You are on page 1of 32

UNIVERSIDADE FEDERAL AMAZONAS

PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO


DEPARTAMENTO DE APOIO A PESQUISA
PROGRAMA INSTITUCIONAL DE INICIAÇÃO CIENTIFÍCA

FUNDAMENTOS E TÉCNICAS DE MODELAGEM MATEMÁTICA E


APLICAÇÕES
DO PROGRAMA DE INICIACAO CIENTÍFICA
NA UFAM

Bolsista: Manoel Vieira da Costa Neto, FAPEAM

MANAUS
2016
FUNDAMENTOS E TÉCNICAS DE MODELAGEM MATEMÁTICA E
APLICAÇÕES
DO PROGRAMA DE INICIACAO CIENTÍFICA
NA UFAM
UNIVERSIDADE FEDERAL AMAZONAS
PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO
DEPARTAMENTO DE APOIO A PESQUISA
PROGRAMA INSTITUCIONAL DE INICIAÇÃO CIENTIFÍCA

RELATORIO FINAL
PIB-E/0155/2015

FUNDAMENTOS E TÉCNICAS DE MODELAGEM MATEMÁTICA E


APLICAÇÕES
DO PROGRAMA DE INICIACAO CIENTÍFICA
NA UFAM

Bolsista: Manoel Vieira da Costa Neto, FAPEAM


Orientador: Prof. Dr. Nilomar Vieira de Oliveira

MANAUS
2016
Todos os direitos deste relatório são reservados à Universidade Federal do
Amazonas, ao Núcleo de Estudo e Pesquisa em Ciência da Informação e aos seus autores.
Parte deste relatório só poderá ser reproduzida para fins acadêmicos ou científicos.

Esta pesquisa, financiada pela Fundação de Amparo à Pesquisa do Estado do


Amazonas – FAPEAM, através do Programa Institucional de Bolsas de Iniciação Científica
da Universidade Federal do Amazonas, foi desenvolvida pelo Núcleo de Estudo e Pesquisa
em Ciência da Informação e se caracteriza como subprojeto do projeto de pesquisa
Bibliotecas Digitais.
A vida é como uma
bola de neve. O importante é
encontrar neve úmida e uma
colina bem longa.
Warren Buffett
Resumo

O sistema Proteu Fuzzy é um sistema de tomada de decisão para compra e venda de ativos
financeiros que visa auxiliar a figura do analista técnico (de modo imparcial e racional), informando
quando existe uma boa oportunidade para se comprar ou vender um determinado ativo.
Foram utilizados como base para as suas decisões, técnicas de inteligência artificial (Lógica
Fuzzy) e indicadores técnicos (Médias Móveis, MACD e RSI) que foram implementadas através do
software Matlab. O resultado para o exemplo aplicado foi positivo com resposta de 82% (posição de
compra).
As simulações, trabalho futuro, mostrarão se o sistema conseguirá gerar resultados de forma
consistente (lucrativa) e com menor volatilidade que o mercado para alguns ativos.
7

Índice de Ilustrações (Figuras)

Figura 1: Gráfico de Candles da Petrobrás (fonte: xpi.com.br; acessado 25/07/16) ......... 13


Figura 2: Gráfico de Candles da Vale com o indicador MACD e MM (fonte: xpi.com.br;
acessado 25/07/16) ........................................................................................................................ 16
Figura 3: Gráfico de Candles da VALE com os indicadores: Média Móvel e MFI (fonte:
xpi.com.br; acessado 25/07/16)..................................................................................................... 18
Figura 4: gráfico de Candles da Petrobrás com o indicador MFI(fonte: xpi.com.br;
acessado 25/07/16) ........................................................................................................................ 19
Figura 5: Gráfico da representação da variável linguística MFI utilizada no modelo....... 21
Figura 6: Gráfico da representação da variável linguística MACD e MM utilizada no
modelo ........................................................................................................................................... 22
Figura 7: Gráfico da representação da variável linguística Resultado utilizada no modelo
....................................................................................................................................................... 23
Figura 8: Tabela com as 27 regras utilizadas para simular o conhecimento do analista
financeiro ....................................................................................................................................... 24
Figura 9: Equação do Processo de deffuzzificação do sistema ......................................... 25
Figura 10: Processo de deffuzzificação do sistema no Matlab.......................................... 26
Figura 11: - Diagrama de Inferência representando passo-a-passo todas as etapas
envolvidas no Sistema de Tomada de Decisão para Compra e Venda de Ativos Financeiros
utilizando Lógica Fuzzy ................................................................................................................ 27
8
SUMÁRIO

