Upload
others
View
12
Download
0
Embed Size (px)
Citation preview
CENTRO FEDERAL DE EDUCACcedilAtildeO TECNOLOacuteGICA DE MINAS GERAIS
PROGRAMA DE POacuteS-GRADUACcedilAtildeO EM MODELAGEM MATEMAacuteTICA E COMPUTACIONAL
MODELO MATEMAacuteTICO-COMPUTACIONAL
PARA PREVISAtildeO DE TENDEcircNCIA DE PRECcedilOS
ABORDAGEM COM MUacuteLTIPLOS ATIVOS
BUSCANDO OPORTUNIDADES EM DESVIOS
DA HIPOacuteTESE DE MERCADO EFICIENTE
CHARLENE CAacuteSSIA DE RESENDE
Orientador Arthur Rodrigo Bosco de Magalhatildees
CEFET-MG
BELO HORIZONTE
FEVEREIRO DE 2021
CHARLENE CAacuteSSIA DE RESENDE
MODELO MATEMAacuteTICO-COMPUTACIONAL PARA
PREVISAtildeO DE TENDEcircNCIA DE PRECcedilOS ABORDAGEM
COM MUacuteLTIPLOS ATIVOS BUSCANDO
OPORTUNIDADES EM DESVIOS DA HIPOacuteTESE DE
MERCADO EFICIENTE
Tese apresentada ao Programa de Poacutes-graduaccedilatildeo emModelagem Matemaacutetica e Computacional do Centro Federalde Educaccedilatildeo Tecnoloacutegica de Minas Gerais como requisitoparcial para a obtenccedilatildeo do tiacutetulo de Doutor em ModelagemMatemaacutetica e Computacional
Aacuterea de concentraccedilatildeo Modelagem Matemaacutetica eComputacional
Linha de pesquisa Meacutetodos Matemaacuteticos Aplicados
Orientador Arthur Rodrigo Bosco de MagalhatildeesCEFET-MG
CENTRO FEDERAL DE EDUCACcedilAtildeO TECNOLOacuteGICA DE MINAS GERAIS
PROGRAMA DE POacuteS-GRADUACcedilAtildeO EM MODELAGEM MATEMAacuteTICA E COMPUTACIONAL
BELO HORIZONTE
FEVEREIRO DE 2021
ii
Resende Charlene Caacutessia deR433m Modelo matemaacutetico-computacional para previsatildeo de tendecircncia de preccedilos
abordagem com muacuteltiplos ativos buscando oportunidades em desvios dahipoacutetese de mercado eficiente Charlene Caacutessia de Resende ndash 2021
122 f
Tese de doutorado apresentada ao Programa de Poacutes-Graduaccedilatildeo emModelagem Matemaacutetica e Computacional
Orientador Arthur Rodrigo Bosco de MagalhatildeesTese (doutorado) ndash Centro Federal de Educaccedilatildeo Tecnoloacutegica de Minas
Gerais
1 Mercado de accedilotildees ndash Modelos matemaacuteticos ndash Teses 2 Equaccedilotildeesdiferenciais ndash Teses4 Financcedilas ndash Teses 5 Futuros financeiros ndash Teses6 Probabilidades ndash Teses 7 Simulaccedilatildeo (Computadores) ndash Teses I MagalhatildeesArthur Rodrigo Bosco de II Centro Federal de Educaccedilatildeo Tecnoloacutegica deMinas Gerais III Tiacutetulo
CDD 53013
Elaboraccedilatildeo da ficha catalograacutefica pela bibliotecaacuteria Jane Marangon Duarte CRB 6o 1592 CefetMG
Agradecimentos
Agradeccedilo a Deus por ter abenccediloado todos os dias da minha vida por iluminar meu caminho
e me dar forccedilas para seguir sempre em frente
Agradeccedilo aos meus pais que muitas vezes se doaram e renunciaram aos seus sonhos para
que eu pudesse realizar os meus Quero dizer que essa conquista natildeo eacute soacute minha mas
nossa Tudo que consegui soacute foi possiacutevel graccedilas ao amor apoio e dedicaccedilatildeo que vocecircs
sempre tiveram por mim Sempre me ensinaram agir com respeito simplicidade dignidade
honestidade e amor ao proacuteximo E graccedilas ao trabalho e perseveranccedila os obstaacuteculos foram
ultrapassados e vitoacuterias foram conquistadas
Meu filho Miguel a quem dedico em especial este trabalho que embora pequeno em idade
foi grande em pensamento sabendo apoiar compreender e permitir a minha ausecircncia em
momentos importantes de sua vida Mesmo diante das dificuldades noacutes conseguimos
A toda minha famiacutelia pelo apoio torcida e confianccedila que sempre depositaram em mim
Ao meu orientador Dr Arthur Rodrigo Bosco de Magalhatildees que me acompanhou ao
longo de toda minha formaccedilatildeo acadecircmica Tenho muito orgulho de citaacute-lo como um dos
maiores responsaacuteveis pela conclusatildeo deste trabalho Agradeccedilo pela confianccedila motivaccedilatildeo
inspiraccedilatildeo amizade e conselhos Um exemplo de dedicaccedilatildeo compreensatildeo e competecircncia
Preocupado natildeo soacute com a realizaccedilatildeo do trabalho mas principalmente com o ser humano
Enfim cumpriu o seu papel de forma brilhante Muitiacutessimo obrigada
Meu agradecimento aos docentes do curso pelos conhecimentos e competecircncias que me
transmitiram ao longo deste percurso acadecircmico Em especial agradeccedilo aos professores
Adriano Rodrigo Joseacute Geraldo Albens Acebal e Giovani pelas valiosas sugestotildees
Aos amigos colegas e funcionaacuterios que fizeram parte desta minha longa passagem pelo
CEFET Em especial Dr Nilmar o grande amigo que ganhei nesta caminhada
Ao Programa de Poacutes Graduaccedilatildeo em Modelagem Matemaacutetica Computacional
Ao CEFET-MG e agrave FAPEMIG pelo apoio financeiro
iii
Os sonhos natildeo determinam o lugar onde vo-cecircs vatildeo chegar mas produzem a forccedila neces-saacuteria para tiraacute-los do lugar em que vocecircs es-tatildeo Sonhem com as estrelas para que vocecircspossam pisar pelo menos na Lua Sonhemcom a Lua para que vocecircs possam pisar pelomenos nos altos montes Sonhem com os al-tos montes para que vocecircs possam ter digni-dade quando atravessarem os vales das per-das e das frustraccedilotildees Bons alunos aprendema matemaacutetica numeacuterica alunos fascinantesvatildeo aleacutem aprendem a matemaacutetica da emo-ccedilatildeo que natildeo tem conta exata e que rompea regra da loacutegica Nessa matemaacutetica vocecirc soacuteaprende a multiplicar quando aprende a di-vidir soacute consegue ganhar quando aprende aperder soacute consegue receber quando aprendea se doar
Sem sonhos a vida natildeo tem brilho Sem me-tas os sonhos natildeo tecircm alicerces Sem priori-dades os sonhos natildeo se tornam reais Sonhetrace metas estabeleccedila prioridades e corrariscos para executar seus sonhos Melhor eacuteerrar por tentar do que errar por se omitir
Augusto Cury
iv
Resumo
A teoria econocircmica claacutessica defende que os mercados satildeo eficientes que os preccedilos cami-
nham em direccedilatildeo a um ponto de equiliacutebrio no longo prazo e que natildeo haacute possibilidades de
arbitragens Para investigar esta Hipoacutetese de Mercado Eficiente (HME) definimos um mo-
delo de previsatildeo de tendecircncias de retornos de ativos financeiros baseado em um sistema
de equaccedilotildees diferenciais lineares acopladas discretizado Neste modelo consideramos que
as relaccedilotildees entre os desvios dos preccedilos das accedilotildees em relaccedilatildeo a um preccedilo considerado
justo traz informaccedilatildeo sobre a dinacircmica dos preccedilos das accedilotildees Tais desvios satildeo calculados
utilizando-se a diferenccedila logariacutetmica entre os preccedilos reais e os preccedilos justos modelados
por uma meacutedia moacutevel exponencial Visando a comparaccedilatildeo entre um mercado emergente e
um desenvolvido aplicamos o modelo para a bolsa de valores brasileira e norte-americana
A consistecircncia do modelo foi investigada comparando-se resultados em quadrimestres
diferentes A relaccedilatildeo entre a acuraacutecia do modelo e o expoente de Hurst foi estudada Paracirc-
metros de execuccedilatildeo do modelo tais como janela de ajuste nuacutemero de accedilotildees e frequecircncia
de amostragem dos dados satildeo explorados com o objetivo de encontrar uma combinaccedilatildeo
que apresente taxas de acuraacutecia relevantes Testes de hipoacuteteses foram aplicados aos
resultados da previsatildeo para investigar se o modelo tem uma taxa de acerto de tendecircncia de
preccedilos diferente de um processo totalmente aleatoacuterio Diante dos paracircmetros explorados
escolhemos um conjunto que apresentou resultados satisfatoacuterios e aplicamos o modelo em
simulaccedilatildeo realiacutestica do mercado utilizando uma plataforma de algotrading Na simulaccedilatildeo
definimos dois modelos de operaccedilatildeo para as estrateacutegias de negociaccedilatildeo MO1 e MO2 No
MO1 as operaccedilatildeo satildeo abertas de acordo com o sinal enviado pelo preditor e encerradas no
fechamento do mesmo candle Para MO2 as operaccedilotildees satildeo encerradas por meio de stops
Os resultados foram comparados levando em consideraccedilatildeo indicadores de desempenho
tais como risco de exposiccedilatildeo ao mercado retorno financeiro taxas operacionais e capital
alocado
Palavras-chave Equaccedilotildees Diferenciais Mercado de Accedilotildees Seacuteries Financeiras Hipoacutetese
de Mercado Eficiente Previsatildeo de Tendecircncias Simulaccedilatildeo Realiacutestica Expoente de Hurst
Modelo de previsatildeo
v
Abstract
The classical economic theory argues that markets are efficient that prices move towards a
long-term equilibrium and that there is no possibility of arbitrage To investigate this Efficient
Market Hypothesis (EMH) we defined a model for forecasting trends in financial asset
returns based on a discretized coupled linear differential equation system In this model
we consider that the relationship between stock price deviations from a price considered
fair provides information on the dynamics of stocks prices Such deviations are calculated
using the logarithmic difference between actual and fair prices modeled by an exponential
moving average To compare an emerging and a developed market we applied the model
to the Brazilian and North American stock exchanges The consistency of the model was
investigated by comparing results in different periods of four months The relationship
between model accuracy and Hurst exponent was studied The execution parameters of the
model such as the fitting window number of assets and frequency of data sampling are
explored in order to find a combination that presents relevant accuracy rates Hypothesis
tests were applied to the forecast results to investigate whether the model has a success
rate different than a completely random process Given the parameters explored we chose
a set that presented satisfactory results and applied the model in a realistic simulation
of the market using an algotrading platform In the simulation we defined two operating
models for the trading strategies MO1 and MO2 In MO1 the operations are opened
according to the signal sent by the predictor and closed at the closing of the same candle
For MO2 operations are closed using stops The results were compared taking into account
performance indicators such as risk of exposure to the market financial return operating
rates and allocated capital
Keywords Differential Equations Stock market Financial Series Efficient Market Hypothe-
sis Trend Forecasting Realistic Simulation Hurst exponent Forecasting Model
vi
Lista de Figuras
Figura 1 ndash Histoacuterico de perfil dos investidores pessoas fiacutesicas na Bovespa 4
Figura 2 ndash Organizaccedilatildeo do trabalho 12
Figura 3 ndash Candles do WINZ20 23
Figura 4 ndash Comparaccedilatildeo de preccedilos brutos meacutedias moacuteveis e preccedilos tratados 29
Figura 5 ndash Distribuiccedilatildeo das distacircncias entre as matrizes A em tempos adjacentes 33
Figura 6 ndash Acuraacutecia meacutedia para todas as n accedilotildees que compotildeem os iacutendices Dow
Jones e Ibovespa 39
Figura 7 ndash Acuraacutecia meacutedia para as 10 accedilotildees com maiores participaccedilotildees no
Ibovespa E Dow Jones 41
Figura 8 ndash Exemplo de um formato de um boxplot 43
Figura 9 ndash Boxplot da Acuraacutecia para todas as accedilotildees que compotildeem os iacutendices
Dow Jones e Ibovespa 44
Figura 10 ndash Acuraacutecia meacutedia para diferentes valores de n accedilotildees que compotildeem as
carteiras do Ibovespa e Dow Jones 46
Figura 11 ndash Expoente de Hurst para todas accedilotildees que compotildeem os iacutendices Dow
Jones e Ibovespa 49
Figura 12 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que com-
potildeem os iacutendices Dow Jones e Ibovespa Q1 50
Figura 13 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que com-
potildeem os iacutendices Dow Jones e Ibovespa Q2 51
Figura 14 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 55
Figura 15 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 58
Figura 16 ndash Acuraacutecias obtidas no primeiro quadrimestre de 2017 utilizando vota-
ccedilatildeo meacutedia e sem votaccedilatildeo 63
Figura 17 ndash Acuraacutecias obtidas no segundo quadrimestre de 2017 utilizando vota-
ccedilatildeo meacutedia e sem votaccedilatildeo 64
Figura 18 ndash Fluxograma das estrateacutegias 73
Figura 19 ndash Rendimentos esperados e os efetivamente obtidos para o ano de 2017 84
Figura 20 ndash Rendimentos esperados e os efetivamente obtidos para o ano de 2018 86
Figura 21 ndash Retornos e riscos do modelo de operaccedilatildeo 2 91
Figura 22 ndash Taxas anuais de crescimento do Ibovespa 122
vii
Lista de Tabelas
Tabela 1 ndash Perfil dos investidores pessoa fiacutesica na Bovespa 3
Tabela 2 ndash Coeficientes angulares (β) e os correspondentes coeficientes de
determinaccedilatildeo (r2) 40
Tabela 3 ndash Acuraacutecia do modelo aplicado a diferentes granularidades de tempo
para R = 500 47
Tabela 4 ndash Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo quadri-
mestres para as accedilotildees dos iacutendices Ibovespa e Dow Jones 54
Tabela 5 ndash Acuraacutecias do modelo no primeiro e segundo quadrimestres para a
combinaccedilatildeo das 10 accedilotildees com maiores pesos 57
