinao de tcnicas de inteligncia computacional (lgica fuzzy e RNA) de
suma importncia como trabalho cientfico, pois permite vislumbrar novas
possibilidades de desenvolvimento e refinamento de modelos utilizando tcnicas
de inteligncia computacional.

7.3 Limitaes
As principais limitaes deste trabalho so decorrentes da utilizao de
apenas indicadores tcnicos e por propor modelagens de tomada de deciso de
curtssimo prazo (a previso do dia corrente somente vlida para o dia
seguinte). Alm disso, h outras limitaes, tais como, (i) no foram analisados
diferentes algoritmos de treinamento e diversas configuraes possveis para
uma RNA, (ii) a utilizao dos setes minutos iniciais do prego eletrnico, os
quais podem ser complicadores de uma previso por sofrer oscilaes bruscas e
(iii) o critrio da escolha do especialista fuzzy, o qual foi considerado o
conhecimento de um nico especialista.
Porm, a anlise mais detalhada das possveis configuraes e
algoritmos de treinamento esto fora do escopo deste trabalho. Outras tcnicas
de inteligncia computacional relacionadas aos temas de estudo foram
encontradas, porm foram excludas da pesquisa: um caso de particular
importncia a tcnica que utiliza algoritmo gentico.

180

7.4 Trabalhos Futuros


Durante o desenvolvimento deste trabalho e aps sua concluso, foram
identificadas vrias possibilidades de ampliao da proposta inicial. Alguns
pontos poderiam ser modificados e/ou estendidos, o que proporcionaria melhor
desempenho ao conjunto de tcnicas propostas para a modelagem utilizando
lgica fuzzy e RNA.
Contudo, a fim de garantir o atendimento dos objetivos inicialmente
propostos, alguns indicadores tcnicos no foram utilizados. Acredita-se que
outros trabalhos podero ser desenvolvidos em continuidade a este, no intuito de
promover melhorias nas modelagens utilizadas, as quais podem ser
aperfeioadas, por exemplo:
a) outras RNAs podem ser utilizadas;
b) outras mquinas de inferncias podem ser utilizadas;
c) implantao das tcnicas propostas em ambiente real de negociao;
d) sistema especialista mais abrangente com mais indicadores tcnicos
nos dados de entrada. Por exemplo, Bollinger Band, TRIX, SAR
Parabolic e Swing Gann;
e) acrscimo de indicadores fundamentalista, tais como, VPA (Valor
Patrimonial da Ao), P/L (Relao Preo/Lucro) e DY (Dividend
Yield), de indicadores financeiros, por exemplo, Taxa SELIC e Taxa
de Cmbio, e de anlise de notcias (por exemplo, humor) nas
modelagens para auxiliar a tomada de deciso;
f) otimizao para sugerir uma carteira de ativo financeiro em
determinado perodo;
g) uso das modelagens propostas para identificar quais os ativos
financeiros mais influenciados por notcias e rumores do mercado;

181

h) desenvolver uma modelagem em algoritmo gentico e combinar com


as propostas RNA e lgica fuzzy;
i)

automatizar as modelagens hbridas;

j)

implementar tcnicas de anlise de tendncia, por exemplo,


tendncia semanal.