PROGRAMA INSTITUCIONAL DE INICIAÇÃO CIENTIFÍCA .................................... 1


PROGRAMA INSTITUCIONAL DE INICIAÇÃO CIENTIFÍCA .................................... 3
Resumo................................................................................................................................. 6
1 Introdução........................................................................................................................ 10
1.1 Objetivo .................................................................................................................... 10
1.2 Antecedentes ............................................................................................................. 11
2 Desenvolvimento............................................................................................................. 11
2.1 Revisão Bibliográfica................................................................................................ 11
2.2 Mercado de Ações........................................................................................................ 12
2.3 Candlesticks ................................................................................................................. 12
2.4 Analise Técnica ............................................................................................................ 13
2.4.1 Indicadores Técnicos. ............................................................................................ 14
2.4.1.2 Atrasados ou seguidores de tendência ................................................................ 14
2.4.1.3 Medias moveis (MM) ......................................................................................... 14
2.4.1.4 Média móvel simples (MMS) ............................................................................. 15
2.4.2 Indicadores antecedentes ou de momentum .......................................................... 15
9

2.4.2.1 Moving Average ConvergenceDivergence (MACD)......................................... 16


2.4.3 Indicadores de Volume.......................................................................................... 17
2.4.3.1 Money flow index – Índice de Fluxo de Dinheiro (MFI)................................... 17
2.5 Logica Fuzzy ............................................................................................................... 19
2.5.1 Introdução ................................................................................................................. 19
2.5.2 Modelagem Fuzzy do sistema especialista e das variáveis linguísticas ................... 20
2.5.2.1 Entradas ................................................................................................................. 21
2.5.2.2 Saída ...................................................................................................................... 22
2.5.2.3 Fuzzificação; Base de regras; Defuzzificação ....................................................... 23
2.5.3 Exemplo de Aplicação .............................................................................................. 25
3 Metodologia.................................................................................................................... 28
4 Resultados e discussões .................................................................................................. 29
5 Conclusões ...................................................................................................................... 30
5.1 Trabalhos Futuros ........................................................................................................ 30
6 Agradecimentos .............................................................................................................. 31
7 Referências Bibliográficas.............................................................................................. 32
7.1 Livros........................................................................................................................ 32
10

1 Introdução

Através da compra e venda de ativos o mercado financeiro movimenta trilhões de dólares


diariamente. A finalidade gira em torno de obter o maior lucro possível dentro do menor espaço
de tempo. O desafio se torna, então, saber o momento certo de comprar, vender e/ou zerar
posições.
Os Analistas Técnicos, que são as pessoas que analisam os gráficos dos ativos para
determinar esses momentos, estão no mercado desde 1887, quando o norte-americano Charles
Henry Dow começa a monitorar o movimento dos ativos. Porém, com a crescente evolução das
tecnologias e com estudos avançados, máquinas, robôs e algoritmos adentraram o mercado
tirando vantagem dos pequenos negociadores.
A decisão tomada por analistas, robôs, máquinas e algoritmos baseia-se em dados
coletados dentro de um determinado período através de meios como jornais, análises de balanços,
análise gráfica, etc. Sendo assim, uma ação nunca é gerida pela sorte ou impulso.
A modelagem para esse estudo se faz de grande importância a partir do momento em que
um modelo permite equacionar problemas reais ou não, representa-los graficamente, fazer
análises e realizar testes em cima do próprio modelo observando e testando as respostas obtidas.

1.1 Objetivo

Desenvolver um modelo de sistema determinante que permita identificar a decisão do


operador, capaz de simular o comportamento de um analista financeiro, gerando recomendações
diárias de compra ou venda de ativos de modo imparcial, racional, ágil e com alta probabilidade
de acerto.
Para o desenvolvimento deste modelo, utilizar-se-á modelagem Matematica, Teoria
Fuzzy, em particular, mecanismos de inferência baseado em Logica Fuzzy e a Análise Técnica, a
qual serve como base para simular o conhecimento do sistema determinante.
Diferente do Trading System, esse sistema não possui a capacidade de operar ativos, mas
sim, fornecer informações que auxiliem o operador na tomada de decisão. Contudo, o
desenvolvimento desta ferramenta tem como maior objetivo evitar com que o analista tome
decisões precipitadas ou irracionais o que poderia leva-lo a incorrer em um prejuízo.
11

1.2 Antecedentes

O ‘‘Sistema de Tomada de Decisão para Compra e Venda de Ativos Financeiros


utilizando a Lógica Fuzzy’’, denominado Proteu Fuzzy, foi inspirado em uma dissertação
(CLADIO; ROBINSON; TAPIÉ; PEREIRA, 2008) realizada na Escola Politécnica da
Universidade de São Paulo. Neste projeto, utilizou-se, para o processo de tomada de decisão, os
indicadores MM, MACD e RSI. Portanto, será também observado os benefícios e/ou prejuízos
que o incremento do oscilador (MFI) trouxe para o sistema.