Tabela 6 ndash Comparaccedilatildeo das acuraacutecias para todas as accedilotildees dos iacutendices Ibo-
vespa e Dow Jones 60
Tabela 7 ndash Acuraacutecias do modelo para as 10 accedilotildees dos iacutendices Ibovespa e Dow
Jones com os melhores a 61
Tabela 8 ndash Taxas de negociaccedilatildeo e de liquidaccedilatildeo da BOVESPA 71
Tabela 9 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2017 76
Tabela 10 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2018 76
Tabela 11 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2018 76
Tabela 12 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2018 77
Tabela 13 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas ano de 2017 78
Tabela 14 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas no ano de 2018 78
Tabela 15 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacio-
nais para o ano de 2017 78
Tabela 16 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacio-
nais para o ano de 2018 79
Tabela 17 ndash Rendimentos do MO1 no ano de 2017 83
Tabela 18 ndash Rendimentos do MO1 no ano de 2018 85
Tabela 19 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de
2017 92
Tabela 20 ndash Resultados da simulaccedilatildeo utilizando stop gain Sg (equaccedilatildeo 49) e loss
Sl (equaccedilatildeo 48) sem taxas para o ano de 2018 93
Tabela 21 ndash Resultados da simulaccedilatildeo utilizando stops com taxas para o ano de
2017 94
viii
Tabela 22 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de
2018 95
Tabela 23 ndash Meacutedia de preccedilos e retornos das accedilotildees 97
Tabela 24 ndash Lotes padratildeo no mercado real e na plataforma de simulaccedilatildeo no ano
de 2017 115
Tabela 25 ndash Lotes padratildeo no mercado real e na plataforma de simulaccedilatildeo no ano
de 2017 116
Tabela 26 ndash Composiccedilatildeo da carteira teoacuterica do Ibovespa 119
Tabela 27 ndash Composiccedilatildeo do iacutendice Dow Jones 120
ix
Lista de Abreviaturas e Siglas
HME Hipoacutetese de mercado eficiente
MO1 Modelo de operaccedilatildeo 1
MO2 Modelo de operaccedilatildeo 2
DFA Detrended fluctuation analysis
DMA Detrending moving average
x
Lista de Siacutembolos e Variaacuteveis
a Acuraacutecia do modelo
ρ Coeficiente de correlaccedilatildeo de Pearson
σ Desvio padratildeo
ε Erro associado
R Quantidade de pontos utilizados no ajuste
a Acuraacutecia meacutedia do modelo
σa Desvio padratildeo da acuraacutecia meacutedia
H Expoente de Hurst
Q Tamanho da janela para calculo de quartis
u4 Representa os dados do quarto quartil
n Nuacutemero de accedilotildees
nr Nuacutemero de retornos
N Nuacutemero de execuccedilotildees (previsotildees)
Nc Nuacutemero de execuccedilotildees (previsotildees) corretas
d Distacircncia
β Coeficiente angular da reta
r2 Coeficiente de determinaccedilatildeo
S Tamanho da janela para calcular meacutedia moacutevel
x Preccedilo bruto
qo Aproximaccedilatildeo para o preccedilo de abertura do candle
qc Aproximaccedilatildeo para o preccedilo de fechamento do candle
x Preccedilo justo
X Preccedilo tratado
xi
T Tendecircncia
ra Retorno (rendimento) acumulado
ra Retorno acumulado para o conjunto de accedilotildees
λ Quantidade de accedilotildees negociadas
∆x Retorno bruto da accedilatildeo
∆X Retorno tratado da accedilatildeo
∆x Retorno previsto bruto da accedilatildeo
∆X Retorno pervisto tratado da accedilatildeo
Sg Stop gain
Sl Stop loss
xii
Sumaacuterio
1 ndash Introduccedilatildeo 1
11 Objetivos 6
12 Organizaccedilatildeo do trabalho 7
2 ndash Delineamento Metodoloacutegico 8
21 Levantamento bibliograacutefico 8
22 Definiccedilatildeo do modelo 8
23 Dados utilizados 8
24 Tratamento dos dados 9
25 Exploraccedilatildeo do modelo 10
26 Simulaccedilatildeo 11
27 Avaliaccedilatildeo dos resultados do modelo 11
3 ndash Trabalhos relacionados 13
31 Hipoacutetese de Mercado Eficiente 13
32 Financcedilas comportamentais 15
33 Trabalhos aplicados em previsatildeo 16
34 Expoente de Hurst 18
4 ndash Fundamentaccedilatildeo teoacuterica 20
41 Fundamentaccedilatildeo teoacuterica em financcedilas 20
411 Indicadores utilizados nas estrateacutegias 24
5 ndash Modelos 27
51 Tratamento dos dados 27
52 Ajuste linear do dados 28
53 Modelo de previsatildeo 32
6 ndash Exploraccedilatildeo do modelo de previsatildeo 37
61 Variaccedilotildees do tamanho de R 37
62 Variaccedilotildees da quantidade de accedilotildees 45
63 Variaccedilatildeo da granularidade 47
64 Anaacutelise da acuraacutecia em funccedilatildeo do expoente de Hurst das seacuteries 48
65 Acuraacutecias em quadrimestres diferentes 52
651 Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo quadri-
mestres de 2017 52
xiii
652 Aplicaccedilatildeo do modelo utilizando a combinaccedilatildeo das 10 accedilotildees com
maiores pesos nos iacutendices Ibovespa e Dow Jones 56
653 Anaacutelise do desempenho do modelo aplicado agraves accedilotildees de melhor
acuraacutecia no quadrimestre precedente 59
66 Votaccedilatildeo 62
67 Consideraccedilotildees gerais 65
7 ndash Simulaccedilatildeo 67
71 Visatildeo geral dos modelos de operaccedilatildeo 68
72 Modelo de operaccedilatildeo 1 74
721 Acuraacutecias 75
722 Simulaccedilatildeo 77
723 Anaacutelise estatiacutestica de resultados financeiros relativos ao MO1 81
724 Consideraccedilotildees sobre MO1 87
73 Modelo de operaccedilatildeo 2 87
74 Consideraccedilotildees finais 96
8 ndash Conclusatildeo 98
81 Trabalhos Futuros 102
Referecircncias 103
Apecircndices 109
APEcircNDICE A ndash Estimaccedilatildeo da matriz de coeficientes pelo meacutetodo dos miacutenimos
quadrados 110
APEcircNDICE B ndash Tabelas lotes padratildeo das accedilotildees 115
Anexos 117
ANEXO A ndash Tabela de accedilotildees que participaram da carteira teoacuterica do Ibovespa
no primeiro quadrimestre de 2017 118
ANEXO B ndash Tabela de accedilotildees que participaram da carteira teoacuterica do Dow Jones
no primeiro quadrimestre de 2017 120
ANEXO C ndash Tabela das taxas anuais de crescimento do Ibovespa 121
xiv
Capiacutetulo 1
Introduccedilatildeo
A teoria econocircmica claacutessica defende que natildeo eacute possiacutevel obter informaccedilotildees de dados
baseando-se em informaccedilotildees passadas que levem a ganhos fora do padratildeo do mercado
(SAMUELSON 1965) Seus teoacutericos defendem que os mercados seriam assim eficientes
e que os preccedilos caminham em direccedilatildeo a um ponto de equiliacutebrio no longo prazo Esta
discussatildeo inclui a definiccedilatildeo da hipoacutetese de mercado eficiente (HME) (MALKIEL FAMA
1970 SHILLER 1980) Tal hipoacutetese considera que natildeo haacute possibilidades de arbitragem
que o mercado descobre o preccedilo correto dos ativos natildeo sendo possiacutevel ganhos acima
da meacutedia sem correr riscos acima da meacutedia Considera tambeacutem que os investidores
satildeo racionais e que toda informaccedilatildeo relevante eacute disponiacutevel e absorvida imediatamente
pelo mercado (MALKIEL FAMA 1970) No entanto um grande nuacutemero de analistas do
mercado especuladores e investidores fundamentalistas ou teacutecnicos estatildeo em busca de
tais informaccedilotildees (FENG et al 2012)
Investigaccedilotildees empiacutericas sobre a eficiecircncia do mercado tecircm sido realizadas em muitos con-
textos utilizando diversas ferramentas estatiacutesticas (BARKOULAS BAUM 1996 GRECH
MAZUR 2004 CAJUEIRO TABAK 2004 ZUNINO et al 2007 CHORDIA ROLL SU-
BRAHMANYAM 2008 BELAIRE-FRANCH OPONG 2010 CAGINALP DESANTIS 2011
CHARLES DARNEacute KIM 2012 AL-KHAZALI PYUN KIM 2012 LAZAR TODEA FILIP
2012 CHOUDHRY JAYASEKERA 2012 CHOUDHRY JAYASEKERA 2014 KATUSIIME
SHAMSUDDIN AGBOLA 2015 NTIM et al 2015 CURME STANLEY VODENSKA 2015
PODOBNIK et al 2006 RESENDE et al 2017) Pesquisas mostram que o mercado natildeo eacute
tatildeo eficiente em termos de absorccedilatildeo de informaccedilatildeo nem toda informaccedilatildeo relevante estaacute
disponiacutevel aos investidores (ROSS 1989 HEALY PALEPU 2001 BRUNNERMEIER 2005)
No estudo realizado por (CAJUEIRO TABAK 2004) os expoentes de Hurst das seacuteries
de paiacuteses desenvolvidos estatildeo bem proacuteximos de 0 5 Jaacute os valores obtidos para paiacuteses
emergentes se distanciam mais deste valor indicando que mercados emergentes satildeo
menos eficientes que mercados desenvolvidos A ineficiecircncia dos mercados emergentes
dentre outros fatores pode estar relacionada agrave baixa liquidez do mercado (CHORDIA ROLL
1
SUBRAHMANYAM 2008 CHUNG HRAZDIL 2010) e ao fluxo de informaccedilatildeo (ROSS 1989
HEALY PALEPU 2001 BRUNNERMEIER 2005) Tambeacutem haacute pesquisas no campo de
financcedilas comportamentais onde o comportamento natildeo racional eacute estudado em detalhes
(KAHNEMAN TVERSKY 1979 SHILLER FISCHER FRIEDMAN 1984) Em (CAGINALP
ERMENTROUT 1990) os autores desenvolveram um modelo utilizando equaccedilotildees dife-
renciais que incorpora o aspecto emocional dos investidores em um mercado financeiro
teoacuterico Indicam que fatores psicoloacutegicos satildeo capazes de influenciar a estabilidade dos
preccedilos evidenciando desvios da hipoacutetese de mercado eficiente
Algoritmos de automatizaccedilatildeo de estrateacutegias e operaccedilotildees tambeacutem tecircm sido foco de vaacuterias
pesquisas na aacuterea Muitos desses trabalhos utilizam redes neurais artificiais para a constru-
ccedilatildeo dos modelos de previsatildeo Em (NAMETALA et al 2016) os autores desenvolveram uma
estrateacutegia automatizada que combina redes neurais artificiais e preditores economeacutetricos
para gerar sinais de compra ou venda por meio de um modelo de negociaccedilatildeo incorporado
ao algoritmo
Pesquisas nestas aacutereas de automatizaccedilatildeo caracterizaccedilatildeo e modelagem de mercados
constituem-se relativamente novas e promissoras pois com o surgimento de novas tec-
nologias e diversas plataformas de negociaccedilatildeo o nuacutemero de pessoas atuando na bolsa
tem aumentado significativamente O cadastro de CPFs na Bolsa brasileira teve um grande
avanccedilo sendo que em maio de 2020 este nuacutemero chegou agrave marca de 2483286 O aumento
pode ainda estar relacionado dentre outros fatores agrave ampla divulgaccedilatildeo e tambeacutem agrave redu-
ccedilatildeo da taxa de juros do paiacutes tornando a renda variaacutevel uma atrativa fonte de investimento
As pessoas fiacutesicas representam 98 86 do total de investidores sendo destes 75 05
homens e 23 81 mulheres O valor investido pelas pessoas fiacutesicas eacute de 303 63 bilhotildees
de reais Ainda de acordo com o relatoacuterio disponibilizado pela Bolsa a maior parte dos
investimentos estaacute concentrada no estado de Satildeo Paulo Os dados com os nuacutemeros de
investidores bem como os valores por estado satildeo mostrados na tabela 1 que foi adaptada
de (BMampFBOVESPA 2020a)
A figura 1 apresenta a evoluccedilatildeo da distribuiccedilatildeo da participaccedilatildeo de homens e mulheres no
total de investidores pessoa fiacutesica na bolsa brasileira A curva azul corresponde aos CPFs
relacionados ao sexo masculino que em todo o periacuteodo apresentado se manteve acima
da curva vermelha que representa a participaccedilatildeo das mulheres na bolsa Para ambos
os perfis percebemos um aumento significativo dos investidores a partir do ano de 2018
Segundo dados da Bovespa (BMampFBOVESPA 2020a) o nuacutemero de CPFs cadastrados na
bolsa brasileira dobrou em 2019 saltando de 813291 para 1681033 O criteacuterio de contagem
considera o CPF cadastrado em cada agente de custoacutedia ou seja pode contabilizar o
mesmo investidor caso ele possua conta em mais de um corretora Entretanto este aumento
no nuacutemero de pessoas eacute bem relevante
2
Tabela 1 ndash Perfil dos investidores pessoa fiacutesica na Bovespa
EstadoContas Valor (R$ bilhotildees)
Homens Mulheres Total Homens Mulheres TotalSP 725848 245265 971113 11615 3426 15042 4954RJ 204690 70602 275292 3536 1212 4748 1564MG 182502 54644 237146 2538 424 2962 975RS 108117 30292 138409 1246 360 1606 529SC 91315 25268 116583 789 206 995 328PR 118032 33968 152000 1071 284 1355 446BA 59552 18373 77925 511 110 622 205DF 65687 23372 89059 620 119 739 243ES 39356 11092 50448 295 058 352 116PE 42806 12570 55376 280 075 355 117CE 36110 10321 46431 224 069 292 096GO 44555 13562 58117 222 046 268 088PB 16386 4761 21147 075 017 093 031MT 20172 5841 26013 113 020 133 044MS 17871 4995 22866 128 016 144 047PA 19571 6147 25718 101 022 123 041RN 17016 4454 21470 090 017 107 035AM 12893 4137 17030 075 014 088 029MA 13847 4135 17982 073 012 085 028AL 10212 2863 13075 047 008 055 018SE 9966 2801 12767 050 010 060 020PI 8512 2456 10968 039 007 046 015RO 7805 2339 10144 034 008 042 014AP 1921 616 2537 008 001 009 003AC 2557 802 3359 011 003 014 004RR 2204 712 2916 008 001 009 003TO 5693 1702 7395 017 003 020 006
Total 1885196 598090 2483286 23817 6546 30363Nota Os dados apresentados satildeo referentes ao perfil dos investidores pessoa fiacutesica naBovespa em 29052020 Os resultados foram segmentados por estados e mostram os
nuacutemeros de contas de pessoas fiacutesicas na Bovespa bem como o saldo financeiro Acontagem dos CPFs de investidores satildeo por agente de custoacutedia Adaptado do site de
serviccedilos da Bovespa Histoacuterico de perfil dos investidores pessoas fiacutesicas de Maio de 2020disponiacutevel em lthttpwwwb3combrpt_brmarket-data-e-indicesservicos-de-dados