182

REFERNCIAS
ALTUNKAYNAK, A.; ZGER, M.; AKMAKCI, M. Water consumption
prediction of istanbul city by using fuzzy logic approach. Water Resources
Management, Oxford, v. 19, n. 5, p. 641-654, 2005.
AMBRSIO, P. E. Redes neurais artificiais no apoio ao diagnstico
diferencial de leses intersticiais pulmonares. 2002. 85 p. Dissertao
(Mestrado em Cincias) - Universidade de So Paulo, So Paulo, 2002.
ATSALAKIS, G. S.; VALAVANIS, K. P. Forecasting stock market short-term
trends using a neuro-fuzzy based methodology. Expert Systems with
Applications, New York, v. 36, n. 7, p. 10696-10707, Sept. 2009. Disponvel
em: <http://www.sciencedirect.com/science/article/pii/S0957417409001948>.
Acesso em: 10 abr. 2012.
BARBOSA, G. R.; ALMEIDA, A. T. Sistemas de apoio a deciso sob o enfoque
de profissionais de ti e de decisores. In: ENCONTRO NACIONAL DE
ENGENHARIA DE PRODUO, 12., 2002, Curitiba. Anais... Curitiba: UFPR,
2002. p. 1-8.
BARRETO, J. M. Introduo s redes neuronais artificiais. In: ENCONTRO DA
ESCOLA REGIONAL DE INFORMTICA DA SBC, REGIONAL SUL, 5.,
2002, Campo Grande. Anais... Campo Grande: SBC, 2002. p. 41-71.
BARROS, L. C. Teoria fuzzy x biomatemtica. Campinas:
IMECC/UNICAMP, 2002. 52 p. Apostila. Disponvel em:
<http://www.ime.usp.br/~tonelli/verao-fuzzy/laecio/minicurso3.pdf>. Acesso
em: 12 abr. 2012.
BAUER, D. P. Aplicao de redes neurais artificiais na determinao do
preo de aes. 2008. 46 p. Monografia (Graduao em Cincia da
Computao) - Centro Universitrio FEEVALE, Novo Hamburgo, 2008.
BOCANEGRA, C. W. R. Procedimentos para tornar mais efetivo o uso das
redes neurais artificiais em planejamento de transportes. 2002. 97 p.
Dissertao (Mestrado em Engenharia Civil) - Universidade de So Paulo, So
Paulo, 2002.

183

BOTELHO, T. G. Uma nova proposta para implementao computacional


do princpio de extenso de Zadeh. 2002. 77 p. Dissertao (Mestrado em
Engenharia de Sistemas) - Universidade Federal de Lavras, Lavras, 2002.
BRAGA, A. de P. Redes neurais artificiais: teoria e aplicaes. Rio de Janeiro:
LTC, 2007. 238 p.
BRO, B. M.; MOLINA, A. S. Redes neuronales y sistemas barrosos. 3. ed.
Madrid: Rama, 2006. 442 p.
BRUM, C. A. H. Aprenda a investir em aes e a operar na bolsa via
Internet. 3. ed. Rio de Janeiro: Cincia Moderna, 2006. 212 p.
CAMBOIM, W. L. L. Aplicaes de tcnicas de controle Fuzzy para sistemas
de abastecimento de gua. 2008. 106 p. Dissertao (Mestrado em Engenharia
Mecnica) - Universidade Federal da Paraba, Joo Pessoa, 2008.
CAMPOS FILHO, P. Mtodo para apoio deciso na verificao da
sustentabilidade de uma unidade de conservao, usando lgica Fuzzy.
2004. 210 p. Tese (Doutorado em Engenharia de Produo) - Universidade
Federal de Santa Catarina, Florianpolis, 2004.
CAO, L.; TAY, F. E. H. Financial forecasting using support vector machines.
Neural Computing & Applications, London, v. 10, n. 2, p. 184-192, 2001.
CICHINI, F. A. L.; CASTRO, R.; FLAUZINO, R. A. Uma abordagem baseada
em sistemas de inferncia Fuzzy para estimao de cotaes de aes. In:
ENCONTRO NACIONAL DE ENGENHARIA DE PRODUO, 27., 2007,
Foz do Iguau. Anais... Foz do Iguau: UFPR, 2007. p. 1-10.
CORTEZ, P. A. R. Modelos inspirados na natureza para a previso de sries
temporais. 2002. 188 p. Tese (Doutorado em Informtica) - Universidade do
Minho, Minho, 2002.
COSTA, A. J. Perception of disability in a public health perspective: a model
based on Fuzzy logic. International Journal of Medical Informatics, Clare, v.
73, n. 7/8, p. 647-656, 2004.
COSTA, P. T. da. Uma anlise do consumo de energia em transportes nas
cidades portuguesas utilizando redes neuronais artificiais. 2003. 133 p.
Dissertao (Mestrado em Engenharia Municipal) - Universidade do Minho,
Minho, 2003.