2 Desenvolvimento

Para a fundamentação lógica do trabalho, pretende-se deixar claro o modelo proposto, o


qual utiliza modelagem matemática, Logica Fuzzy e análise grafista. Além disso, será realizada
uma exposição ordenada e pormenorizada sobre o ambiente onde este trabalho se insere (mercado
de ações) com as principais aplicações da análise técnica (grafista) e o funcionamento da Lógica
Fuzzy.

2.1 Revisão Bibliográfica

Segundo Rodney Carlos Bassanezi, professor Dtr. Da Unicamp e professor do Centro de


Matemática, Computação e Cognição da Universidade do ABC, ‘a ciência é uma atividade
essencialmente desenvolvida pelo ser humano que procura entender a natureza por meio de
teorias adequadas; ainda que a natureza continue existindo e funcionando independente das
teorias científicas, o homem utiliza tais teorias para avançar seus conhecimentos que possibilitam
num futuro tomar decisões e agir corretamente. ’. Ainda segundo ele, a busca do conhecimento
científico, em qualquer campo, deve consistir, essencialmente, em: Aceitar somente aquilo que
seja tão claro em nossa mente, excluindo qualquer dúvida; dividir os grandes problemas em
problemas menores; argumentar, partindo do simples para o complexo; e verificar o resultado
final.
12

A partir de tais conceitos é possível introduzir a modelagem matemática, uma vez que
essa só existe com problemas e suas devidas divisões – hipóteses. Portanto quando se procura
refletir sobre uma porção da realidade, na tentativa de explicar, de entender, ou de agir sobre ela,
deve-se selecionar no sistema argumentos ou parâmetros considerados essenciais e formaliza-los
através de um sistema artificial, ou seja, o modelo.
Para estudar e desenvolver este modelo foi utilizado o livro Análise Técnica dos
Mercados Financeiros (Flávio Lemos, CMT) juntamente com o livro Manual de Análise Técnica
(Marcos Abe) e com o livro Controle e Modelagem Fuzzy (Marcelo Godoy Simões e Ian S.
Shaw)

2.2 Mercado de Ações

A variação dos ativos ocorre pela mudança de interesses dos investidores, principalmente
dos maiores. Parece simples, mas o bombardeio cotidiano de notícias sobre as empresas e a
economia é o fator que muda o humor dos investidores. ´´Quando muitos querem vender, poucos
querem comprar´´ (CERBASI, GUSTAVO 2009).

2.3 Candlesticks

A representação Candlestick tem origem no Japão do século XVIII quando o japonês


Munehisa Homma utilizou a configuração em vela para acompanhar e analisar os preços do
arroz. Os preços de abertura e de fechamento formam o corpo central da ‘‘vela’’ e os preços
máximos e mínimos definem as sombras do corpo.
O visual do Candlestick permite avaliar a forca de compradores e vendedores a cada
pregão. A imagem abaixo mostra um exemplo do gráfico de Candles.
13

Figura 1: Gráfico de Candles da Petrobrás (fonte: xpi.com.br; acessado 25/07/16)

2.4 Analise Técnica

‘‘Na maior parte do tempo as ações estão sujeitas a flutuações de preços irracionais e
excessivas em ambas as direções como consequência de uma tendência, impregnada na maioria
das pessoas, para especular ou jogar... abrindo caminho para a esperança, o medo e a ganancia. ’’
(Benjamin Graham, 1949).

‘‘Análise técnica é o estudo dos movimentos do mercado, principalmente pelo uso de


gráficos, com o propósito de prever futuras tendências no preço. ’’ (John J. Murphy, 2002).
‘‘ A Análise Técnica é, na verdade, uma ferramenta para estudar o comportamento
humano, especificamente o movimento das massas. Na bolsa não é o indivíduo, mas o
comportamento coletivo que importa. ’’ (Eduardo Matsura, 2011).
Na Análise Técnica utiliza-se os indicadores técnicos para avaliar um ativo de várias
formas, variando do indicador, que pode ser tanto extremamente simples como também
extremamente complexo, para a tomada de decisão correta na operação de compra e venda de
ativos. Neste trabalho serão utilizados três indicadores técnicos (Médias Móveis, MACD e MFI),
os quais além de serem de simples elaboração, são amplamente utilizados no mercado.
14

2.4.1 Indicadores Técnicos.

Os indicadores técnicos ou gráficos são nada mais que os resultados de manipulações


matemáticas dos preços e do volume.
Para realizar uma boa análise técnica é necessário estuda-los, já que ajudam a analisar
fatores como tendência, volatilidade, volume, forca dos agentes (compradores ou vendedores) e
níveis de sobrecompra e sobrevenda.
Utilizar muitos indicadores só complica o processo e até mesmo compromete o sistema. Por
isso, neste trabalho essa ferramenta foi utilizada combinando indicadores com diferentes funções.