market-dataconsultasmercado-a-vistahistorico-pessoas-fisicasgt
3
2002 2004 2006 2008 2010 2012 2014 2016 2018 2020
Anos
0
05
1
15
2
25
Con
tas
106
HomensMulheresTotal
Figura 1 ndash Histoacuterico de perfil dos investidores pessoas fiacutesicas na Bovespa Representaa evoluccedilatildeo do nuacutemero de investidores na Bovespa entre os anos de 2002 a 2020A curva na cor azul corresponde ao nuacutemero de CPFs de investidores do sexomasculino a curva na cor vermelha representa a evoluccedilatildeo da participaccedilatildeo demulheres na Bolsa e a curva na cor verde mostra o total de pessoas fiacutesicas aolongo do periacuteodo
Nem todos os agentes atuantes no mercado tecircm retornos positivos e muitos acabam fracas-
sando e desistindo do mercado uma vez que a renda variaacutevel depende de diversos fatores
tais como gerenciamento de risco definiccedilatildeo de estrateacutegia e ateacute mesmo controle emocional
Desta forma as estrateacutegias automatizadas podem facilitar o ingresso neste cenaacuterio de
grandes oscilaccedilotildees e incertezas com mais assertividade e precisatildeo nas operaccedilotildees Isto nos
incentiva a pesquisar e desenvolver ferramentas que auxiliem na tomada de decisatildeo
Neste contexto motivados pela lacuna deixada pela hipoacutetese de mercado eficiente sugerida
por modelos interessados na previsatildeo de dinacircmicas de mercados (ATSALAKIS K 2013
ATSALAKIS VALAVANIS 2009) e por modelos empenhados na previsatildeo do sinal de
retornos de ativos (NYBERG 2011 ANATOLYEV GOSPODINOV 2012 CHEVAPATRAKUL
2013 POumlNKAuml 2014) propomos tambeacutem um modelo de previsatildeo Este eacute baseado em um
sistema de equaccedilotildees diferenciais lineares acopladas Discretizando o sistema obtemos um
modelo que se assemelha a um modelo de regressatildeo linear multivariado
Neste modelo consideramos que os desvios dos preccedilos brutos das accedilotildees em relaccedilatildeo a um
preccedilo justo satildeo os fatores importantes na nossa anaacutelise Tais desvios seratildeo denominados
4
preccedilos tratados De fato sabemos que existem modelos para precificaccedilatildeo de ativos poreacutem
neste trabalho vamos utilizar meacutedias moacuteveis exponenciais como aproximaccedilatildeo para o preccedilo
justo Assim o preccedilo considerado justo seraacute denominado preccedilo de referecircncia O preccedilo
tratado seraacute dado pela diferenccedila logariacutetmica entre o preccedilo bruto e o preccedilo de referecircncia
Na investigaccedilatildeo utilizamos dados de todas as accedilotildees que compotildeem os iacutendices Dow Jones e
Ibovespa no ano de 2017 O Dow Jones eacute um iacutendice do mercado americano que representa
a negociaccedilatildeo das 30 maiores empresas de capital aberto negociadas neste mercado O
Ibovespa eacute o iacutendice composto em meacutedia por 58 accedilotildees negociadas na bolsa de valores
de Satildeo Paulo Para compor a carteira teoacuterica do Ibovespa as accedilotildees tecircm que atender a
criteacuterios estabelecidos pela BMampFBOVESPA1 relativos agrave liquidez volume de negociaccedilatildeo
participaccedilatildeo nos pregotildees de negociaccedilatildeo e outros As seacuteries utilizadas satildeo compostas por
dados de candles intraday2 onde maiores correlaccedilotildees satildeo esperadas (ALLEZ BOUCHAUD
2011) O iacutendice Ibovespa foi escolhido por ser de um mercado de paiacutes emergente onde
a ineficiecircncia tende a ser mais evidenciada possibilitando assim maiores oportunidades
de sucesso na previsatildeo de tendecircncias de retornos (CAJUEIRO TABAK 2004 ZUNINO et
al 2007) O mercado Americano foi escolhido para contrastar com este cenaacuterio e tambeacutem
devido agrave sua importacircncia
Os paracircmetros do modelo satildeo explorados de forma a definir-se uma combinaccedilatildeo ideal
que apresente resultados relevantes de acuraacutecia na previsatildeo de tendecircncia de retornos das
accedilotildees Nosso objetivo eacute mostrar que o modelo de previsatildeo de tendecircncia apresenta uma
taxa de acuraacutecia superior a um processo totalmente aleatoacuterio Para validar estes resultados
realizaremos anaacutelises estatiacutesticas A hipoacutetese de pesquisa a ser testada eacute que a acuraacutecia
do modelo eacute diferente de 0 5 evidenciando desvio da hipoacutetese de mercado eficiente
Diante dos paracircmetros definidos durante a exploraccedilatildeo do modelo vamos desenvolver
duas estrateacutegias de negociaccedilatildeo e aplicaacute-las no mercado real atraveacutes de uma plataforma
de simulaccedilatildeo Os resultados seratildeo comparados levando em consideraccedilatildeo as variaacuteveis
envolvidas na simulaccedilatildeo tais como risco de exposiccedilatildeo ao mercado retorno financeiro
taxas operacionais e capital alocado
Um problema desafiador que surge no acircmbito das pesquisas em mercados financeiros eacute a
possibilidade de se utilizar teacutecnicas e modelos matemaacuteticos para representar a dinacircmica
dos movimentos dos preccedilos O problema torna-se mais complexo quando envolve teacutecnicas
de previsatildeo de tais valores poreacutem um grande nuacutemero de agentes do mercado estatildeo em
busca destas informaccedilotildees Assim nosso problema neste trabalho eacute desenvolver um modelo
matemaacutetico-computacional para a previsatildeo de tendecircncia de preccedilos no mercado de accedilotildees
brasileiro e no mercado americano
1Bolsa de Valores Mercadorias e Futuros de Satildeo Paulo2Dados dentro de um periacuteodo regular da bolsa (dia)
5
Nesta perspectiva este trabalho Justifica-se como complementaccedilatildeo de outros estudos
que envolvem a combinaccedilatildeo de ferramentas estatiacutesticas redes neurais artificiais e outras
abordagens aplicadas para a modelagem de mercado de accedilotildees podendo assim ser
utilizado em pesquisas futuras
11 Objetivos
Este trabalho tem como objetivo geral apresentar um modelo de previsatildeo de tendecircncias de
preccedilos das accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa buscando oportunidades
em desvios da hipoacutetese de mercado eficiente A pesquisa iraacute contribuir para a compreensatildeo
da dinacircmica dos mercados de accedilotildees
Na decomposiccedilatildeo do objetivo geral destacam-se alguns dentre os principais objetivos
especiacuteficos
bull Desenvolver um modelo capaz de prever tendecircncias de preccedilos com taxas de acertos
superiores a um processo totalmente aleatoacuterio
bull Testar o niacutevel de eficiecircncia de dois mercados com caracteriacutesticas diferentes A investi-
gaccedilatildeo seraacute por meio da anaacutelise de resultados obtidos para Dow Jones e Ibovespa
bull Explorar o modelo de previsatildeo de tendecircncia com o objetivo de encontrar paracircmetros
que retornem os melhores resultados
bull Desenvolver estrateacutegias de negociaccedilatildeo aplicadas ao mercado real em periacuteodos
diferentes utilizando tais paracircmetros
De forma especiacutefica a principal contribuiccedilatildeo deste trabalho eacute favorecer a compreensatildeo
da dinacircmica do mercado de accedilotildees Jaacute sob o ponto de vista social diante do aumento do
nuacutemero de agentes atuando na Bolsa de valores e da queda na taxa de juros podemos
dizer que o mercado de renda variaacutevel tem se tornado atrativo para novos investimentos
impactando assim a forma como as pessoas aplicam as suas economias Por isso eacute
importante verificar a Hipoacutetese de Mercado Eficiente neste cenaacuterio
Neste contexto o modelo de operaccedilatildeo implementado depois de adaptado e validado tam-
beacutem pode contribuir para operaccedilotildees em outros cenaacuterios tais como mercados futuros(doacutelar
e iacutendices) e commodities3 (por exemplo milho feijatildeo cafeacute soja)
3Satildeo produtos de qualidade e caracteriacutesticas uniformes que funcionam como mateacuteria-prima produzidosem escala e que podem ser estocados sem perda de qualidade Seu preccedilo eacute definido de acordo com a ofertae demanda americana
6
12 Organizaccedilatildeo do trabalho
A tese estaacute estruturada em 8 capiacutetulos dois apecircndices e trecircs anexos
No capiacutetulo 1 que eacute o presente capiacutetulo apresentamos a introduccedilatildeo do trabalho Aqui satildeo
introduzidas as etapas e caracteriacutesticas do desenvolvimento da pesquisa
No capiacutetulo 2 descrevemos o delineamento da pesquisa o planejamento do modelo a
exploraccedilatildeo do modelo e a definiccedilatildeo dos dados utilizados nas anaacutelises
No capiacutetulo 3 apresentamos uma breve revisatildeo bibliograacutefica dos trabalhos referentes ao
tema da pesquisa
No capiacutetulo 4 descrevemos alguns conceitos necessaacuterios para a compreensatildeo do trabalho
e as ferramentas computacionais utilizadas
No capiacutetulo 5 apresentamos a formulaccedilatildeo do tratamento dos dados a apresentaccedilatildeo de um
modelo baseado em um sistema de equaccedilotildees diferenciais lineares e a sua adaptaccedilatildeo para
um novo modelo de ajuste de pontos bem como a definiccedilatildeo de um modelo de previsatildeo de
tendecircncia de preccedilos
No capiacutetulo 6 eacute apresentada a exploraccedilatildeo do modelo Neste analisamos os paracircmetros de
entrada com o objetivo de encontrar a combinaccedilatildeo que apresente as melhores acuraacutecias
do modelo na previsatildeo de tendecircncia dos preccedilos
No capiacutetulo 7 mostramos as estrateacutegias de negociaccedilatildeo aplicadas no mercado real Para
a simulaccedilatildeo utilizamos o modelo que retorna um sinal de compra venda ou natildeo opera
apresentado no capiacutetulo 5 Para calibrar o modelo de previsatildeo utilizamos os paracircmetros
explorados no Capiacutetulo 6
No capiacutetulo 8 descrevemos a conclusatildeo bem como os passos futuros do trabalho
O apecircndice A complementa a tese com a descriccedilatildeo da forma de estimar a matriz de
coeficientes por meio da teacutecnica de otimizaccedilatildeo matemaacutetica dos miacutenimos quadrados Jaacute o
apecircndice B conteacutem a tabela de lotes padratildeo de negociaccedilatildeo das accedilotildees na Bovespa
Os anexos A B e C mostram respectivamente a tabela das accedilotildees que participaram da
carteira teoacuterica do Ibovespa no primeiro quadrimestre de 2017 a tabela das accedilotildees que
participaram da carteira teoacuterica do iacutendice Dow Jones tambeacutem no primeiro quadrimestre de
2017 e a tabela das taxas anuais de crescimento do Ibovespa
7
Capiacutetulo 2
Delineamento Metodoloacutegico
Neste capiacutetulo vamos apresentar o delineamento da pesquisa o planejamento a exploraccedilatildeo
do modelo simulaccedilatildeo bem como a definiccedilatildeo dos dados utilizados nas anaacutelises
21 Levantamento bibliograacutefico
A etapa de levantamento bibliograacutefico tem como objetivo contextualizar a pesquisa dentro
do conjunto de atividades cientiacuteficas relacionadas a modelos de previsatildeo desenvolvidos
para o mercado de accedilotildees
22 Definiccedilatildeo do modelo
A definiccedilatildeo do modelo seraacute apresentada no capiacutetulo 5 O modelo de previsatildeo foi definido
baseando-se em um sistema de equaccedilotildees diferenciais lineares acopladas (RESENDE et al
2017) Este sistema foi discretizado de forma a se aproximar de um modelo de regressatildeo
linear multivariado De fato natildeo esperamos que um modelo linear seja capaz de representar
a dinacircmica do mercado financeiro Poreacutem a violaccedilatildeo ou natildeo das premissas de adequaccedilatildeo
a um modelo de regressatildeo natildeo inviabiliza o trabalho uma vez que o objetivo principal deste
eacute prever tendecircncias de preccedilos de accedilotildees A matriz de coeficientes do modelo obtida ateacute o
tempo t seraacute determinada com base em manipulaccedilotildees algeacutebricas expostas por (AGUIRRE
2007) e seraacute utilizada como instrumento para a previsatildeo da tendecircncia dos preccedilos no tempo
t+ 1 Trabalhamos aqui com a hipoacutetese de linearidade local na vizinhanccedila de t
23 Dados utilizados
Para a definiccedilatildeo e exploraccedilatildeo do modelo utilizamos preccedilos de fechamento das accedilotildees que
participaram da composiccedilatildeo da carteira teoacuterica dos iacutendices Dow Jones e Ibovespa com
frequecircncias de 5 10 15 20 e 30 minutos no primeiro e segundo quadrimestres de 2017
8
Na seccedilatildeo 63 vamos analisar todas estas granularidades de tempo e definir a amostra que
apresentar melhores resultados As seacuteries de dados utilizadas foram obtidas na plataforma
Bloomberg 1
Alteraccedilotildees na composiccedilatildeo da carteira do Ibovespa denominadas viradas satildeo realizadas a
cada quadrimestre As inclusotildees e exclusotildees de accedilotildees no iacutendice satildeo realizadas nos meses
de Janeiro Maio e Setembro utilizando como base o uacuteltimo dia de pregatildeo do mecircs anterior
A tabela 26 anexo A mostra as accedilotildees que participaram da carteira teoacuterica do Ibovespa no
primeiro quadrimestre de 2017 02012017 a 28042017 As accedilotildees estatildeo ordenadas de
acordo com a maior porcentagem de participaccedilatildeo no Ibovespa No quadrimestre 2 uma