184

COTTRELL, G. W. A connectionist approach to word sense disambiguation.


Rochester: University of Rochester, 1985. 220 p.
DIAS, A. H. et al. Teoria Fuzzy aplicada automao da conduo racional da
aerao de gros de milho. In: CONGRESSO BRASILEIRO DE
AGROINFORMTICA, 5., 2005, Londrina. Anais... Londrina: SBIAGRO,
2005. Disponvel em:
<http://www.sbiagro.org.br/pdf/v_congresso/Trabalho107.pdf>. Acesso em: 9
abr. 2012.
DURES, R. L. Validao de modelos baseados em RNA utilizando anlise
estatsticas de dados e lgica Fuzzy. 2009. 123 p. Dissertao (Mestrado em
Modelagem Matemtica e Computacional) - Centro Federal de Educao
Tecnolgica de Minas Gerais, Belo Horizonte, 2009.
EDMAR, M. Extrao de conhecimento de redes neurais artificiais. 1999.
104 p. Dissertao (Mestrado em Cincias) - Universidade de So Paulo, So
Paulo, 1999.
ELDER, A. Como se transformar em um operador e investidor de sucesso.
Rio de Janeiro: Campus, 2004. 310 p.
ELMASRI, R.; NAVATHE, S. B. Sistemas de banco de dados. 6th ed. New
York: A. Wesley, 2011. 808 p.
ESFAHANIPOUR, A.; AGHAMIRI, W. Adapted Neuro-Fuzzy inference
system on indirect approach TSK Fuzzy rule base for stock market analysis.
Expert Systems with Applications, New York, v. 37, n. 7, p. 4742-4748, July
2010. Disponvel em:
<http://www.sciencedirect.com/science/article/pii/S0957417409009622>.
Acesso em: 8 abr. 2012.
FALAS, T. Neural networks in empirical accounting research: an alternative to
statistical models. Neural Network World, Praha, v. 5, n. 4, p. 419-432, Dec.
1995.
FARIA, E. L. et al. Previso do mercado de aes brasileiro utilizando redes
neurais artificiais, CBPF e PUC RJ. Rio de Janeiro: CBPF, 2008. 21 p.
Disponvel em:
<http://cbpfindex.cbpf.br/publication_pdfs/NT00208.2011_01_04_11_01_14.pd
f>. Acesso em: 8 abr. 2012.

185

FREEMAN, W. T. Steerable filters and local analysis of image structure.


1992. 133 p. Thesis (Ph.D. in Philosophy) - Massachusetts Institute of
Technology, Cambridge, 1992.
GHIASSI, M.; SAIDANE, H.; ZIMBRA, D. K. A dynamic artificial neural
network model for forecasting time series events. International Journal of
Forecasting, Amsterdam, v. 21, n. 2, p. 341-362, June 2005. Disponvel em:
<http://www.sciencedirect.com/science/article/pii/S0925231204003327>.
Acesso em: 6 abr. 2012.
GOMIDE, F. A. C.; GUDWIN, R. R.; TANSCHEIT, R. Conceitos fundamentais
da teoria de conjuntos Fuzzy, lgica Fuzzy e aplicaes. In: INTERNATIONAL
FUZZY SYSTEMS ASSOCIATION WORLD CONGRESS/TUTORIALS, 6.,
1995, Alberta. Proceedings Alberta: IFSA, 1995. p. 1-38.
GONZALEZ, I. M. S.; GONZALEZ, L. S. G. Redes neurais na previso de
sries temporais financeiras. Revista Cientfica da UNIRB, Salvador, ano 3, n.
1, p. 27-41, 2011.
HAGEL III, J.; SINGER, M. Net worth. Boston: Harvard Business School,
1999. 256 p.
HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The elements of statistical
learning: data mining, inference, and prediction. Chicago: Springer-Verlag,
2001. 533 p.
HAYKIN, S. S. Kalman filtering and neural networks. New York: WileyInterscience, 2001. 304 p.
______. Neural networks: a comprehensive foundation. 2nd ed. New York:
Prentice Hall, 1998. 842 p.
______. Redes neurais: princpios e prtica. Porto Alegre: Bookman, 2000. 900
p.
HINTON, G. E.; SEJNOWSKI, T. J. Learning and relearning in Boltzmann
machines. In: ______. Parallel distributed processing: explorations in the
microstructure of cognition. Cambridge: MIT, 1986. p. 282-317.