2.4.1.2 Atrasados ou seguidores de tendência

Os indicadores atrasados seguem o preço da ação e costumam ser referidos como


indicadores de acompanhamento de tendências. Funcionam melhor quando o mercado apresenta
uma tendência forte. São projetados para fornecer aos investidores pontos de entrada em
operações e mantê-los dentro da operação pelo tempo em que a tendência permanecer intacta.
Uma importante vantagem de se usar os indicadores seguidores de tendência é a capacidade
de capturar um movimento e permanecer em uma mesma operação. Desde que o ativo em
questão sustente o movimento, os indicadores atrasados podem ser extremamente rentáveis e
fáceis de usar. Quanto maior a duração da tendência, menos sinais e operações são perdidos.
Porém, como desvantagem temos que os sinais se inclinam tardios. No momento em que
um cruzamento de média móvel ocorre, uma parte significativa do movimento já ocorreu. Pontos
de entrada e de saída tardios podem distorcer a relação retorno, risco.

2.4.1.3 Medias moveis (MM)

A média móvel é a média de preço do ativo analisado por um determinado intervalo de


tempo. Elas suavizam os dados dos preços para formar um indicador que segue tendência. Elas
não preveem a direção dos preços, mas sim definem a direção atual com certo atraso. São
15

atrasadas pois baseiam-se em preços passados e apesar disso, ajudam a suavizar o preço e filtrar o
ruído.
Formam também os blocos de construção para muitos outros indicadores técnicos e
sobreposições, por exemplo MACD e o Oscilador McClellan.
As medias móveis mais populares são a média móvel simples (MMS) e a exponencial
(MME), que podem ser utilizadas para identificar a direção da tendência ou definir níveis
potencias de suporte e de resistência.

2.4.1.4 Média móvel simples (MMS)

Foi um dos primeiros indicadores que apareceu na análise gráfica e, devida sua facilidade e
simplicidade de uso, até hoje é um dos mais utilizados.
A MMS é o cálculo do preço médio de um ativo sobre um número especifico de períodos.
A maior parte das médias móveis é baseada em preços de fechamento sendo a maior parte delas
baseadas em um preço de fechamento.
Com a aplicação de uma média móvel simples na ação de preços, as flutuações aleatórias
são analisadas para tornar mais fácil a identificação de uma tendência. Se um preço de um título
for extremamente volátil, logo uma média móvel vai ajudar a suavizar os dados. Filtros de médias
móveis diminuem ruídos aleatórios e oferecem uma perspectiva suave de preço de um ativo.

2.4.2 Indicadores antecedentes ou de momentum


Projetados para liderar os movimentos dos preços, os indicadores de momentum
representam uma forma de impulso ao longo de um período de preços fixo no passado, que é o
número de períodos utilizados para calcular o indicador.
Lidam com a taxa a que os preços estão mudando. Em uma tendência de alta, por
exemplo, os preços estão subindo e a linha de tendência inclina para cima. O momentum mede
quão rapidamente os preços estão subindo, ou quão íngreme a linha de tendência é inclinada.
Quando um oscilador mostra que a tendência está perdendo inclinação, então um sinal de
que a tendência pode estabilizar-se é dado. Isso significa que os preços podem consolidar-se ou
até reverter.
16

O MACD é o indicador antecedente utilizado nesse trabalho. Outros são: RSI ou IFR,
Williams %R, ROC, Momentum e Commodity Channel Index (CCI).

2.4.2.1 Moving Average ConvergenceDivergence (MACD)

Foi desenvolvido por Gerald Appel no final dos anos 1970 tornando-se, até hoje, um dos
principais indicadores de impulsão por ser simples e eficaz.
O MACD transforma dois indicadores de tendência, duas médias móveis, em um oscilador
de momentum, subtraindo a média móvel maior da menor média móvel e com isso oferecendo a
impulsão do ativo e sua tendência.
Flutua acima e abaixo da linha de zero quando as médias convergem, atravessam e
divergem. A figura abaixo mostra o indicador MACD para o gráfico da VALE5:

Figura 2: Gráfico de Candles da Vale com o indicador MACD e MM (fonte: xpi.com.br; acessado
25/07/16)
17

Deve-se procurar cruzamentos de linhas, cruzamentos com o eixo e divergências para gerar
sinais de compra e venda. O MACD é um exemplo de um oscilador que varia de centrado acima
e abaixo de zero.
A linha MACD é a linha MME de 12 dias menos a MME de 26 dias. Os Preços de
fechamentos são usados para essas médias móveis. A MME de 9 dias da linha MACD é
representada com o indicador para atuar como uma linha de sinal e identificar viradas de
tendência.
Os valores de 12, 26 e 9 são os ajustes típicos usados com o MACD, no entanto, outros
valores podem ser substituídos, dependendo do estilo de negociação e dos objetivos.
Em sua essência, o MACD é uma diferença de médias móveis, o ponto onde elas se
encontram será o valor zero, portanto, o gráfico traçado a partir do valor da diferença dessas duas
médias móveis deve ser interpretado assim: quando o valor passa de negativo para positivo, tem-
se o sinal de compra; quando passa de positivo para negativo, sinal de venda.