nova accedilatildeo foi incluiacuteda na carteira alterando assim as porcentagens de participaccedilatildeo das
accedilotildees Poreacutem por simetria e comparaccedilatildeo de resultados decidimos manter as mesmas
accedilotildees e as porcentagens baseados no quadrimestre 1
O iacutendice Dow Jones eacute um dos principais indicadores do mercado americano A sua com-
posiccedilatildeo eacute definida pela meacutedia das 30 maiores e mais importantes empresas do mercado
As accedilotildees que compotildeem o iacutendice satildeo apresentadas na tabela 27 anexo B Alteraccedilotildees na
composiccedilatildeo do iacutendice Dow Jones satildeo pouco frequentes As alteraccedilotildees que aconteceram no
periacuteodo foram em relaccedilatildeo agrave ordem de peso de participaccedilatildeo na carteira Por isso decidimos
manter a ordem de participaccedilatildeo baseada no primeiro quadrimestre de 2017 A Tabela 27
anexo B apresenta as 30 accedilotildees que compotildeem o iacutendice Dow Jones ordenadas de acordo
com a sua porcentagem de participaccedilatildeo na carteira
Para a simulaccedilatildeo realiacutestica apresentada no capiacutetulo 7 utilizamos dados com frequecircncia
de cotaccedilatildeo de 5 minutos das 10 accedilotildees com maior liquidez na Bovespa nos anos de 2017 e
2018 A escolha do mercado brasileiro foi baseada no resultado da exploraccedilatildeo do modelo
(6) sendo este cenaacuterio o que apresentou melhores resultados
24 Tratamento dos dados
Na seccedilatildeo 51 eacute apresentado de forma detalhada o tratamento dos dados No modelo
analisado consideramos que os desvios dos preccedilos em relaccedilatildeo a um preccedilo considerado
justo traz informaccedilotildees sobre a dinacircmica dos preccedilos das accedilotildees Tais desvios satildeo calculados
utilizando-se a diferenccedila logariacutetmica entre o preccedilo bruto e o preccedilo de referecircncia Poreacutem
calcular o preccedilo referecircncia de cada accedilatildeo envolve diversas anaacutelises e variaacuteveis que natildeo
estatildeo no foco do trabalho Por isto utilizamos como alternativa para tal preccedilo uma meacutedia
moacutevel exponencial que seraacute considerada o preccedilo de referecircncia No caacutelculo da aproximaccedilatildeo
para o valor definimos uma janela moacutevel de tamanho 12 composta pelos dados observados
1A Bloomberg eacute uma empresa privada que oferece serviccedilos para profissionais do mercado com foco emsoftware dados e miacutedia financeira privada Foi fundada por Michael Bloomberg em 1981
9
da amostra analisada A escolha do valor de S = 12 foi baseada em aspectos experimentais
de trabalhos anteriores (RESENDE et al 2017) e tambeacutem considerando que em uma hora
de negociaccedilatildeo temos 12 candles com frequecircncia de cotaccedilatildeo de 5 minutos
25 Exploraccedilatildeo do modelo
No capiacutetulo 6 vamos explorar os diversos paracircmetros do modelo Poreacutem o objetivo principal
natildeo eacute encontrar paracircmetros oacutetimos mas sim selecionar uma combinaccedilatildeo que apresente
bons resultados de acuraacutecia2 na previsatildeo de tendecircncia Para isto exploramos as seguintes
combinaccedilotildees de paracircmetros do modelo
bull Variaccedilatildeo do tamanho da janela de pontos utilizada no ajuste
Aplicamos quantidades diferentes de pontos R ao ajuste e definimos baseados nos
resultados um valor considerado satisfatoacuterio como paracircmetro para ajustes futuros
bull Variaccedilatildeo da quantidade de accedilotildees Utilizando a quantidade de pontos definida no
item anterior variamos a quantidade n de accedilotildees envolvidas na anaacutelise O valor inicial
de n foi a combinaccedilatildeo miacutenima de 2 accedilotildees incrementando 1 accedilatildeo na ordem do seu
peso de participaccedilatildeo nas carteiras ateacute o valor maacuteximo de n = 30 para accedilotildees do Dow
Jones e n = 58 para as accedilotildees que compotildeem o Ibovespa
bull Variaccedilatildeo da granularidade dos dados
Analisamos as frequecircncias de cotaccedilotildees de 5 10 15 20 e 30 minutos para avaliar em
qual granularidade o modelo obteacutem as melhores taxas de previsatildeo de tendecircncia
Tambeacutem exploramos o modelo tendo em vista as seguintes anaacutelises
bull Taxas de acerto de tendecircncias em funccedilatildeo do expoente de Hurst
Nesta anaacutelise estamos interessados em estudar o comportamento de persistecircncia
e anti-persistecircncia das seacuteries de preccedilos brutos das accedilotildees e investigar se haacute uma
relaccedilatildeo entre os resultados e o poder de previsibilidade do modelo
bull Taxas de acerto de tendecircncias em quadrimestres diferentes
O intuito desta anaacutelise eacute investigar se as taxas de acertos obtidas no primeiro quadri-
mestre apresentam correlaccedilatildeo com as taxas relativas ao segundo quadrimestre de
2017 Isto nos possibilita verificar a consistecircncia do modelo em diferentes periacuteodos
bull Votaccedilatildeo
Uma votaccedilatildeo entre tendecircncias apontadas pelos ajustes utilizando diferentes quantida-
des de pontos R tambeacutem deve ser elaborada Nesta votaccedilatildeo consideraremos como a
tendecircncia prevista a direccedilatildeo apontada pela maioria dos votantes e empate entre os
votantes como sinal para natildeo abrir novas posiccedilotildees no momento
bull Validaccedilatildeo estatiacutestica dos resultados
Testes de hipoacuteteses seratildeo aplicados aos resultados de taxas de acertos obtidas pelo
2Capiacutetulo 5 equaccedilatildeo (30)
10
modelo A hipoacutetese a ser testada eacute que a acuraacutecia do modelo eacute estatisticamente
diferente de 0 5
26 Simulaccedilatildeo
Depois de explorados e definidos paracircmetros satisfatoacuterios para o modelo no capiacutetulo
de simulaccedilatildeo realiacutestica (capiacutetulo 7) desenvolveremos duas estrateacutegias de negociaccedilatildeo
utilizando tais paracircmetros Estas estrateacutegias seratildeo denominadas modelo de operaccedilatildeo 1
(MO1) e modelo de operaccedilatildeo 2 (MO2) As accedilotildees utilizadas nos modelos de operaccedilatildeo foram
as 10 accedilotildees com maior liquidez no ano de 2017 e 2018 As seacuteries de dados utilizadas foram
de candles de 5 minutos Em ambos os modelos de operaccedilatildeo as posiccedilotildees satildeo abertas
quando o modelo de previsatildeo de tendecircncia envia um sinal natildeo neutro De acordo com este
sinal as operaccedilotildees de compra ou venda descoberta satildeo abertas No modelo de operaccedilatildeo 1
(MO1) as operaccedilotildees satildeo fechadas a cada passo de tempo (fechamento do candle) Jaacute no
modelo de operaccedilatildeo 2 (MO2) as posiccedilotildees satildeo fechadas de acordo com valores de stop
gain e stop loss definidos
27 Avaliaccedilatildeo dos resultados do modelo
A anaacutelise dos resultados obtidos com os modelos de operaccedilatildeo nos permite avaliar as
caracteriacutesticas de cada estrateacutegia apontando as vantagens e desvantagens de cada uma
delas As variaacuteveis levadas em consideraccedilatildeo seratildeo baseadas em risco de exposiccedilatildeo ao
mercado retorno financeiro taxas operacionais e capital alocado A figura 2 mostra as
etapas e organizaccedilatildeo do trabalho descritas anteriormente
11
Tamanho de R
Numero de accedilotildees
Granularidade do dados
Quadrimestres
Expoente de Hurst
Votaccedilatildeo
Revisatildeo
bibliograacutefica
Simulaccedilatildeo
Exploraccedilatildeo do
modelo
Modelo Coleta de dadosTratamento dos
dados
Modelo de
previsatildeo
Resultados
Paracircmetros
MO1 MO2
Figura 2 ndash Organizaccedilatildeo geral do trabalho Na etapa de revisatildeo bibliograacutefica uma pesquisaeacute realizada para identificar o estado da arte do tema abordado bem como asteacutecnicas de previsatildeo utilizadas no mercado de accedilotildees Na parte do modeloapresentamos a formulaccedilatildeo do modelo baseado em um sistema de equaccedilotildeesdiferenciais lineares e a sua adaptaccedilatildeo para um novo modelo de ajuste de pontosa definiccedilatildeo e o tratamento dos dados bem como a definiccedilatildeo de um modelo deprevisatildeo de tendecircncia de preccedilos Na etapa de exploraccedilatildeo o modelo foi testadoem diferentes cenaacuterios investigando a influecircncia do tamanho de R nuacutemero deaccedilotildees granularidade dos dados e outros paracircmetros nos resultados do modeloNa simulaccedilatildeo desenvolvemos duas estrateacutegias de negociaccedilatildeo (MO1 e MO2)baseadas no modelo de previsatildeo e utilizando os paracircmetros definidos Na fasede resultados apresentamos a anaacutelise dos resultados obtidos com os modelosde operaccedilatildeo
12
Capiacutetulo 3
Trabalhos relacionados
Neste capiacutetulo vamos apresentar uma breve revisatildeo bibliograacutefica dos trabalhos relativos ao
tema da pesquisa Na seccedilatildeo 31 vamos relacionar os principais trabalhos sobre Hipoacutetese
de Mercado Eficiente (HME) Na seccedilatildeo 32 apresentaremos trabalhos que exploram a
racionalidade dos agentes do mercado por meio de estudos em financcedilas comportamentais
Nas seccedilotildees 33 e 34 descreveremos alguns trabalhos que investigam desvios da HME por
meio de modelos de previsatildeo e por anaacutelises utilizando algumas ferramentas estatiacutesticas
31 Hipoacutetese de Mercado Eficiente
Em um mercado eficiente os preccedilos dos ativos deveriam assimilar e refletir imediatamente
toda informaccedilatildeo relevante disponiacutevel Esta eacute a denominada Hipoacutetese de Mercado Eficiente
(HME)
De acordo com a HME o comportamento dos investidores eacute racional e natildeo existe memoacuteria
nas seacuteries de preccedilos que possibilite oportunidade de arbitragem A Hipoacutetese de Mercado
Eficiente foi apresentada matematicamente por (SAMUELSON 1965) mostrando que
as flutuaccedilotildees dos preccedilos acontecem de forma aleatoacuteria a expectativa para o preccedilo em
t + 1 eacute o preccedilo no tempo t Seus teoacutericos defendem que os preccedilos caminham para um
ponto de equiliacutebrio e com isso natildeo eacute possiacutevel obter ganhos demasiados sem correr
riscos proporcionais Defendem que toda informaccedilatildeo relevante estaacute disponiacutevel e que logo
eacute absorvida e processada pelo mercado sendo desta forma refletida nos valores dos
ativos (MANTEGNA STANLEY 1999) Os mercados seriam assim capazes de reunir a
sabedoria coletiva e precificar os ativos com precisatildeo
Trecircs formas diferentes de HME satildeo consideradas fraca semi-forte e forte Um mercado eacute
dito eficiente na forma fraca quando toda as informaccedilotildees puacuteblicas disponiacuteveis satildeo absorvidas
imediatamente
13
No niacutevel semi-forte considera-se que o mercado reflete toda a informaccedilatildeo publicamente
disponiacutevel incluindo informaccedilotildees obtidas atraveacutes de demonstraccedilotildees contaacutebeis publicadas
e informaccedilotildees histoacutericas A diferenccedila entre a eficiecircncia semi-forte e a eficiecircncia fraca eacute
que a semi-forte exige dos agentes uma anaacutelise completa de dados fundamentalistas das
empresas Esse tipo de anaacutelise requer um maior embasamento teoacuterico para avaliar com
propriedade empresas ou setores da economia Isso implica conhecimento tempo e custo
o que pode limitar a forma de eficiecircncia do mercado
Um mercado eacute eficiente no sentido forte quando reflete aleacutem das informaccedilotildees publicamente
disponiacuteveis e das histoacutericas de preccedilos as informaccedilotildees privadas Este niacutevel engloba as hipoacute-
teses fraca e semi-forte e considera que os preccedilos refletem imediatamente toda informaccedilatildeo
puacuteblica e privada inerente ao ativo
No entanto considerando todas as caracteriacutesticas um mercado dito eficiente na forma mais
estrita eacute um sistema idealizado Em mercados reais resiacuteduos de ineficiecircncia satildeo observa-
dos Mercados reais satildeo apenas uma aproximaccedilatildeo do mercado eficiente(MANTEGNA
STANLEY 1999) A eficiecircncia de mercado tem sido investigada em muitos contextos utili-
zando uma variedade de ferramentas estatiacutesticas (BARKOULAS BAUM 1996 GRECH
MAZUR 2004 CAJUEIRO TABAK 2004 ZUNINO et al 2007 CHORDIA ROLL SU-
BRAHMANYAM 2008 BELAIRE-FRANCH OPONG 2010 CAGINALP DESANTIS 2011
CHARLES DARNEacute KIM 2012 AL-KHAZALI PYUN KIM 2012 LAZAR TODEA FILIP
2012 CHOUDHRY JAYASEKERA 2012 CHOUDHRY JAYASEKERA 2014 KATUSIIME
SHAMSUDDIN AGBOLA 2015 NTIM et al 2015 CURME STANLEY VODENSKA 2015
PODOBNIK et al 2006) Analistas teacutecnicos tambeacutem acreditam que eacute possiacutevel obter in-
formaccedilatildeo sobre os preccedilos baseados em dados histoacutericos Em financcedilas comportamentais
o comportamento irracional dos investidores tambeacutem tem sido investigado (KAHNEMAN
TVERSKY 1979 SHILLER FISCHER FRIEDMAN 1984)
Desvios da Hipoacutetese de Mercado Eficiente tambeacutem tecircm sido associados a diversos fatores
tais como custos de operaccedilatildeo (LIU 2010) baixa liquidez (CHORDIA ROLL SUBRAH-
MANYAM 2008 CHUNG HRAZDIL 2010) limitaccedilotildees no fluxo de informaccedilatildeo (ROSS
1989 HEALY PALEPU 2001 BRUNNERMEIER 2005) intervenccedilotildees do banco central
