Modelagem e aplicação de técnicas de aprendizado de máquina para negociação em alta frequência em bolsa de valores

Algoritmos de negociação (algotrading) têm desempenhado um papel importante no mercado de ações eletrônico. Entretanto, esses algoritmos, sem qualquer poder de previsão, não são seguros para realizar suas negociações. Neste contexto, a previsão do mercado de ações sempre foi um tema de pesquisa interessante entre os pesquisadores, principalmente devido ao potencial de ganho ao negociar ações e/ou para compreender as informações originadasdos dados do mercado de ações. Muitos algoritmos de aprendizado de máquina e modelos estatísticos têm sido propostos por pesquisadores para previsão do preço das ações, como também a previsão de movimento do preço das ações. Neste trabalho, desenvolvemos e implementamos um sistema de negociação, que inclui um gerador de sinal de tendência baseado em técnicas de aprendizado de máquina e uma estratégia direcional de negociação (directional strategy), a qual realiza suas operações ao identificar uma tendência de curto prazo.Depois de vários experimentos com diferentes técnicas de aprendizado de máquina, optamos por criar modelos utilizando redes neurais MultiLayer Perceptron (MLP) e um modelo ensemble, que combina duas MLPs, para prever a direção do preço das ações em um curto intervalo de tempo, mais especificamente, para prever uma tendência de alta. Esses modelos atuam como suporte ao algoritmo de negociação proposto neste trabalho. O algoritmo utiliza a saída do modelo para tomar decisões ao realizar suas negociações. O principal objetivo deste trabalho foi modelar e usar técnicas de aprendizado de máquinapara maximizar o retorno obtido pela estratégia de negociação. Utilizando um grande volume de dados (tick data), conduzimos o back-testing e simulação em um simulador realístico da Bolsa de Valores de São Paulo. Através dos resultados empíricos obtidos, mostramos que técnicas de aprendizado de máquina foram capazes de melhorar a eficácia nesse processo de tomada de decisão. Demonstramos que a precisão da previsão e resultados obtidosatravés da simulação realística são melhores com a abordagem ensemble. Os resultados alcançados abriram novas oportunidades de pesquisa: 1) Aperfeiçoar os modelos de previsão para reduzir o número de falso-positivos. Essa redução impacta diretamente nos resultados financeiros obtidos em simulação, pois aumentará a taxa de acertoda estratégia de negociação; 2) Utilizar técnicas de aprendizado de máquina para dar suporte a outros tipos de estratégias de negociação em alta frequência.Algorithmic trading has performed an important rule in the electronic stock market. However, these algorithms or strategies without any forecasting capability are not safe to perform trading. In this context, the stock market prediction was always an interesting research topic for the researchers, mainly due to its capacity of making profit on stock trading and/or in order to understand the information originated from the stock markets data. Many machine learning algorithms and statistic models have been proposed by researchers for forecast of stock price and stock price movement. In this works, it was developed and implemented a trading system, that include a trend signal generator based on machine learning techniques and a directional trading strategy, which perform their operations by identifying a short term trend. After developing many experiments with different machine learning techniques, it was opted for developing models using neural networks called Multilayer Perceptron (MLP) and an ensemble model, which combine two MLPs, to predict uptrends. These models act as a support for the trading algorithm proposed by this work. The algorithm uses the model output for taking decisions on performing trading. This works main objective was to model and use machine learning techniques to maximize the directional trading strategys return. Using a massive volume of tick data, it was conducted back-testing and simulation in a realistic simulator of the Sao Paulos stock market. From the empirics results obtained, it was demonstrated that the machine learning techniques were capable of increasing the effectiveness of the decision making process. It was demonstrated that the predictions precision and the results obtained from the realistic simulation are better with the ensemble approach. The achieved results opened new research opportunities: 1) Improving the forecasting models to reduce the false-positive numbers. This reduction directly impacts on the financial results obtained in simulation, because it is going to increase the trading strategy hit rate; 2) Using machine learning techniques in support of other types of high frequency trading strategies