186

HOPFIELD, J. J. Neural networks and physical systems with emergent


collective computational abilities. National Academy of Sciences of the United
States of America, Washington, v. 79, n. 8, p. 2554-2558, Dec. 1982.
INFOMONEY. Disponvel em: <http://web.infomoney.com.br/>. Acesso em: 1
jun. 2010.
JUNG, C. F. Metodologia aplicada a projetos de pesquisa: sistemas de
informao & cincia da computao. Taquara: [s.n.], 2009. 154 p. Disponvel
em: <http://www.jung.pro.br/moodle/mod/resource/view.php?id=102>. Acesso
em: 1 jun. 2010.
KIM, K.; HAN, I. Genetic algorithms approach to feature discretization in
artificial neural networks for the prediction of stock price index. Expert
Systems with Applications, New York, v. 19, n. 2, p. 125-132, Apr. 2000.
KUMAR, P. R.; RAVI, V. Bankruptcy prediction in banks and firms via
statistical and intelligent techniques: a review. European Journal of
Operational Research, Amsterdam, v. 180, n. 1, p. 1-28, 2007. Disponvel em:
<http://www.sciencedirect.com/science/article/pii/S0377221706008769>.
Acesso em: 10 abr. 2012.
KWON, O.; GOLDEN, B.; WASIL, E. Estimating the lenght of the optimal tsp
tour: an empirical study using regression and neural networks. Computers &
Operations Research, New York, v. 22, n. 10, p. 1039-1046, Oct. 1995.
LAMBERT-TORRES, G.; SILVA, L. E. B.; ROSSI, R. A representao de
dados atravs de proposies condicionais difusas. Revista Cincias Exatas,
Taubat, v. 5, n. 8, p. 7-14, ago. 2002.
LEWIS, E. L. Fuzzy dimensional analysis. In: INTERNATIONAL
SYMPOSIUM ON UNCERTAINTY MODELLING AND ANALYSIS, 3.,
1995, Lisboa. Proceedings Lisboa: UTL, 1995. p. 674-678.
LIMA, I. R. et al. CellInvest: um sistema especialista mvel para auxiliar na
tomada de decises em mercado de capitais. In: CONGRESSO BRASILEIRO
DE SISTEMAS FUZZY, 1., 2010, Sorocaba. Anais... Sorocaba: CBSF, 2010. p.
455-463.
LIMA, P. L. Ferramenta computacional Fuzzy para aplicaes do princpio
de extenso de Zadeh em funes aritmticas. 2011. 93 p. Dissertao