(RAFFERTY TOMLJANOVICH 2002 BORDO LANDON-LANE 2013 ALONSO-RIVERA
CRUZ-AKEacute VENEGAS-MARTIacuteNEZ 2014 CHEN HUANG SU 2014) incertezas poliacuteticas
(PASQUARIELLO ZAFEIRIDOU 2014) e crises financeiras (LIM BROOKS KIM 2008)
No estudo realizado por (SHARMA BANERJEE 2015) nos variados setores da Bolsa
de valores de Bombaim1 (BSE) em um periacuteodo de 8 anos (abril 2006 a marccedilo 2014) os
resultados indicam que os dados natildeo satisfazem agrave suposiccedilatildeo de normalidade Mostram
que os retornos dos ativos analisados satildeo guiados por curvas assimeacutetricas e com caudas1Foi fundada em 1875 e eacute a principal bolsa de valores da Iacutendia
14
pesadas indicando tambeacutem que o mercado natildeo segue a hipoacutetese de random walk
Nas proacuteximas seccedilotildees vamos apresentar de forma sucinta alguns trabalhos no contexto
de investigaccedilatildeo de desvios da HME por meio de estudos em financcedilas comportamentais
modelos de previsatildeo e expoente de Hurst
32 Financcedilas comportamentais
No trabalho (KAHNEMAN TVERSKY 1979) Kahneman e Tversky se uniram e seus
estudos foram essenciais para quebrar os paradigmas que existiam em teoria de financcedilas
Satildeo considerados os precursores da chamada economia comportamental Eles estudaram
e exploraram os desvios e falhas de racionalidade na tomada de decisotildees por meio do
comportamento humano no mercado Em 1979 desenvolveram a Teoria da Perspectiva
tambeacutem conhecida como Teoria do Prospecto (Prospect Theory) As teorias racionais
consideram que agentes idealizados tomam decisotildees de forma racional jaacute a Teoria da
Perspectiva surge como um questionamento a esta completa racionalidade dos agentes o
que denominaram de racionalidade limitada
Na teoria apresentada os autores observaram que os agentes tomam suas decisotildees
baseados nos valores de perdas e ganhos e natildeo no resultado final Desta forma tentam
evitar perdas sendo este o foco principal De forma geral satildeo mais impactados pelas
perdas do que pelos ganhos Esta atitude estaacute associada agrave aversatildeo ao risco prolongando
posiccedilotildees em ativos perdedores para evitar assumir prejuiacutezo Diante disso formularam a
Teoria da Perspectiva que eacute uma criacutetica agrave Teoria da Utilidade (KAHNEMAN TVERSKY
1979) Em resumo a Teoria da Perspectiva tem como objetivo estudar o comportamento de
tomada de decisatildeo humana no mercado Jaacute a Teoria da Utilidade tem como objetivo mostrar
qual a melhor decisatildeo a ser tomada A Teoria da Perspectiva concebe que os agentes tecircm
mais aversatildeo ao risco sendo que tendem a evitar perder algo a ganhar sendo assimeacutetrica
a relaccedilatildeo ganho e perda Jaacute a Teoria da Utilidade considera que perdas e ganhos tecircm o
mesmo efeito e magnitude
A anaacutelise sugere que um agente que natildeo aceita a perda e tem uma falha de adaptaccedilatildeo
estaacute sujeito a aceitar apostas mais arriscadas que provavelmente natildeo seriam aceitas em
outras circunstacircncias (KAHNEMAN TVERSKY 1979) Na anaacutelise tambeacutem realizada por
(TVERSKY KAHNEMAN 1991) a aversatildeo agraves perdas (loss aversion) eacute investigada e sugere
que o impacto das desvantagens eacute maior que vantagens auferidas implicando aversatildeo
dos agentes a perdas e realccedilando a assimetria da funccedilatildeo de utilidade de ganhos e perdas
Outra observaccedilatildeo foi que quando o preccedilo estaacute aumentando o impacto na decisatildeo de
consumo eacute maior A relutacircncia para aceitar perdas foi observada nos agentes Um estudo
no mercado de accedilotildees mostrou que o nuacutemero de operaccedilotildees aumenta quando o mercado
15
estaacute em tendecircncia de alta sendo assim a propensatildeo a compras eacute maior quando o preccedilo
do ativo estaacute subindo (TVERSKY KAHNEMAN 1991)
Na mesma linha os autores de (MERKLE MUumlLLER-DETHARD WEBER 2020) desenvolve-
ram experimentos para analisar a exposiccedilatildeo ao risco depois de realizadas e natildeo realizadas
perdas e tambeacutem para investimentos com diferentes assimetrias O estudo explorava os
desvios e falhas de racionalidade na tomada de decisotildees Os resultados de tais experimen-
tos evidenciaram que os agentes se expotildeem a riscos menores depois de perdas realizadas
e mais riscos depois de perdas ainda natildeo realizadas definido como efeito de realizaccedilatildeo
No trabalho publicado por (KAHNEMAN et al 2016) os autores exploram o conceito de
ruiacutedos como fonte de inconsistecircncia e irracionalidade em resultados Argumentam que
algoritmos estatildeo menos propensos a apresentarem tais ruiacutedos e vieses nas tomadas de
decisotildees
No estudo (HOMMES KOPAacuteNYI-PEUKER SONNEMANS 2020) desenvolveram um experi-
mento com grupos de agentes do mercado e investigou-se a formaccedilatildeo de bolhas nos preccedilos
No experimento observaram que o contaacutegio atraveacutes de notiacutecias afeta o comportamento
de tais agentes Por outro lado no trabalho (FAN et al 2009) os autores desenvolveram
um modelo baseado em autocircmatos celulares para descrever a dinacircmica do mercado de
accedilotildees e investigar se o grau de imitaccedilatildeo entre os agentes influencia a complexidade e
estabilidade do mercado Os resultados obtidos com o mercado simulado sugerem que haacute
uma correlaccedilatildeo entre tais fatores Tambeacutem observaram que quando o comportamento dos
agentes eacute distribuiacutedo de forma aleatoacuteria o mercado tende a ser mais estaacutevel
Em (CAGINALP ERMENTROUT 1990) os autores desenvolveram um modelo utilizando
equaccedilotildees diferenciais que incorpora o aspecto emocional dos investidores em um mercado
financeiro teoacuterico Resultados indicaram que fatores psicoloacutegicos satildeo capazes de influenciar
a estabilidade dos preccedilos evidenciando desvios da hipoacutetese de mercado eficiente
33 Trabalhos aplicados em previsatildeo
Haacute na literatura uma abundacircncia de artigos interessados na previsatildeo da dinacircmica do
mercado Alguns dos trabalhos estudados utilizam teacutecnicas computacionais interessados
na possibilidade de explorar possiacuteveis desvios de eficiecircncia do mercado e com isso obter
estimativas razoaacuteveis para preccedilos futuros
No trabalho (CARBONE CASTELLI STANLEY 2004) os autores argumentam que a
modelagem para previsatildeo de retorno e volatilidade de preccedilos eacute a principal tarefa da pesquisa
financeira A atividade neste sentido tem sido mantida pela suposiccedilatildeo de que muitas
seacuteries financeiras temporais apresentam algum padratildeo de correlaccedilatildeo e pela oportunidade
16
de arbitragem Se correlaccedilatildeo de longo prazo estaacute presente nas seacuteries de retornos de
ativos financeiros entatildeo a hipoacutetese de que o preccedilo segue um caminho completamente
aleatoacuterio natildeo eacute vaacutelida (CAJUEIRO TABAK 2004) Podemos destacar algumas contribuiccedilotildees
relacionadas agrave aacuterea de previsatildeo realizada por (RECHENTHIN STREET 2013) e (OLIVEIRA
NOBRE ZARATE 2013) Na primeira contribuiccedilatildeo os autores realizam um estudo utilizando
probabilidade condicional para identificar continuidade e reversatildeo de tendecircncias de preccedilos
em dados de negociaccedilotildees em alta frequecircncia O estudo eacute realizado para os dados dos
preccedilos do fundo de accedilotildees do SampP 500 para as frequecircncias de cotaccedilotildees de 1 3 5 10 e 20
segundos e 1 5 e 30 minutos Os autores concluem que o mercado apresenta ineficiecircncia
ateacute aproximadamente 30 minutos Para intervalos maiores o mercado analisado caminha em
direccedilatildeo a se tornar mais eficiente Jaacute na contribuiccedilatildeo (OLIVEIRA NOBRE ZARATE 2013)
os autores desenvolveram um modelo baseado em redes neurais artificiais As entradas da
rede satildeo alguns indicadores teacutecnicos e fundamentalistas juntamente com a seacuterie de preccedilos
da accedilatildeo preferencial da Petrobraacutes (PETR4) e a saiacuteda da rede eacute o preccedilo previsto As taxas
de acerto do preccedilo e de sua tendecircncia para as configuraccedilotildees das redes e os periacuteodos
apresentados satildeo satisfatoacuterias
Na referecircncia (ATSALAKIS VALAVANIS 2009) os autores realizam uma revisatildeo de artigos
baseados em modelos que utilizam teacutecnicas derivadas de redes neurais e fuzzy aplicadas na
previsatildeo de valores de mercados Nesta contribuiccedilatildeo satildeo apresentados diversos trabalhos
que satildeo classificados de acordo com o tipo de processamento de dados as variaacuteveis de
entrada tamanho da amostra tipo e caracteriacutestica da teacutecnica de implementaccedilatildeo bem como
meacutetodo de treinamento e validaccedilatildeo Os artigos aplicam os diferentes modelos na previsatildeo
de accedilotildees especiacuteficas portfoacutelios e iacutendices de mercados desenvolvidos e emergentes Os
autores encontraram dificuldades na definiccedilatildeo dos modelos em relaccedilatildeo agrave estrutura das
redes no que se refere agrave quantidade de camadas neurocircnios e outras paracircmetros
Na referecircncia (ATSALAKIS K 2013) o autor analisa 150 artigos cientiacuteficos que utilizam
teacutecnicas de previsatildeo de mercados de accedilotildees baseadas em modelos autoregressivos (AR)
meacutedia moacutevel (MA) autoregressivo com meacutedia moacutevel (ARMA) autoregressivo integrado com
meacutedia moacutevel (ARIMA) autoregressivo generalizado condicional (GARCH) dentre outros
Na revisatildeo satildeo observadas as teacutecnicas de processamento e tratamento dos dados bem
como os resultados e anaacutelise estatiacutestica dos modelos
No trabalho (GARCIA et al 2020) os autores natildeo argumentam que o mercado pode ser
representado por uma dinacircmica linear mas baseiam-se na suposiccedilatildeo de que possa existir
componentes lineares na dinacircmica das seacuteries Baseados nisso propotildeem um modelo para
capturar tal comportamento atraveacutes de um oscilador harmocircnico amortecido em que tentam
descrever a dinacircmica das oscilaccedilotildees de preccedilos comumente observadas no mercado pela
suposiccedilatildeo de que os preccedilos retornam a um preccedilo justo assimilando a restauraccedilatildeo das
17
forccedilas Os paracircmetros obtidos na janela analisada satildeo utilizados como estimativas para
fazer a previsatildeo dos preccedilos futuros adjacentes
Na referecircncia (MEI et al 2017) os autores realizam um estudo para investigar a melhora
na previsatildeo de volatilidade do mercado de accedilotildees utilizando dados de alta frequecircncia e
incorporando assimetria e curtose como variaacuteveis adicionais aos modelos de volatilidade
comuns Argumentam que o uso de dados de alta frequecircncia permite melhor compreensatildeo
da dinacircmica dos preccedilos facilitando a previsatildeo de volatilidade e com isso melhorando a
alocaccedilatildeo de portfoacutelio e o gerenciamento de risco
No trabalho apresentado em (NELSON PEREIRA OLIVEIRA 2017) os autores estudam o
uso de redes neurais recorrentes em particular a rede LSTM (Long-Short term memory)
para a previsatildeo de tendecircncias de preccedilos de accedilotildees utilizando dados histoacutericos e tambeacutem
a combinaccedilatildeo de indicadores da anaacutelise teacutecnica A investigaccedilatildeo foi realizada no mercado
brasileiro para dados com frequecircncia de cotaccedilatildeo de 15 minutos para as accedilotildees que compotildeem
o iacutendice Ibovespa no periacuteodo avaliado As acuraacutecias obtidas satildeo avaliadas de acordo com
meacutetricas estabelecidas e comparadas com outros modelos de previsatildeo tradicionais que
tambeacutem utilizam redes neurais De acordo com os autores os resultados satildeo promissores
Algoritmos de automatizaccedilatildeo de estrateacutegias e operaccedilotildees tambeacutem tecircm sido foco de vaacuterias
pesquisas na aacuterea Muitos destes trabalhos utilizam redes neurais artificiais para a constru-
ccedilatildeo dos modelos de previsatildeo Em (NAMETALA et al 2016) os autores desenvolveram uma
estrateacutegia automatizada que combina redes neurais artificiais e preditores economeacutetricos
para gerar sinais de compra ou venda por meio de um modelo de negociaccedilatildeo incorporado
ao algoritmo
A previsatildeo da direccedilatildeo dos preccedilos de ativos em mercados de accedilotildees eacute uma tarefa complicada
e tem sido um grande desafio mas que tem chamado a atenccedilatildeo de pesquisadores e agentes
de mercado tornando-se um campo de pesquisas promissoras Assim as pesquisas natildeo se
limitam apenas a estes trabalhos citados aqui Um amplo conjunto de teacutecnicas e modelos
de vaacuterias aacutereas tem sido empregado neste cenaacuterio com o objetivo de entender e modelar o
movimento deste sistema dinacircmico e complexo que eacute o mercado
34 Expoente de Hurst
O expoente de Hurst foi resultado de estudos realizados pelo hidroacutelogo britacircnico Harold
Edwin Hurst para o projeto de uma represa em meados 1951 Neste ele verificou que
alguns fenocircmenos da natureza natildeo se comportavam de maneira aleatoacuteria Tais fenocircmenos
