Visão Geral

Esta estratégia utiliza redes neurais artificiais para prever mudanças futuras de preço, gerando sinais de negociação com base nos resultados da previsão. Trata-se de uma estratégia de seguimento de tendência. A vantagem é a capacidade de identificar tendências não lineares complexas, sendo adequada para negociações de médio a longo prazo. No entanto, existe o risco de bons resultados em backtesting, mas desempenho insatisfatório em negociação ao vivo.

Princípio da Estratégia

A estratégia usa uma Rede Neural Artificial (RNA) para prever a variação percentual do próximo dia.

A camada de entrada possui apenas um nó, representando a variação percentual do dia anterior.

A camada oculta contém duas camadas: a primeira com 5 nós e a segunda com 33 nós, ambas utilizando a tangente hiperbólica (tanh) como função de ativação.

A camada de saída possui um único nó, que após passar por uma função de ativação linear, produz diretamente o resultado da previsão final.

Se o resultado previsto for maior que o valor do parâmetro threshold, um sinal de compra é gerado. Se for menor que o negativo do valor de threshold, um sinal de venda é gerado.

Vantagens da Estratégia

• Uso de modelo RNA para previsão, capaz de ajustar tendências não lineares complexas.
• A entrada utiliza apenas dados de um dia, não exigindo grande quantidade de dados históricos.
• Pode identificar tendências em escalas de tempo mais longas.
• Utiliza múltiplas camadas ocultas, com forte capacidade de ajuste.
• Funções de ativação e parâmetros otimizados, resultando em boa performance preditiva.

Riscos da Estratégia

• O algoritmo RNA apresenta risco de overfitting; o desempenho em negociação ao vivo pode ser inferior ao do backtesting.
• Requer longo histórico de dados para treinamento, não sendo adequado para ações recém-listadas.
• Parâmetros e estrutura precisam de otimização repetida; os resultados podem ser instáveis.
• Prevê apenas a variação de um dia, incapaz de avaliar tendências de longo prazo.
• Quando o mercado entra em período de lateralidade, o desempenho pode piorar.

Direções de Otimização

• Adicionar variáveis de entrada, como informações de volume de negociação.
• Experimentar diferentes estruturas de RNA e funções de ativação.
• Otimizar os parâmetros da RNA para melhorar a precisão do ajuste.
• Aumentar o tamanho da amostra do conjunto de treinamento para evitar overfitting.
• Prever múltiplas escalas de tempo para avaliar tendências de curto e longo prazo.
• Combinar com outros modelos, aprendizado ensemble.
• Utilizar indicadores como volatilidade para reforçar o controle de risco.

Resumo

Esta estratégia utiliza modelos RNA para prever mudanças de preço, sendo capaz de identificar tendências não lineares complexas e adequada para negociações de médio a longo prazo. No entanto, a natureza de caixa-preta do modelo RNA impõe grandes desafios para a negociação ao vivo. Precisamos otimizar aspectos como características de entrada, estrutura do modelo, parâmetros e aprendizado ensemble, além de complementar com indicadores técnicos tradicionais para melhorar a operacionalidade e reduzir riscos reais. Estratégias baseadas em inteligência artificial ainda precisam ser perfeitamente integradas com estratégias tradicionais para maximizar seu efeito.