2.4.3 Indicadores de Volume

Volume é um clássico indicador de confirmação. Medidas de volume são frequentemente


retratadas em gráficos de ações e as estatísticas de volume são incorporadas em uma série de
índices e osciladores. São utilizados para confirmar a forca das tendências. A ausência da
confirmação pode avisar sobre uma reversão. Preço e volume são os dois básicos insumos dos
indicadores na análise técnica.
São divididos principalmente em duas categorias: índices e osciladores. Nesse trabalho foi
utilizado o oscilador de volume MFI.

2.4.3.1 Money flow index – Índice de Fluxo de Dinheiro (MFI)

O oscilador MFI considera dias de ‘alta e dias de ‘baixa para determinar o fluxo de
dinheiro dentro e fora de um ativo. É um método de medição do fluxo de dinheiro Criado por
Gene Quong e Avrum Soudack, também conhecido como ponderada por volume. Começa com o
preço típico para cada período. Fluxo de dinheiro é positivo quando o preço médio for maior que
o do dia anterior (pressão de compra - PMF) e negativos quando o preço médio for menor que o
18

do dia anterior (pressão de venda - NMF). A relação entre o fluxo de dinheiro positivo e negativo
é então ligado a uma fórmula RSI para criar um oscilador que se move entre zero e cem. Como
um oscilador de impulso amarrado ao volume, o Índice de Fluxo de Dinheiro (MFI) é o mais
adequado para identificar reversões e extremos de preços com uma variedade de sinais.
Quando o fluxo positivo de dinheiro é relativamente elevado, o oscilador se aproxima de
100; de modo inverso, quando o fluxo de dinheiro negativo é relativamente elevado, o oscilador
se aproxima de 0. Um nível acima de 80 é com frequência considerado sobrecomprado (valor
acima da avaliação do ativo), e abaixo de 20, sobrevendido. Esses parâmetros, bem como o
período, são obviamente ajustáveis. O gráfico a seguir mostra o oscilador MFI:

Figura 3: Gráfico de Candles da VALE com os indicadores: Média Móvel e MFI (fonte: xpi.com.br;
acessado 25/07/16)

Como outros indicadores, esse índice apresenta problemas quando os preços estão em
tendência e dá prematuros sinais de saída. A foto abaixo fica evidente que quando
sobrecomprada, a tendência do ativo é de queda, e quando sobrevendida a tendência é de compra.
19

Figura 4: gráfico de Candles da Petrobrás com o indicador MFI(fonte: xpi.com.br; acessado 25/07/16)

2.5 Logica Fuzzy

2.5.1 Introdução

A Lógica Fuzzy, também denominada lógica nebulosa ou difusa, desenvolvida por Zadeh
(1965) é uma teoria que incorpora a experiência, a intuição, o conhecimento especialista e a
natureza imprecisa do processo decisório humano através de um conjunto de regras ou heurísticas
simples. Tem sido empregada com sucesso para exprimir conhecimento impreciso e resolver
problemas em muitas áreas onde o processo de modelagem convencional é difícil, ineficiente ou
muito oneroso. Para o entendimento do procedimento adotado neste trabalho, faz-se uma
introdução aos principais conceitos que envolvem a Lógica Fuzzy.
Uma das grandes barreiras na construção de sistemas que envolvem conhecimento
especialista é a dificuldade na obtenção e modelagem desse conhecimento. O especialista utiliza
expressões vagas, termos aproximados e até mesmo raciocínio impreciso e incompleto para
exprimir seu conhecimento (LEMOS, 2003). Com a Lógica Fuzzy, a possibilidade de descrição
20

linguística do modelo, ao invés da utilização das equações diferencias, possibilita o


aproveitamento do conhecimento heurístico dos operadores e facilita o desenvolvimento de
soluções. (CLAUDIO ROBINSON,2008).
Neste trabalho é proposta uma modelagem de um sistema de tomada de decisão para
compra e venda de ativos financeiros utilizando mecanismos de inferência baseados em Lógica
Fuzzy. As etapas envolvidas na criação de um sistema de controle Fuzzy, conforme sugerido por
Mamdani (1977) consiste, basicamente, em três passos:

1. Fuzzificação: descrição gráfica de uma situação

2. Base de regras: aplicação das regras Fuzzy

3. Defuzzificação: obtenção de uma resposta única (crisp)

2.5.2 Modelagem Fuzzy do sistema especialista e das variáveis


linguísticas

Buscando simular o conhecimento especialista de um profissional do mercado financeiro,


o analista técnico, foram utilizados três modelos técnicos (MA, MACD e MFI) assim como na
modelagem do Claudio Robinson, porém, agora com a utilização do oscilador MFI no lugar do
RSI.
Com os três modelos, foram utilizadas três variáveis linguísticas (MA, MACD e MFI).
Apesar da incompletude e imprecisão do conhecimento obtido, foi possível modelar as variáveis
envolvidas, criar a base de regras fuzzy e gerar simulações satisfatórias no Excel, mostrando que,
utilizando esta técnica de inteligência artificial garantimos lucros nas operações descartando o
risco psicológico que o ‘‘jogo’’ exerce, que por sinal é um dos maiores riscos para o analista
técnico.
Já com as variáveis linguísticas, foi determinado, para cada uma, seu universo de
discurso, a partição do conjunto de termos e os respectivos conjuntos fuzzy.
21

2.5.2.1 Entradas
Para a definição das entradas do sistema, realizou-se uma série de testes para verificar
qual seria a melhor partição do universo de discurso ou a melhor definição para o conjunto fuzzy
a ser utilizada para o sistema.
Os testes consistiram em realizar simulações para o índice Bovespa no período de 1995 a
1996, onde foram realizadas apenas alterações nas partições dos universos de discurso e nas
definições dos conjuntos fuzzy, de modo a obter simulações rápidas e com resposta mais
eficientes, sendo que as variações dos conjuntos fuzzy consistiram na escolha entre funções
triangulares e trapezoidais.

MFI – O gráfico 4 mostra o conjunto fuzzy do oscilador MFI já definida pela variável
linguística MFI. Representa o nível de sobrecompra, sobrevenda ou ainda ‘‘intermediário’’ de um
ativo, ou seja, quanto o ativo está supervalorizado ou superdesvalorizado. Quanto menor o seu
valor, maior é a tendência de alta deste ativo e, inversamente, quanto maior seu valor, menor a
tendência de alta.

Variável linguística: MFI


Universo de discurso: 0 -100
Valores linguísticos: Sobrecomprado, Intermediário, Sobrevendido

Figura 5: Gráfico da representação da variável linguística MFI utilizada no modelo


22

Os valores das variáveis linguísticas foram ajustados para o modelo proposto de acordo
com a lógica da análise técnica. Já que é um oscilador com um máximo de 100 e um mínimo de
0, no qual o valor de sobrevenda se encontra nas faixas abaixo de 20 e sobrecompra acima de 80,
ajustou-se para faixas de sobrevenda abaixo de 40, com o intermediário entre 30 e 70, e
sobrecompra acima de 60. O intermediário representa, nesse caso, um preço justo do mercado.

MACD e MA – O gráfico 5 mostra os conjuntos fuzzy para as variáveis linguísticas


MACD e MA. Estas variáveis representam o valor da diferença entre as respectivas médias
móveis utilizadas em cada modelo, divididas por duas vezes o desvio padrão destas diferenças
para um período de 20 dias. Quanto mais positivo o seu valor, maior será a tendência de alta
deste ativo e, inversamente, quanto mais negativo o seu valor, maior a tendência de queda.

Variáveis linguísticas: MACD e MA


Universo de discurso: -100 e 100
Valores linguísticos: Negativo, Neutro, Positivo.

Figura 6: Gráfico da representação da variável linguística MACD e MM utilizada no modelo

2.5.2.2 Saída
Na saída, tem-se o Resultado: variável que representa as respostas que podem ser
atribuídas pelo sistema ao ativo em questão.
23

Variável linguística: Resultado


Universo de discurso: 0-1
Valores linguísticos: Vender, Manter, Comprar.

O gráfico 7 mostra os conjuntos fuzzy da variável linguística Resultado:

Figura 7: Gráfico da representação da variável linguística Resultado utilizada no


modelo

2.5.2.3 Fuzzificação; Base de regras; Defuzzificação

O processo de Fuzzificação é onde ocorre a transformação de entradas discretas, ou


CRISP, em entradas Fuzzy, ou Nebulosas.
Tomando-se como exemplo a representação de variável linguística MFI apresentada
anteriormente (Gráfico 5), tem-se que, quando o modelo indica o valor discreto de 50, o valor
‘‘fuzzificado’’ do MFI é Intermediário com grau de pertinência 1, Sobrevendido com grau 0 e
Sobrecomprado também com grau de pertinência 0.
24

Uma vez obtidas as entradas fuzzy, o modelo deverá realizar as inferências necessárias
para gerar as saídas dos conjuntos fuzzy. Esse processo consiste na aplicação de regras que
simulam o conhecimento especialista.
Foram utilizadas 27 regras, conforme apresentado na tabela 2, no formato ‘‘Se-Então’’
para a montagem da base de conhecimento do sistema Proteu Fuzzy.
Esta base de regras, que simula o conhecimento especialista e que relaciona as diversas
variáveis e seus respectivos valores é descrita a seguir:
Se (MACD = Positivo) E (MA = Positiva) E (MFI = Intermediário), Então (Resposta =
Comprar).