observados possuiacuteam uma dependecircncia dentre eles as flutuaccedilotildees do rio Nilo e a partir
disso ele criou o meacutetodo para verificar a dependecircncia de longo alcance
18
Os modelos econocircmicos apresentados nos artigos (CARBONE CASTELLI STANLEY
2004) e (CAJUEIRO TABAK 2004) testam a hipoacutetese de mercado eficiente utilizando a
metodologia do expoente de Hurst O expoente de Hurst eacute calculado utilizando dados de
seacuteries temporais com o objetivo de observar o seu comportamento O resultado assume
valores entre 0 e 1 Valores proacuteximos de 1 indicam persistecircncia valores proacuteximos de zero
indicam anti-persistecircncia e valores proacuteximos de 0 5 indicam que a seacuterie natildeo possui tendecircn-
cia Uma vez que o meacutetodo DFA objetiva retirar tendecircncias das seacuteries quando ele eacute usado
a interpretaccedilatildeo sobre persistecircncia e anti persistecircncia vale para as seacuteries sem tendecircncia No
artigo (CARBONE CASTELLI STANLEY 2004) os autores calcularam o expoente de Hurst
para seacuteries artificiais de fractais e em seacuteries dos log retornos do DAX2 e BOBL 3 utilizando
o meacutetodo DFA (detrended fluctuation analysis) e DMA (detrending moving average) Para
as seacuteries de preccedilos reais de ativos encontraram valores fora da faixa de variabilidade local
indicando que o mercado natildeo segue o movimento browniano Este resultado contraria a
Hipoacutetese de Mercado Eficiente onde os expoentes devem ser proacuteximos de 0 5 Jaacute no
artigo (CAJUEIRO TABAK 2004) com o objetivo de mostrar que mercados emergentes
satildeo menos eficientes que mercados desenvolvidos os autores calculam o expoente de
Hurst das seacuteries dos iacutendices de 11 mercados emergentes e de 2 paiacuteses desenvolvidos
Como resultado encontraram que a dinacircmica do expoente de Hurst para paiacuteses desen-
volvidos se aproxima de passeio aleatoacuterio sem vieacutes flutuando em torno do valor 0 5 Nos
paiacuteses emergentes os valores dos expoentes apresentam uma maior variaccedilatildeo indicando
certos niacuteveis de ineficiecircncia com predominacircncia de persistecircncia Ainda de acordo com
(CAJUEIRO TABAK 2004) a maior ineficiecircncia em mercados emergentes pode estar
relacionada a algumas caracteriacutesticas que os diferenciam dos mercados desenvolvidos
relacionadas agrave velocidade de propagaccedilatildeo de informaccedilotildees ao fluxo de capitais e agrave eficiecircncia
no processo de negociaccedilatildeo Na mesma linha os autores do artigo (CAGINALP DESANTIS
2011) afirmam que em um paiacutes em desenvolvimento em um mercado de accedilotildees em iniacutecio
de implantaccedilatildeo pode ser esperada ineficiecircncia devida agrave dificuldade de capitalizaccedilatildeo dos
ativos ao menor nuacutemero e agrave falta de experiecircncia dos investidores Quanto agrave ineficiecircncia
atribuiacuteda agrave quantidade de capital disponiacutevel resultados experimentais mostram que um
desbalanceamento entre a quantidade de capital e de ativos pode levar o mercado a preccedilos
incorretos (CAGINALP 2002) Esse resultado sugere que o preccedilo negociado no mercado eacute
reflexo tambeacutem do fluxo de recursos e natildeo apenas do preccedilo verdadeiro do ativo Outros
resultados experimentais que indicam a ineficiecircncia de mercado podem ser encontrados
em (CAGINALP PORTER SMITH 2000)
2Iacutendice que representa as 30 maiores empresas de capital aberto da Alemanha3Tiacutetulo do governo federal alematildeo
19
Capiacutetulo 4
Fundamentaccedilatildeo teoacuterica
Neste capiacutetulo vamos descrever de forma sucinta alguns conceitos de financcedilas necessaacuterios
para a compreensatildeo do trabalho O mercado de capitais eacute um amplo sistema financeiro que
envolve diversas variaacuteveis que natildeo seratildeo contempladas neste trabalho Vamos concentrar
nossos estudos no mercado de accedilotildees por isso vamos estender as discussotildees para
definiccedilotildees relacionados a este mercado
41 Fundamentaccedilatildeo teoacuterica em financcedilas
O mercado financeiro eacute um extenso sistema que envolve diversos tipos de mercados dentre
eles o mercado de renda variaacutevel que eacute aquele em que natildeo se pode dimensionar os
resultados do investimento no momento da aplicaccedilatildeo As accedilotildees satildeo tiacutetulos especiacuteficos
deste mercado de renda variaacutevel Satildeo fraccedilotildees do capital social de uma empresa de capital
aberto (sociedade anocircnima) Cada empresa tem o seu coacutedigo de negociaccedilatildeo na bolsa
que no Brasil geralmente eacute dado por quatro letras seguidas de um nuacutemero Podem ser
negociadas em lotes padratildeo ou fracionaacuterio Elas podem ser do tipo ordinaacuterias (ON) ou
preferenciais (PN) As principais diferenccedilas entre os dois tipos eacute que a preferencial tem
preferecircncia no recebimento de proventos e tambeacutem preferecircncia e reembolso de capital em
caso de liquidaccedilatildeo da empresa jaacute a ordinaacuteria concede direito a voto nas assembleacuteias de
acordo com o volume de participaccedilatildeo em ativos A remuneraccedilatildeo aos acionistas eacute dada por
meio de proventos como dividendos juros sobre capital proacuteprio bonificaccedilotildees e direito de
subscriccedilatildeo Os dividendos correspondem ao valor de parte do lucro obtido pela empresa
que eacute distribuiacutedo aos acionistas Juros sobre capital proacuteprio satildeo valores pagos em dinheiro
poreacutem deduzido do lucro tributaacutevel da empresa Do ponto de vista do acionista a diferenccedila
do recebimento entre os dois eacute que os dividendos natildeo tem incidecircncia de imposto de renda jaacute
os juros sobre capital proacuteprio tem uma aliacutequota de 15 sobre o valor recebido A bonificaccedilatildeo
eacute quando a empresa distribui a cada acionista uma quantidade de accedilotildees proporcional
agraves possuiacutedas em custoacutedia A subscriccedilatildeo confere ao acionista o direito de adquirir uma
20
quantidade proporcional agraves suas a um preccedilo preestabelecido pela empresa
As negociaccedilotildees em accedilotildees no Brasil satildeo realizadas na B3 comumente conhecida como
Bovespa que eacute a bolsa de Valores Mercadorias e Futuros de Satildeo Paulo que atua no
segmento BMampFBOVESPA A B3 administra uma uacutenica plataforma de negociaccedilatildeo multiativos
ndash o PUMA Trading System Atraveacutes deste sistema satildeo realizadas as operaccedilotildees com ativos
de renda variaacutevel renda fixa derivativos e commodities (BMampFBOVESPA 2020b) Os
custos transacionais para operar accedilotildees na B3 satildeo taxa de corretagem e emolumentos que
satildeo divididos em taxa de liquidaccedilatildeo negociaccedilatildeo e registro O imposto de renda eacute cobrado
sobre o valor do ganho nas operaccedilotildees sendo 20 para day trade e 15 em operaccedilotildees
comuns
O Ibovespa eacute o principal iacutendice de accedilotildees da B3 Eacute composto por uma carteira teoacuterica
contendo em meacutedia sessenta principais accedilotildees listadas na bolsa sendo um importante indi-
cador de desempenho destas empresas A cada quatro meses a composiccedilatildeo eacute reavaliada
e as accedilotildees satildeo incluiacutedas (excluiacutedas) de acordo com os criteacuterios descritos na sua metodo-
logia de seleccedilatildeo levando em consideraccedilatildeo o nuacutemero de negoacutecios e o volume financeiro
(BMampFBOVESPA 2015) A composiccedilatildeo do Ibovespa em janeiro de 2017 eacute apresentada
na tabela 26 anexo A Jaacute o Dow Jones tambeacutem referenciado como Dow Jones Industrial
Average eacute um iacutendice do mercado americano que representa a negociaccedilatildeo das 30 maiores e
mais importantes empresas de capital aberto negociadas A sua composiccedilatildeo em janeiro de
2017 eacute apresentada na tabela 27 anexo B O Dow Jones eacute um dos principais indicadores
do movimento do mercado americano e tem grande influecircncia sobre outros mercados tal
como o mercado brasileiro
As negociaccedilotildees no mercado de accedilotildees satildeo realizadas por meio de ordens lanccediladas na
corretora e que posteriormente satildeo enviadas agrave bolsa As ordens podem ser enviadas
atraveacutes do home broker que eacute uma plataforma oferecida pelas corretoras para possibilitar
a conexatildeo e o envio de ordens agrave bolsa ou atraveacutes de outras plataformas de negociaccedilatildeo
contratadas pelos agentes As ordens enviadas podem ser do tipo a mercado ordem limite
ou ordem stop Na ordem a mercado a operaccedilatildeo eacute realizada no preccedilo atual do ativo Na
ordem limite o preccedilo eacute definido e a operaccedilatildeo soacute ocorreraacute se o valor for atingido ou em casos
especiacuteficos em um preccedilo melhor do que o definido Jaacute na ordem stop eacute possiacutevel enviar
ordens com valores de ganhos (perdas) preacute definidos para uma operaccedilatildeo Nesta opccedilatildeo
as ordens soacute seratildeo disparadas quando o preccedilo for atingido Os stops satildeo ferramentas
de seguranccedila utilizadas para controlar a perda maacutexima aceitaacutevel (stop loss) e o ganho
almejado (stop gain) definido para uma estrateacutegia O perfil do investidor pode ser definido
como conservador moderado ou agressivo (arrojado) de acordo com a sua toleracircncia a
riscos
As operaccedilotildees no mercado de accedilotildees brasileiro podem ser classificadas com base na
21
frequecircncia em que realizam-se as transaccedilotildees Day trade eacute uma estrateacutegia de curta duraccedilatildeo
em que as posiccedilotildees em ativos satildeo abertas e fechadas em um mesmo dia Swing trade eacute
modalidade em que as operaccedilotildees satildeo fechadas em intervalos menores de dias geralmente
de dois a cinco dias Jaacute em operaccedilotildees de position trade as transaccedilotildees satildeo realizadas em
frequecircncias maiores pensando em longo prazo
No mercado de accedilotildees o retorno eacute dado pela diferenccedila percentual entre o preccedilo no tempo
t e t minus 1 Eacute usual considerar-se retornos logariacutetmicos que satildeo dados pela diferenccedila dos
logaritmos dos preccedilos no tempo t e tminus 1 A volatilidade estaacute relacionada agrave amplitude de
variaccedilatildeo destes retornos Quanto mais os preccedilos de um ativo variam em um intervalo de
tempo maiores as possibilidades de ganhos ou perdas em operaccedilotildees Em alguns modelos
a volatilidade eacute utilizada como medida de risco da estrateacutegia Jaacute a liquidez de um ativo
refere-se agrave capacidade deste converter-se em dinheiro sem perdas em relaccedilatildeo a isso
Quanto maior a liquidez menor a diferenccedila (spread) do preccedilo entre as ofertas de compra e
venda de um ativo
Seacuterie temporal eacute um conjunto de observaccedilotildees (dados) armazenadas ao longo de um
intervalo de tempo No mercado de accedilotildees as seacuteries podem ser compostas por valores de
fechamento abertura maacuteximo miacutenimo volume e outros dados de ativos Satildeo importantes
para a realizaccedilatildeo de backtests anaacutelises empiacutericas e caracterizaccedilatildeo de movimento e
oscilaccedilatildeo do mercado Tambeacutem satildeo utilizadas por analistas teacutecnicos na composiccedilatildeo de
graacuteficos
No mercado de accedilotildees existem duas metodologias de anaacutelises amplamente utilizadas e
que satildeo comumente chamada de escolas de anaacutelises teacutecnicas e fundamentalistas Anaacutelise
teacutecnica baseia-se na suposiccedilatildeo de que preccedilos passados podem ajudar a prever o movimento
futuro e para tanto utilizam-se graacuteficos para definir a dinacircmica dos preccedilos dos ativos Natildeo
leva em consideraccedilatildeo informaccedilotildees fundamentalistas das empresas pois acredita que o
graacutefico jaacute estaacute precificado com tais informaccedilotildees O candle (candlestick ) eacute a ferramenta da
anaacutelise teacutecnica mais utilizada no mercado de accedilotildees Representa graficamente a variaccedilatildeo do
preccedilo em um determinado intervalo de tempo Eacute formado por um corpo e sombras inferior e
superior sendo possiacutevel representar o preccedilo de abertura fechamento maacuteximo e miacutenimo na
frequecircncia analisada Na figura 3 mostramos os candles diaacuterios para o contrato futuro de
mini iacutendice no mecircs de outubro de 2020 Os candles na cor vermelha indicam que a abertura
foi maior que o fechamento sendo um candle de baixa Os candles na cor verde indicam
que a abertura foi menor que o fechamento sendo assim de alta As sombras inferiores
(superiores) tambeacutem denominadas pavios representam os valores miacutenimos (maacuteximos) na
frequecircncia analisada
22
0 2 4 6 8 10 12 14 16 18 20 22
Dias
93
94
95
96
97
98
99
10
101
102
103P
onto
s104
Figura 3 ndash Candles do WINZ20 Representa os dados da seacuterie de pontos diaacuterios do contratofuturo do mini iacutendice no mecircs de outubro de 2020 Os candles na cor vermelhaindicam que a abertura foi maior que o fechamento Candles na cor verde indicamque a abertura foi menor que o fechamento As sombras inferiores (superiores)indicam o valor miacutenimo (maacuteximo) do intervalo