187

(Mestrado em Engenharia de Sistemas) - Universidade Federal de Lavras,


Lavras, 2011.
LOPES, W. A.; JAFELICE, R. S. M.; BARROS, L. C. Modelagem Fuzzy de
diagnstico mdico e monitoramento do tratamento da pneumonia.
Biomatemtica, Campinas, v. 15, p. 77-96, 2005.
MAGALHES, A. N. Representao da propagao de erros de medidas
atravs de proposies condicionais difusas. 2009. 70 p. Dissertao
(Mestrado em Cincias em Engenharia de Energia) - Universidade Federal de
Itajub, Itajub, 2009.
MASSAD, E.; ORTEGA, N. R. S.; STRUCHINER, C. J. Fuzzy epidemics.
Artificial Intelligence in Medicine, Amsterdam, v. 29, n. 3, p. 241-259, June
2003.
MATLAB Fuzzy logic toolbox 2: users guide. Disponvel em:
<http://www.mathworks.com>. Acesso em: 15 fev. 2012.
MATSURA, E. Comprar ou vender: como investir na bolsa utilizando anlise
grfica. 6. ed. So Paulo: Saraiva, 2007. 124 p.
MEISSNER, G. The RSI revisited. Futures, Cedar Falls, n. 30, p. 34-36, 2001.
MELLAGI FILHO, A.; ISHIKAWA, S. Mercado financeiro e de capitais. So
Paulo: Atlas, 2000. 335 p.
MELO, M. N. Mapeamento difuso no auxlio da reduo dos impactos
ambientais em uma usina hidreltrica. 2009. 91 p. Dissertao (Mestrado em
Cincias em Engenharia de Energia) - Universidade Federal de Itajub, Itajub,
2009.
MENDEL, J. M. Fuzzy sets for words: a new beginning. In: IEEE
INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS, 12., 2003, Los
Angeles. Proceedings Los Angeles: IEEE, 2003. p. 37-42.
MENEZES, L. M.; NIKOLAEV, N. Y. Forecasting with genetically
programmed polynomial neural networks. International Journal of
Forecasting, Amsterdam, v. 22, n. 2, p. 249-265, June 2006. Disponvel em:
<http://www.sciencedirect.com.ez26.periodicos.capes.gov.br/science/article/pii/
S0169207005000610>. Acesso em: 15 abr. 2012.

188

NASCIMENTO, F. B. et al. Software de auxlio tomada de deciso para o


investidor do mercado acionrio. 2007. 114 p. Monografia (Graduao em
Engenharia de Computao) - Universidade de So Paulo, So Paulo, 2007.
OCAMPO-DUQUE, W. et al. Assessing water quality in rivers with Fuzzy
inference systems: a case study. Environment International, New York, v. 32,
n. 6, p. 733-742, June 2006.
ONLINE TRADING CONCEPTS. Disponvel em:
<http://www.onlinetradingconcepts.com/>. Acesso em: 2 jun. 2010.
ORTEGA, N. R. S. Aplicao da teoria de conjuntos Fuzzy a problemas da
biomedicina. 2001. 152 p. Tese (Doutorado em Cincias) - Universidade de So
Paulo, So Paulo, 2001.
OTTAVIANO, I. M. L. d; FEITOSA, H. A. Sobre a histria da lgica, a lgica
clssica e o surgimento das lgicas no-clssicas. In: SEMINRIO NACIONAL
DE HISTRIA DA MATEMTICA, 5., 2003, Aracaju. Anais... Aracaju:
SBHMAT, 2003. 1 CD-ROM.
PARRACHO, P. M. V. A. PATTERN: identificao de padres em mercados
bolsistas. 2010. 99 p. Dissertao (Mestrado em Engenharia Informtica e de
Computadores) - Universidade Tcnica de Lisboa, Lisboa, 2010.
PEDRONETTE, D. C. G.; GUILHERME, I. R. Apoio tomada de decises no
mercado financeiro utilizando redes neurais. In: SIMPSIO INTERNACIONAL
DE INICIAO CIENTFICA DA UNIVERSIDADE DE SO PAULO, 12.,
2004, So Paulo. Anais... So Paulo: USP, 2004. 1 CD-ROM.
PEREIRA, A. A. Avaliao da qualidade da gua: proposta de novo ndice
alicerado na lgica Fuzzy. 2010. 170 p. Tese (Doutorado em Cincias da
Sade) - Universidade de Braslia, Braslia, 2010.
PINHEIRO, J. L. Mercado de capitais. 6. ed. So Paulo: Atlas, 2012. 560 p.
PORTELINHA, M. Redes neuronais artificiais para a previso da qualidade
em carnes. 2006. 135 p. Dissertao (Mestrado em Sistemas de Informao) Universidade do Minho, Minho, 2006.
PREMINGER, A.; FRANCK, R. Forecasting exchange rates: a robust regression
approach. International Journal of Forecasting, New York, v. 23, n. 1, p. 7184, Jan. 2007. Disponvel em:

189

<http://www.sciencedirect.com/science/article/pii/S0169207006000549>.
Acesso em: 20 abr. 2012.
PYLE, D. Data preparation for data mining. New York: M. Kaufmann, 1999.
540 p.
RADU, C.; WILKERSON, R. Using Fuzzy set theory. IEEE Potentials, New
York, v. 14, n. 5, p. 33-35, 1996.
RAGHAVENDRA, S.; PARASCHIV, D.; VASILIU, L. A framework for
testing algorithmic trading strategies. Galway: University of Ireland, 2008.
(Working Paper, 139). Disponvel em:
<http://aran.library.nuigalway.ie/xmlui/bitstream/handle/10379/325/paper_0139.
pdf?sequence=1>. Acesso em: 15 abr. 2012.
RAUBER, T. W. Redes neurais artificiais. Vitria: UFES, 2005. Disponvel
em:
<http://www.riopomba.ifsudestemg.edu.br/dcc/dcc/materiais/1926024727_recon
hecimento-de-caracter2.pdf>. Acesso em: 13 abr. 2012.
REZENDE, S. O. Sistemas inteligentes: fundamentos e aplicaes. So Paulo:
Manole, 2002. 550 p.
RODRGUEZ-GONZLEZ, A. et al. CAST: using neural networks to improve
trading systems based on technical analysis by means of the RSI financial
indicator. Expert Systems with Applications, New York, v. 38, n. 9, p. 1148911500, Sept. 2011.
ROH, T. H. Forecasting the volatility of stock price index. Expert Systems with
Applications, New York, v. 33, n. 4, p. 916-922, Apr. 2007. Disponvel em:
<http://www.sciencedirect.com.ez26.periodicos.capes.gov.br/science/article/pii/
S0957417406002223>. Acesso em: 20 abr. 2012.
RUHOFF, A. L. et al. Lgica Fuzzy e zoneamento ambiental da Bacia do Arroio
Grande. In: SIMPSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 12.,
2005, So Paulo. Anais So Paulo: INPA, 2005. p. 2355-2362.
RUMELHART, D. E.; HINTON, G. E.; WILLIAMS, R. J. Learning
representations by backpropagation errors. Nature, London, v. 323, p. 533-536,
1986.

190

RUMELHART, D. E.; MCCLELLAND, J. L. Parallel distributed processing:


exploration the microstructure of cognition. Cambridge: Bradford Book, 1986.
567 p.
RUSSEL, S.; NORVIG, P. Artificial intelligence: a modern approach. New
Jersey: Prentice-Hall, 1995. 960 p.
______. Inteligncia artificial. 2. ed. Rio de Janeiro: Campus, 2003. 1040 p.
SANDRI, S.; CORREA, C. Lgica nebulosa. In: ENCONTRO DA ESCOLA
DE REDES NEURAIS, 5., 1999, Campo Grande. Anais... Campo Grande:
Instituto Tecnolgico da Aeronutica, 1999. p. c073-c090.
SANTOS, F. C. B. Desenvolvimento e anlise de um ndice de
sustentabilidade energtica utilizando lgica Fuzzy. 2010. 137 p. Dissertao
(Mestrado em Cincias) - Instituto de Pesquisas Energticas e Nucleares, So
Paulo, 2010.
SARLE, W. Stopped training and other remedies for overfitting. In:
SYMPOSIUM INTERFACE OF COMPUTER SCIENCE AND STATISTICS,
27., 1995, Cary. Proceedings Cary: SAS Institute, 1995. p. 352-360.
SETIONO, R. Techniques for extracting classification and regression rules from
artificial neural networks. In: ______. Computational intelligence: the experts
speak. Piscataway: Wiley-IEEE, 2002. p. 99-113.
SHAW, I. S.; SIMES, M. G. Controle e modelagem Fuzzy. So Paulo: E.
Blcher, 1999. 165 p.
SILVA, M. A. O. Estudo de tcnicas de controle aplicada ao sistema pndulo
invertido. 2009. 51 p. Monografia (Graduao em Engenharia de Controle e
Automao) - Universidade Federal de Ouro Preto, Ouro Preto, 2009.
STOCKCHARTS. ChartSchool. Disponvel em:
<http://stockcharts.com/school/doku.php?id=chart_school>. Acesso em: 15 jun.
2010.
SUBRAMANIAN, V.; HUNG, M. S.; HU, M. Y. An experimental evaluation of
neural networks for classification. Computers & Operations Research, New
York, v. 20, n. 7, p. 769-782, July 1993.