Figura 8: Tabela com as 27 regras utilizadas para simular o conhecimento do analista financeiro
25

Por final, a etapa de defuzzificação consiste na transformação dos valores fuzzy,


calculados anteriormente, em valores discretos (CRISP). Para isso, utilizou-se o resultado da
implicação obtida com cada regra e, através do método das médias ponderadas
(HOLBERT,2004), obteve-se um valor discreto, conforme apresentado a seguir:

Figura 9: Equação do Processo de deffuzzificação do sistema

2.5.3 Exemplo de Aplicação

Afim de exemplificar o que foi explicado, será apresentado um exemplo para todas as 27
regras descritas anteriormente.
Na etapa de fuzzificação, ocorre a classificação das variáveis de entrada com relação as
respectivas variáveis linguísticas e foi-se utilizado o método de Mamdani (1977) nesta simulação
com os seguintes valores de entrada para as variáveis modeladas:

MM = 60 é Negativo com grau de pertinência 0 (zero), Neutro com grau de pertinência


0,4 e Positivo com grau 0,6
MACD = 75 é Negativo com grau de pertinência 0 (zero), Neutro com grau de 0,25 e
Positivo com grau 0,75
MFI = 50 é Intermediário com grau de pertinência 1(um) e grau de pertinência 0(zero)
para Sobrecomprado e Sobrevendido

Aplicando os valores na plataforma fuzzy do Matlab, obtemos o seguinte gráfico das


variáveis de saída:
26

Figura 10: Processo de deffuzzificação do sistema no Matlab

O cálculo na defuzzificação do sistema utilizando a formula da figura 9 acima é:

Y = 0,6x0,99 + 0,4x0,99 + 0,25x0,5 + 0,25x0,5 + = 0,825


0,6 + 0,4 + 0,25 + 0,25
27

O diagrama a seguir (Figura 11), é apresentado passo-a-passo das etapas envolvidas,


desde a entrada das séries temporais, até a obtenção da reposta defuzzificada. Apenas para
simplificar o diagrama, foram utilizadas as 3 (três) primeiras regras das 27 regras existentes neste
projeto.
O diagrama mostra, também, como as regras são combinadas de forma a obter os
conjuntos fuzzy, os quais servirão de entrada para o processo de defuzzificação.

Figura 11: - Diagrama de Inferência representando passo-a-passo todas as etapas envolvidas no


Sistema de Tomada de Decisão para Compra e Venda de Ativos Financeiros utilizando Lógica Fuzzy
2

3 Metodologia

Em princípio, foi implementado, o estudo da análise técnica para a modelagem do sistema


especialista, um método puramente iterativo e prático na busca da melhor tomada de decisão nas
compras de ativos financeiros.
Neste contexto, abordou-se o estudo da Lógica Fuzzy de forma que, gradativamente, o
modelo especialista foi melhorado e se tornou, com o tempo, mais certeiro – maior probabilidade
de acerto na compra e venda do ativo.
A abordagem prática se deu através do uso da plataforma Fuzzy do MATLAB, com a
modelagem do sistema determinante, o que nos permitiu praticidade e economia de tempo para
obtenção do resultado de simular o comportamento de um analista técnico com dados de entrada -
series temporais dos preços de fechamento dos ativos analisados.
Qualquer ativo que possua série histórica pode servir de entrada para o sistema, podendo
inclusive ser alimentado com outros tipos de dados históricos além do preço de fechamento.
Posteriormente, estas informações são processadas e as respostas de cada um dos
indicadores técnicos (MA, MACD e MFI) são calculadas e armazenadas.
O sistema contém um banco de dados que armazena as series históricas e os resultados
das simulações dos modelos técnicos, fornecendo subsídios para o processo decisório. São as
respostas diárias dos modelos técnicos que servem de entrada para o sistema especialista (Expert
System).
‘‘O sistema especialista é a parte principal do sistema, o qual é responsável pela
fuzzificação das respostas diárias dos modelos técnicos e, através das regras utilizadas para
simular o conhecimento do analista financeiro, é capaz de informar ao usuário qual é a sua
recomendação para o ativo em análise. Esta resposta é obtida, através do processo de
defuzzificação, onde o investidor obtém uma resposta na forma de probabilidade, o qual poderá
utilizar para auxiliá-lo na tomada de decisão de compra ou venda para um determinado ativo.’’
(Claudio R. Tapié P. 2008)
29