A anaacutelise fundamentalista leva em consideraccedilatildeo vaacuterias informaccedilotildees financeiras para projetar
resultados futuros no meacutedio e longo prazo As projeccedilotildees satildeo baseadas principalmente em
interpretaccedilotildees de dados e indicadores disponibilizados atraveacutes de balanccedilos da empresa
Em ambas as anaacutelises eacute possiacutevel desenvolver um modelo e realizar um backtest utilizando
dados histoacutericos relevantes O backtest serve para testar a estrateacutegia e verificar como
ela se comportou em dados passados e com base nestes resultados tentar aplicar em
dados futuros com a perspectiva de que os resultados seratildeo aproximadamente replicados
Algumas plataformas que possibilitam o backtest apresentam certas limitaccedilotildees tais como
natildeo considerar execuccedilatildeo de ordem no preccedilo pior do que o esperado (slippage) natildeo simular
a fila do livro de ofertas natildeo replicar momentos de grande volatilidade e liquidez do ativo
bem como natildeo considerar a diferenccedila vigente entre o menor preccedilo de venda e o maior
preccedilo de compra (spread) Outro problema do backtest eacute a super otimizaccedilatildeo (overfit) que
23
consiste em trabalhar em um certo periacuteodo e otimizar todos os paracircmetros da estrateacutegia
para obter uma boa condiccedilatildeo naquele intervalo poreacutem em periacuteodos diferentes a estrateacutegia
natildeo apresenta bons resultados
Na nossa simulaccedilatildeo utilizamos alguns indicadores retornados pela plataforma de simulaccedilatildeo
que geralmente satildeo utilizados para avaliar o desempenho dos investimentos Estes seratildeo
descritos na seccedilatildeo seguinte
411 Indicadores utilizados nas estrateacutegias
Nesta seccedilatildeo vamos descrever os indicadores utilizados para medir o desempenho das
estrateacutegias que seratildeo apresentadas no capiacutetulo 7 Os caacutelculos dos indicadores econocircmicos
financeiros satildeo baseados principalmente nos valores de retorno e de capital inicial (Ci) e
final (Cf ) Os indicadores aqui apresentados satildeo os que a plataforma de simulaccedilatildeo retorna
e alguns casos satildeo ligeiramente diferentes dos usualmente utilizados no mercado
bull Perdas e ganhos - PNL
Mostra o resultado financeiro (lucro ou prejuiacutezo) apoacutes a execuccedilatildeo da estrateacutegia Eacute a
diferenccedila entre o capital possuiacutedo ao final da execuccedilatildeo da estrateacutegia e o capital inicial
investido
PNL = Cf minus Ci (1)
bull Retorno acumulado - ra
O retorno acumulado obtido com a estrateacutegia ao final da execuccedilatildeo eacute dado pelo razatildeo
entre o capital final possuiacutedo Cf e o capital inicial investido Ci
ra =CfCi (2)
bull Retorno anual esperado - EAR
Retorno estimado que a estrateacutegia alcanccedilaraacute em um periacuteodo de um ano mantendo a
mesma performance Eacute medido utilizando a inclinaccedilatildeo da regressatildeo linear da curva
de retorno acumulado por dia (slope)
EAR = 252times slope (3)
bull Estabilidade - R2
Mostra a estabilidade da estrateacutegia atraveacutes do coeficiente de determinaccedilatildeo R2 da
seacuterie de retornos acumulados O valor do coeficiente varia entre 0 e 1 Quanto maior
o valor de R2 maior a capacidade do modelo se ajustar agrave amostra
24
bull Volatilidade - V olatilidade
Mostra a volatilidade anualizada da estrateacutegia que eacute baseada no desvio padratildeo
dos retornos diaacuterios σr extrapolado para o periacuteodo de um ano Neste caacutelculo satildeo
considerados apenas os dias uacuteteis (252)
V olatilidade = σrradic
252 (4)
bull Sharpe - IS
Eacute um indicador utilizado para avaliar a relaccedilatildeo entre o risco e o retorno de um
investimento Mostra o retorno r acima de uma taxa livre de risco rf ajustado pela
volatilidade (risco) σ Quanto maior o Sharpe maior a expectativa de retorno frente ao
risco associado Eacute dado por
IS =r minus rfσ
(5)
bull Sortino - ISO
Eacute um indicador que como o iacutendice Sharpe avalia a relaccedilatildeo entre o risco e o retorno
de um investimento Poreacutem o Sortino leva em consideraccedilatildeo apenas a volatilidade
negativa σd anulando os desvios dos retornos positivos
ISO =r minus rfσd
(6)
bull Max Drawdown - MDD
Retrata a maior perda percentual que a estrateacutegia teve durante sua execuccedilatildeo
bull Beta - β
Eacute uma medida de volatilidade da estrateacutegia em relaccedilatildeo a um benchmark1 Mede o
quanto o desempenho da estrateacutegia segue o da economia em geral eacute dado por
β =cov(r rb)
var(rb) (7)
onde r eacute o retorno da estrateacutegia e rb o retorno do benchmark
bull Alpha - α
Este paracircmetro estima o quanto a estrateacutegia se destacou positivamente dos retornos
retratados pelo benchmark selecionado ou seja tenta mensurar quanto retorno a
estrateacutegia gerou acima do crescimentodecrescimento natural da economia
α = rd minus βrb (8)
onde rd eacute a meacutedia dos retornos diaacuterios da estrateacutegia rb eacute o retorno do benchmark e β
o coeficiente calculado1Paracircmetro utilizado como orientaccedilatildeo para avaliar o desempenho de um investimento
25
bull Value at Risk - V aR
Este paracircmetro estima o risco potencial de uma perda maacutexima de um ativo ou portfoacutelio
em um horizonte de tempo definido e com um determinado niacutevel de confianccedila Na
plataforma seu caacutelculo pelo meacutetodo parameacutetrico eacute feito assumindo a distribuiccedilatildeo
normal nos retornos diaacuterios de toda a carteira e considerando um niacutevel de confianccedila
de 95
V aR = ppf(0 05 rd σrd) (9)
onde ppf eacute a funccedilatildeo de densidade de probabilidade gaussiana rd eacute a meacutedia dos retor-
nos diaacuterios e σrd eacute o desvio padratildeo dos retornos diaacuterios O ponto de 5 corresponde
aproximadamente a 1645 desvios agrave esquerda da meacutedia dos retornos
26
Capiacutetulo 5
Modelos
Neste capiacutetulo vamos mostrar a formulaccedilatildeo do tratamento dos dados que seratildeo
utilizados nas etapas seguintes do trabalho a apresentaccedilatildeo de um modelo baseado
em um sistema de equaccedilotildees diferenciais lineares e a sua adaptaccedilatildeo para um novo
modelo de ajuste de pontos bem como a definiccedilatildeo de um modelo de previsatildeo de
tendecircncia de preccedilos
51 Tratamento dos dados
O preccedilo bruto de cada uma das n accedilotildees no tempo t isin Z1 eacute representado por xk(t)
(k = 1 2 middot middot middot n) Neste trabalho vamos utilizar dados com preccedilos tratados que
consistem nos desvios destes preccedilos brutos xk(t) em relaccedilatildeo a preccedilos considerados
justos Contudo determinar o preccedilo justo de cada accedilatildeo envolve diversas variaacuteveis que
natildeo estatildeo no foco do estudo Uma forma que estabelecemos como aproximaccedilatildeo para
o caacutelculo foi utilizar uma meacutedia moacutevel exponencial xk (t) calculada em um periacuteodo
precedente ao preccedilo bruto analisado definida como
xk (t) = (xk (tminus 1)minus xk (tminus 1))times 2
(S + 1)+ xk (tminus 1) (10)
onde S eacute um paracircmetro relacionado ao peso dado ao uacuteltimo valor xk(t) no caacutelculo e
xk (tminus 1) eacute a meacutedia moacutevel exponencial calculada no periacuteodo anterior2 Quanto maior o
tamanho de S menor o peso dado ao uacuteltimo preccedilo Neste trabalho utilizamos S = 12
1Embora t seja usualmente utilizado para definir tempo contiacutenuo no trabalho vamos utilizar para represen-tar tempo discreto
2A Eq (10) tem caracteriacutestica recursiva ou seja o caacutelculo de xk (t) depende de um valor de xk (t0) inicialDesta forma para o primeiro caacutelculo foi utilizada uma meacutedia simples calculada em uma janela de pontosprecedentes ao preccedilo analisado escolhida com tamanho S
xk(0) =1
S
t0minus1sumt=t0minusS
xk (t) (11)
27
para o caacutelculo das meacutedias moacuteveis que foram utilizadas como aproximaccedilatildeo para os
preccedilos justos Com isto a nova seacuterie de preccedilos tratados seraacute dada pela diferenccedila
entre o logaritmo dos preccedilos brutos e o logaritmo dos preccedilos considerados justos
definida como
Xk (t) = ln xk (t)minus ln xk (t) (12)
Consideramos que os desvios dos preccedilos brutos em relaccedilatildeo aos preccedilos justos eacute que
satildeo importantes para a representaccedilatildeo da dinacircmica das seacuteries Desta forma a partir
deste ponto em nossas anaacutelises utilizaremos as novas seacuteries de preccedilos tratados
Para ilustrar o comportamento das seacuteries construiacutemos a figura 4 que mostra o
logaritmo da seacuterie de preccedilos brutos x1 e da seacuterie de meacutedias moacuteveis x1 (em (a)) bem
como o logaritmo da seacuterie de preccedilos tratados X1 para a accedilatildeo ITUB4 (em (b)) A
escolha da seacuterie foi justificada por ser ITUB4 a accedilatildeo que tem a maior porcentagem
de participaccedilatildeo na carteira teoacuterica do Ibovespa do primeiro quadrimestre de 2017
Podemos observar que a curva das meacutedias moacuteveis representada pela linha pontilhada
eacute mais suave que a curva dos valores brutos Tambeacutem observamos que a curva de
preccedilos tratados X1 tende a se aproximar da origem apoacutes as variaccedilotildees observadas
52 Ajuste linear do dados
O modelo de equaccedilotildees diferenciais lineares que propusemos em (RESENDE et al
2017) eacute dado na formad
dtXa (t) = BXa (t) (13)
onde
Xa(t) =
X1(tminus n+ 1) middot middot middot X1(tminus 1) X1(t)
X2(tminus n+ 1) middot middot middot X2(tminus 1) X2(t)
Xn(tminus n+ 1) middot middot middot Xn(tminus 1) Xn(t)
e
B =
B11 B12 middot middot middot B1n
B21 B22 middot middot middot B2n
Bn1 Bn2 middot middot middot Bnn
A equaccedilatildeo (13) equivale a n equaccedilotildees do tipo
d
dt
X1(τ)
X2(τ)
Xn(τ)
= B
X1(τ)
X2(τ)
Xn(τ)
(14)
28
357
358
359
36
361
362lnx1lnx1
0 100 200 300 400 500minus002
minus001
0
001
002
003
t
lnX
1
(a)
(b)
Figura 4 ndash Comparaccedilatildeo de preccedilos brutos meacutedias moacuteveis e preccedilos tratados da seacuterieda ITUB4 (k = 1) A figura mostra 500 pontos com granularidade de 5 minutospara a accedilatildeo com maior participaccedilatildeo na carteira teoacuterica do Ibovespa no primeiroquadrimestre de 2017 (a) A linha contiacutenua representa a evoluccedilatildeo do logaritmodos preccedilos brutos lnx1 e a linha pontilhada descreve as meacutedias moacuteveis ln x1 (b)Representa os preccedilos tratados lnX1
com tminus n+ 1 le τ le t
Neste modelo consideramos que os desvios dos preccedilos brutos em relaccedilatildeo aos
preccedilos considerados justos satildeo os elementos importantes para a caracterizaccedilatildeo das
dinacircmicas das seacuteries
Discretizando o modelo de equaccedilotildees diferenciais representado pela equaccedilatildeo (13)
obtemos
Xa(t)minusXa(tminus 1)
∆t= BXa(t) (15)
equivalente a
29
Xa(tminus 1) = Xa(t)minus∆tBXa(t) (16)
= (Iminus∆tB)Xa(t)
onde I eacute a matriz identidade ntimesn Assumindo que Aa = (Iminus∆tB)minus1 existe podemos
escrever
Xa(t) = AaXa(tminus 1) (17)
No modelo apresentado acima se existir a inversa de Xa(tminus 1) podemos encontrar
as matrizes Aa perfeitamente ajustadas para a equaccedilatildeo (17) isto eacute o sistema definido
desta maneira apresenta soluccedilotildees que passam em todos os pontos no intervalo [tminusn
t] Agora adaptaremos o modelo buscando matrizes Aa que satildeo aproximadamente
ajustadas em intervalos maiores Para a definiccedilatildeo suponha que a evoluccedilatildeo dos preccedilos
tratados ainda possa ser expressa pela combinaccedilatildeo linear das n accedilotildees analisadas
sendo
X(t) = AX(tminus 1) + ε (18)
onde
X(t) =
X1(tminusR + 1) X1(tminus 1) X1(t)
X2(tminusR + 1) X2(tminus 1) X2(t)
Xn(tminusR + 1) Xn(tminus 1) Xn(t)
X(tminus 1) =
X1(tminusR) X1(tminus 2) X1(tminus 1)
X2(tminusR) X2(tminus 2) X2(tminus 1)
Xn(tminusR) Xn(tminus 2) Xn(tminus 1)
A =
A(1 1) A(1 nminus 1) A(1 n)
A(2 1) A(2 nminus 1) A(2 n)
A(n 1) A(n nminus 1) A(n n)
ε =
ε1(tminusR + 1) ε1(tminus 1) ε1(t)
ε2(tminusR + 1) ε2(tminus 1) ε2(t)
εn(tminusR + 1) εn(tminus 1) εn(t)
ε eacute o erro associado ao ajuste R eacute a quantidade de pontos utilizados no ajuste e n
a quantidade de accedilotildees analisadas Os diferentes valores que R pode assumir seratildeo
testados e apresentados mais detalhadamente na seccedilatildeo 61
30
Observe que a equaccedilatildeo (18) eacute diferente da equaccedilatildeo (17) uma vez que existe um erro
associado ao ajuste aproximado e tambeacutem pelo fato de que Xa(t)(Xa(tminus 1)) eacute ntimes ne X(t)(X(tminus 1)) eacute da ordem ntimesR e consequentemente a matriz de coeficientes A
eacute diferente de B
Expandindo a equaccedilatildeo (18) para tminusR + 1 le τ le t o sistema fica na formaX1(τ) = A(1 1)X1(τ minus 1) + A(1 2)X2(τ minus 1) + A(1 n)Xn(τ minus 1) + ε1(τ)
X2(τ) = A(2 1)X1(τ minus 1) + A(2 2)X2(τ minus 1) + A(2 n)Xn(τ minus 1) + ε2(τ)
Xn(τ) = A(n 1)X1(τ minus 1) + A(n 2)X2(τ minus 1) + A(n n)Xn(τ minus 1) + εn(τ)
(19)
A equaccedilatildeo (18) se assemelha a um modelo de regressatildeo linear multivariado En-
tretanto a sua validaccedilatildeo como tal modelo depende da capacidade do mesmo em
representar a dinacircmica que produziu os dados A possiacutevel violaccedilatildeo das premissas
