Desenvolvimento de um modelo de sistema multiagente para previsão de retorno sobre indices de ações

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2010No mundo das finanças, a Teoria dos Mercados Eficientes (TME) afirma que a flutuação do preço dos ativos financeiros é aleatória, sendo assim, não existem maneiras de proteger o investidor, prevendo os futuros movimentos do mercado. Contudo, várias iniciativas empíricas têm demonstrado que a afirmação da TME não é totalmente correta. Entre as frentes de pesquisa que buscam prever os movimentos de ativos financeiros, pode-se destacar a área com um ponto de vista econométrico, que tenta prever movimentos mediante métodos matemáticos e estatísticos, como regressão linear e regressão não linear, bem como as redes neurais. Além disso, em outra área de pesquisa, há a Teoria Multiagente de Modelagem de Mercado (Theory of Multi-Agent Market Modeling) que foca sua atenção na microestrutura do mercado, partindo do princípio de que os movimentos de preços emergem da interação de muitos agentes individuais do mercado. Contudo, esses modelos financeiros baseados em agentes têm algumas limitações. Não é possível adequar os agentes a dados reais do mercado para gerar previsões futuras, pois na maioria dos modelos a tomada de decisão é feita por meio de funções ad-hoc ou mecanismos que não podem ser ajustados a dados externos. Para obter uma previsão real do modelo, é preciso adaptar o mecanismo de decisão dos agentes com modelos econométricos, como as redes neurais, que podem ser ajustadas a séries de dados reais. Dessa forma, por intermédio da interação dos agentes, o modelo de mercado resultante pode capturar a dinâmica oculta do mercado e prever os movimentos futuros com uma eficácia maior do que faria um sistema de regressão não linear isoladamente. Este trabalho propõe um modelo computacional baseado na utilização do comportamento emergente de uma comunidade de agentes de software com mecanismos de decisão cognitiva, baseados em redes neurais, com o objetivo de realizar previsões do comportamento do Índice da Bolsa de Valores de São Paulo # Índice Bovespa. Os agentes da comunidade interagem com um mecanismo de coleta dos valores das 65 ações mais negociadas da Bovespa que compõem o Índice Bovespa, utilizados para computar as previsões de evolução do índice. A fim de validar a hipótese da pesquisa, é feita uma comparação entre os resultados obtidos pelo modelo implementado, com uma abordagem tradicional de previsão baseada exclusivamente em redes neurais. Os resultados obtidos demonstram que as previsões do modelo proposto são mais performáticas do que a previsão isolada do índice baseada exclusivamente em redes neurais, já que o modelo proposto captura melhor a microestrutura do mercado, prevendo um passo a frente de maneira mais eficaz.In finance world , the efficient-market hypothesis (EMH) states that the financial assets have random price fluctuation, so, there are not ways to protect the investor forecasting the future market movements. However, several initiatives have shown that empirical assertion of EMH is not entirely correct. Among the research fronts that seek to predict the movements of financial assets, we can highlight the area with an econometric point of view, which attempts to predict movements through mathematical and statistical methods such as linear regression and nonlinear regression, as well as neural networks. Moreover, in another area of research, we have the Theory of Multi-Agent Market Modeling that focuses attention on the micro-structure of the market, assuming that the price movements emerge from the interaction of many actors in the market. However, these financial models based on agents have some limitations. It is not possible to match agents to actual market data to forecast a step ahead, as in most models of decision making is done through ad-hoc functions or mechanisms that can not be adjusted to external data. For a preview of the real model, you need to adapt the decision-making mechanism of the agents with econometric models such as neural networks, which can be adjusted to actual data sets. Thus, through the interaction of the agents, the market model results can capture the hidden dynamics of the market and predict future movements with greater effectiveness than would a system of non-linear regression alone. This paper proposes a computational model based on the use of emergent behavior of a community of software agents with cognitive decision-making mechanisms base on neural networks in order to make predictions of the behavior of the index of He Stock Exchange of São Paulo # Bovespa Index. The agents of the community interact with one engine collects the values of the 65 most actively traded stocks that comprise the Bovespa Bovespa Index, used to compute the projected trend of the index. In order to validate the hypothesis of the study, a comparison is made between the results obtained by the model implemented with a traditional approach to forecasting based solely on neural networks. The results show that by the proposed model are more performing than the forecast index alone based solely on neural networks, since the proposed model better captures the microstructure of the market, and one step ahead more effectively