4 Resultados e discussões

Com todos os parâmetros (indicadores técnicos) definidos, o sistema foi modelado


e testado para a seguinte hipótese: MM:60 ; MACD:75 ; MFI:50, ou seja, MM e MACD
positivos e MFI intermediário, gerando resultado de 0.82 (82%) que equivale a posição de
comprar. Essa posição é designada no Matlab, ao percorrer todas as 27 regras utilizadas
para simular o conhecimento do analista financeiro.
Para aplicação do sistema é necessário o estudo dos trading systems, o que ficou
proposto para um futuro trabalho. Com o trading system é possível realizar simulações, em
que nesse exemplo acima, o sistema atuaria no Trading System dando a ordem de compra
do ativo.
A aplicação da Lógica Fuzzy para simular o comportamento humano possui
vasta literatura e tem sido aplicada com sucesso, cada vez mais, em diversas áreas,
destacando-se em controladores fuzzy de processos biológicos e químicos, sistemas de
refrigeração, refinarias, sistemas de ventilação e até na área médica. Ou seja, qualquer
área que se possa trabalhar com incerteza, a Lógica Fuzzy poderá ser aplicada.
30

5 Conclusões

A crescente adoção de sistemas baseados em modelagem matemática na solução de


problemas de engenharia confirma a eficiência desse enfoque. Pesquisas em todo o mundo, no
entanto, surgem objetivando explorar ainda mais esse campo de problemas e soluções. Métodos
que integram mais de um tipo de ciências ou tecnologia, vem destacando-se cada vez mais pela
necessidade em que o avanço tecnológico põe em mão os seres humanos.
Poucos estudos na área financeira foram aplicados, principalmente envolvendo ativos
financeiros e o estudo da previsão de seus comportamentos com a utilização de indicadores
técnicos. O modelo proposto neste trabalho, então, apresentou uma mudança do modelo aplicado
por Cláudio R Tapié em 2008 na simulação do conhecimento especialista substituindo um dos
três indicadores técnicos utilizados no sistema.

5.1 Trabalhos Futuros


A utilização de um Trading System, permite a visualização e o cálculo das operações e
faturamentos nas decisões tomadas. Outros trabalhos que poderiam surgir a partir deste, seria a
sua implementação em um Trading System para a substituição parcial do analista pelo sistema.
Apesar da utilização da Lógica Fuzzy no Sistema de tomada de Decisão para Compra e
Venda de Ativos financeiros fugir do classicismo, é possível que a contribuição desta técnica seja
ainda mais relevante se for utilizada em conjunto com outras técnicas de inteligência artificial,
como, Redes Neurais (ABRAHAM,2001), Algorítimos Genéticos (JACKSON, 1997),
(THAMMANO, 1999) ou Redes Bayesianas.
Essas técnicas poderiam auxiliar na etapa de criação das regras utilizadas na Lógica
Fuzzy, permitindo assim, a montagem de regras de forma dinâmica, as quais poderiam variar ao
longo do tempo. Desta forma, teríamos sistemas híbridos, onde seria possível aproveitar ao
máximo os benefícios de cada técnica. (PEREIRA, 2008).
31
6 Agradecimentos

Este trabalho não teria sido possível sem a colaboração e a boa vontade daqueles a que
agora me refiro. A todos os meus sinceros agradecimentos.
Ao Professor Doutor, Nilomar Vieira de Oliveira, pela forma simpática e acolhedora
como me recebeu como seu orientando e também pela sua dedicada orientação.
A Professora M.a Yachiko Nascimento Wakiyama, de forma muito especial, pelo
sentimento de generatividade que desde início manifestou, por ter sido sempre presente e
prestável e, também, pela simpatia e generosidade com que, diariamente, me “aturou”.
32

7 Referências Bibliográficas

7.1 Livros

ABE, Marcos. Manual de análise técnica: essência e estratégias avançadas. São Paulo:
Novatec, 2009.

SIMOES, Marcelo G.; SHAW, Ian S. Controle e Modelagem Fuzzy 2. Ed.- São Paulo:
Blucher, 2007.

CERBASI, Gustavo. Investimentos Inteligentes. 1. Ed. – Rio de Janeiro: Sextante, 2013.

GOTELLI, Nicholas J. Ecologia. 4.ed. Burlington: PLANTA, 2009

BASSANEZI, Rodney Carlos. Ensino-aprendizagem com modelagem matemática. 4. ed.


– São Paulo: Contexto, 2014.

ÇENGEL, Yunus A.; PALM III, William J. Equações Diferenciais. 1. Ed. – Porto Alegre:
AMGH, 2014.