191

TH, M. A. L. Raciocnio baseado em casos: uma abordagem Fuzzy para


diagnstico nutricional. 2001. 170 p. Tese (Doutorado em Engenharia de
Produo) - Universidade Federal de Santa Catarina, Florianpolis, 2001.
THIELE, H. On concept of qualitative Fuzzy set. In: IEEE INTERNATIONAL
SYMPOSIUM ON MULTIPLE-VALUED LOGIC, 29., 1999, Dortmund.
Proceedings Dortmund: University of Dortmund, 1999. p. 282-287.
THOMAZ, C. E.; VELLASCO, M. M. B. R. Anlise de tendncias de mercado
por redes neurais artificiais. In: CONGRESSO BRASILEIRO DE REDES
NEURAIS, 7., 2005, So Bernardo do Campo. Anais... So Bernardo do
Campo: FEI, 2005. p. 1-5. Disponvel em: <http://fei.edu.br/~cet/cbrn05.pdf>.
Acesso em: 20 abr. 2012.
VIDOTTO, R. S.; MIGLIATO, A. L. T.; ZAMBON, A. C. O moving average
convergence-divergence como ferramenta para a deciso de investimentos no
mercado de aes. Revista de Administrao Contempornea, Curitiba, v. 13,
n. 12, p. 291-309, dez. 2009.
VIEIRA, F. H. T.; LING, L. L. Modelagem Fuzzy utilizando funes de base
ortonormais aplicada predio adaptativa de trfego de redes. Learning and
Nonlinear Models, Fortaleza, v. 4, n. 2, p. 93-111, Feb. 2006.
WASSERMAN, P. D. Advanced methods in neural computing. New York: V.
N. Reinhold, 1993. 255 p.
WEBER, L.; KLEIN, P. A. T. Aplicao da lgica Fuzzy em software e
hardware. 2. ed. Santa Maria: ULBRA, 2003. 110 p.
YU, T. H.; HUARNG, K. A bivariate fuzzy time series model to forecast the
TAIEX. Expert Systems with Applications, New York, v. 34, n. 4, p. 29452952, Apr. 2008. Disponvel em:
<http://www.sciencedirect.com/science/article/pii/S0957417407001893>.
Acesso em: 18 abr. 2012.
ZADEH, L. A. Fuzzy sets. Information and Control, New York, v. 8, p. 338353, 1965.
ZANETTI JUNIOR, L. A.; ALMEIDA, F. C. Explorao do uso de redes
neurais na previso do comportamento de ativos financeiros. In: SEMINRIOS
EM ADMINISTRAO, 3., 1998, So Paulo. Anais... So Paulo: USP, 1998.
Disponvel em:

192

<http://www.ead.fea.usp.br/semead/3semead/pdf/Finan%E7as/Art061.PDF>.
Acesso em: 15 abr. 2012.
ZHANG, Y.; WAN, X. Statistical Fuzzy interval neural networks for currency
exchange rate time series prediction. Applied Soft Computing, New York, v. 7,
n. 4, p. 1149-1156, Aug. 2007. Disponvel em:
<http://www.sciencedirect.com/science/article/pii/S1568494606000068>.
Acesso em: 20 abr. 2012.