de um modelo de regressatildeo natildeo invalida o nosso modelo Como veremos adiante
estamos interessados nos resultados de acerto de tendecircncia que seratildeo analisados
com rigor estatiacutestico De fato natildeo esperamos que um modelo linear seja capaz de
representar a dinacircmica do mercado financeiro O que eacute refletido na distribuiccedilatildeo dos
erros que natildeo atendem as premissas de independecircncia e normalidade Contudo
as matrizes apresentaram melhores resultados em termos computacionais e de
qualidade das soluccedilotildees que os obtidos com o meacutetodo do gradiente explorado em
trabalhos anteriores (RESENDE et al 2017)
Na equaccedilatildeo (18) desconsiderando o erro a partir dos X(t) e X(t minus 1) podemos
definir a matriz de coeficientes A de forma anaacuteloga agrave descrita por (AGUIRRE 2007)
Como a matriz X(t minus 1) natildeo eacute quadrada ela natildeo pode ser invertida Entretanto
podemos multiplicar a equaccedilatildeo (18) em ambos os lados por X(t minus 1)T e obter A
fazendo
X(t)X(tminus 1)T = AX(tminus 1)X(tminus 1)T
A(X(tminus 1)X(tminus 1)T )(X(tminus 1)X(tminus 1)T )minus1 = X(t)X(tminus 1)T (X(tminus 1)X(tminus 1)T )minus1
A = (X(t)X(tminus 1)T )(X(tminus 1)X(tminus 1)T )minus1 (20)
Para as manipulaccedilotildees algeacutebricas consideramos a existecircncia da inversa de (X(tminus1)X(t minus 1)T ) Outra forma para estimar a matriz A eacute atraveacutes do meacutetodo dos miacuteni-
mos quadrados conforme descrito por (AGUIRRE 2007) A teacutecnica da otimizaccedilatildeo
matemaacutetica eacute apresentada no apecircndice A para complementar o trabalho
31
A matriz A pode variar de acordo com a escolha de t conforme a equaccedilatildeo (20)
Deste modo usaremos a notaccedilatildeo A(t) para a denotar a matriz A calculada utilizando
pontos do tempo tminusR ateacute o tempo t
Com a matriz X(t) e X(tminus 1) podemos calcular a variaccedilatildeo nos preccedilos das accedilotildees
que eacute a diferenccedila do preccedilo da accedilatildeo no periacuteodo t em relaccedilatildeo ao periacuteodo anterior tminus 1
Esta variaccedilatildeo do preccedilo ∆X(t) eacute denominada retorno do ativo definida por
∆X(t) =
∆X1(t)
∆X2(t)
∆Xn(t)
(21)
sendo
∆Xk(t) = Xk(t)minusXk(tminus 1) (22)
= log
(xk(t)
xk(t)
)minus log
(xk(tminus 1)
xk(tminus 1)
)
onde usamos no passo final a equaccedilatildeo (12)
53 Modelo de previsatildeo
Para tentar prever o preccedilo no tempo t + 1 vamos utilizar como paracircmetro a matriz
A(t) Para tanto eacute desejaacutevel que A(t) varie pouco no tempo sendo A(t) proacutexima a
A(tminus 1) Trabalhamos com a hipoacutetese de linearidade local na vizinhanccedila de t Para
analisar esta variaccedilatildeo da matriz A(t) no tempo definimos a distacircncia
d (A(t)A(tminus 1)) =
radicradicradicradic nsumi=1
nsumj=1
|A(t)ij minus A(tminus 1)ij|2 (23)
onde A(t)ij (A(tminus 1)ij) eacute o elemento da matriz A(t) (A(tminus 1)) na linha i e coluna j
entre as matrizes adjacentes A(t) e A(tminus 1) para vaacuterios valores de R e mostramos
os resultados na figura 5
32
0
5
10
15
20
25
30
200 400 600 800 1000minus05
0
05
1
15
0
2
4
6
8
d
200 400 600 800 1000minus05
0
05
1
R
(a) (c)
(d)(b)
Figura 5 ndash Distribuiccedilatildeo das distacircncias entre as matrizes A em tempos adjacentespara valores de R variando de 100 a 1000 Foram realizadas 5 000 execuccedilotildeespara as accedilotildees do Ibovespa e 3 900 para as accedilotildees que compotildeem o Dow JonesUtilizamos seacuteries de preccedilos com granularidade de 5 minutos no periacuteodo de020117 a 280417 (primeiro quadrimestre de 2017) A linha contiacutenua representaa meacutedia das distacircncias e a linha pontilhada mostra a meacutedia de dplusmn os desvios (a)Calculamos a distacircncia entre as matrizes adjacentes obtidas para todas as accedilotildeesdo iacutendice Dow Jones (b) Distacircncia das matrizes adjacentes obtidas utilizando as10 accedilotildees com maiores participaccedilotildees no iacutendice Dow Jones (c) Distacircncia entreas matrizes adjacentes calculadas utilizando todas as accedilotildees que compotildeem acarteira teoacuterica do Ibovespa (d) Distacircncia entre as matrizes obtidas utilizando as10 accedilotildees com maiores pesos de participaccedilatildeo na composiccedilatildeo do Ibovespa
33
Analisando os resultados da figura 5 obtidos com a Eq (20) percebemos que agrave
medida em que aumentamos o valor de R as distacircncias entre as matrizes calculadas
em tempos adjacentes diminuiacuteram Anaacutelises da quantidade de accedilotildees tamanho de R
e outras seratildeo exploradas no Cap 6
Com a perspectiva de que a matriz A(t) calculada utilizando-se R + 1 preccedilos passa-
dos varie pouco e com isso seja uma boa estimativa para A(t+ 1) a empregamos
como instrumento para o modelo de previsatildeo Este modelo seraacute baseado na equaccedilatildeo
(18) definido por
X(t+ 1) = A(t)Xc(t) (24)
onde A(t) foi obtida com os R + 1 preccedilos ateacute o tempo t
X(t+ 1) =
X1(t+ 1)
X2(t+ 1)
Xn(t+ 1)
eacute a matriz com preccedilos previstos das accedilotildees no tempo t+ 1 e
Xc =
X1(t)
X2(t)
Xn(t)
eacute uma matriz coluna com os valores dos preccedilos tratados no tempo t
Mesmo que haja pouca variaccedilatildeo entre as matrizes A(t) e A(t+1) eacute natural obtermos
um erro associado agrave previsatildeo
O retorno previsto das accedilotildees eacute dado por
∆X(t+ 1) =
∆1X(t+ 1)
∆2X(t+ 1)
∆nX(t+ 1)
(25)
onde
∆Xk(t+ 1) = Xk(t+ 1)minusXk(t) (26)
Os retornos reais ∆X(t+1) e os previstos ∆X(t) dos ativos satildeo referentes a retornos
de preccedilos tratados A partir destes valores podemos definir tendecircncias poreacutem para
analisar a direccedilatildeo destes preccedilos eacute preciso analisar dados de preccedilos brutos x(t) e natildeo
mais os preccedilos tratados X(t) Para o caacutelculo com estes dados brutos eacute preciso fazer
a operaccedilatildeo para reverter os dados tratados que foram utilizados ateacute este ponto do
34
trabalho Para o tratamento inicial dos dados utilizamos a equaccedilatildeo (12) reproduzida
abaixo
Xk (t) = ln xk (t)minus ln xk (t) (27)
onde Xk(t) eacute o preccedilo tratado de fechamento da accedilatildeo k no tempo t xk(t) eacute o preccedilo
bruto de fechamento da accedilatildeo k no tempo t e xk eacute a meacutedia moacutevel calculada utilizando
dados precedentes a xk(t)
Para transformar os preccedilos tratados em preccedilos brutos partimos da equaccedilatildeo (12) e
obtemos
xk(t) = xk(t) lowast eXk(t) (28)
Evidentemente os preccedilos brutos reais satildeo conhecidos e este procedimento eacute impor-
tante para calcularmos preccedilos brutos previstos Assim podemos definir os retornos
de preccedilos brutos reais ∆x(t) e os previstos ∆x(t) utilizando as equaccedilotildees 22 e 26
respectivamente
A partir da variaccedilatildeo do preccedilo no periacuteodo podemos definir o vetor de tendecircncia
T =
T1(t)
T2(t)
Tn(t)
(29)
onde T assume os valores minus1 0 e 1 sendo minus1 associado agrave tendecircncia de baixa 0
sinal neutro e 1 agrave tendecircncia de alta do preccedilo Deste ponto em diante do trabalho
estamos interessados apenas na tendecircncia e natildeo no valor do preccedilo previsto Assim o
bom resultado do modelo ocorreraacute quando a tendecircncia do preccedilo previsto for igual a
tendecircncia observada do preccedilo real Deste modo o desempenho do modelo seraacute dado
pela acuraacutecia
a =Nc
N (30)
onde Nc eacute o nuacutemero de previsotildees de tendecircncias corretas e N eacute o nuacutemero total de
previsotildees executadas pelo modelo de previsatildeo
Nos resultados que apresentamos em (RESENDE et al 2017) mostramos que o
tamanho do retorno previsto traz informaccedilatildeo sobre a tendecircncia Logo dividimos o
conjunto de retornos previstos U em 4 subconjuntos U1 U2 U3 e U4 de forma que
cada subconjunto contenha um quarto dos retornos previstos Os maiores retornos
(em moacutedulo) estatildeo em U4 seguidos pelos retornos em U3 U2 e U1 nesta ordem Os
melhores resultados em (RESENDE et al 2017) foram obtidos para o subconjunto
U4 Portanto neste trabalho vamos analisar apenas as tendecircncias previstas obtidas
com retornos previstos em U4 Para verificar se os retornos previstos estatildeo em U4
considerado o quarto quartil utilizamos uma janela de tamanho Q = 100 pontos A
35
janela Q eacute ordenada e 25 dos maiores valores satildeo armazenados em U4 Desta
forma a primeira operaccedilatildeo soacute poderaacute ocorrer a partir do (Q+1)-eacutesimo sinal produzido
Antes disso o modelo sempre retornaraacute sinais neutros Para verificar se o (Q+ 1)-
eacutesimo sinal estaacute em U4 comparamos se o seu valor eacute maior que o sinal armazenado
na posiccedilatildeo 75 da janela Q de retornos precedentes dispostos em ordem crescente
Se a condiccedilatildeo eacute satisfeita o modelo envia um sinal vaacutelido caso contraacuterio um sinal
neutro eacute enviado
36
Capiacutetulo 6
Exploraccedilatildeo do modelo de previsatildeo
O modelo apresentado na seccedilatildeo 52 conforme a equaccedilatildeo (18) foi utilizado para
desenvolver o modelo de previsatildeo representado pela equaccedilatildeo (24) Neste capiacutetulo
vamos explorar algumas das possibilidades de combinaccedilotildees de paracircmetros para
ajustar este modelo de forma a obter melhores acuraacutecias Entretanto encontrar a
combinaccedilatildeo oacutetima de paracircmetros envolve anaacutelises que natildeo estatildeo no foco do trabalho
O capiacutetulo seraacute organizado no seguinte modo na seccedilatildeo 61 investigaremos se haacute uma
relaccedilatildeo entre a acuraacutecia a e a variaccedilatildeo da quantidade de pontos R utilizados para
calcular a matriz de coeficientes A Na seccedilatildeo 62 vamos investigar se a quantidade
de accedilotildees interfere na acuraacutecia do modelo Na seccedilatildeo 63 analisaremos a relaccedilatildeo da
acuraacutecia do modelo com a granularidade dos dados Na seccedilatildeo 64 calcularemos
os expoentes de Hurst das seacuteries de preccedilos das accedilotildees e analisaremos se haacute uma
relaccedilatildeo entre as acuraacutecias obtidas e os seus expoentes de Hurst Jaacute na seccedilatildeo 65
vamos investigar se as taxas de acuraacutecia calculadas em um quadrimestre se mantecircm
no quadrimestre seguinte Com esta anaacutelise estamos interessados em verificar se o
modelo se mantecircm para outro periacuteodo Tambeacutem vamos selecionar quais as accedilotildees que
apresentam melhores acuraacutecias no primeiro quadrimestre e investigar as acuraacutecias
do modelo para estas accedilotildees no segundo quadrimestre Na seccedilatildeo 66 vamos elaborar
uma votaccedilatildeo em relaccedilatildeo agrave tendecircncia entre diferentes tamanhos de R
61 Variaccedilotildees do tamanho de R
O objetivo do modelo eacute prever a tendecircncia do preccedilo no tempo t + 1 Para isto ele
utiliza a matriz de coeficientes A que minimiza a diferenccedila quadraacutetica entre a matriz
de preccedilos reais X(t+ 1) e a matriz de preccedilos previstos X(t+ 1) Para calcular esta
matriz A eacute preciso R+ 1 pontos Natildeo sabemos o tamanho ideal de R logo definimos
a quantidade de pontos baseados em alguns testes baacutesicos de acuraacutecia do modelo
na previsatildeo de tendecircncia de preccedilos No Capiacutetulo 5 Eq (30) reproduzida abaixo
37
definimos a acuraacutecia para cada accedilatildeo como
a =Nc
N (31)
onde Nc eacute o nuacutemero de previsotildees corretas e N eacute o nuacutemero total de previsotildees
Como estamos analisando diferentes tamanhos de R para vaacuterias accedilotildees vamos definir
a acuraacutecia meacutedia
a =
nsumk
ak
n(32)
e o desvio padratildeo
σa =
radicradicradicradicradic nsumk
(ak minus a)2
nminus 1 (33)
onde ak eacute a acuraacutecia a para cada accedilatildeo k e n eacute o nuacutemero total de accedilotildees analisadas
Nesta anaacutelise uma acuraacutecia meacutedia a envolvendo todas as k accedilotildees eacute calculada para
cada tamanho de R A figura 6 mostra a acuraacutecia meacutedia a e plusmnσa do modelo para
todas as accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa Os dados analisados
satildeo referentes ao primeiro quadrimestre de 2017 Utilizamos diferentes tamanhos de
R variando de 100 a 1100 com incremento de 10 pontos a cada nova execuccedilatildeo do
programa O objetivo desta figura eacute sinalizar o momento em que natildeo haacute mais ganhos
significativos na acuraacutecia agrave medida que aumentamos o tamanho de R
38
048
05
052
054
056
100 200 300 400 500 600 700 800 900 1000048
05
052
054
056
macr a
(a)
(b)
R
Figura 6 ndash Acuraacutecia meacutedia para todas as n accedilotildees que compotildeem os iacutendices Dow Jo-nes e Ibovespa Os dados analisados satildeo referentes agraves seacuteries de preccedilos comgranularidade de 5 minutos no periacuteodo de 020117 a 280417 (primeiro quadri-mestre de 2017) Foram utilizados diferentes tamanhos de R Com valor inicialde R = 100 com incremento de 10 Para cada valor de R foram realizadas 5000execuccedilotildees para a seacuterie do Ibovespa e 3900 para Dow Jones (a) A linha contiacutenuarepresenta a acuraacutecia meacutedia a obtida para todas as accedilotildees do iacutendice Dow JonesA linha pontilhada representa a acuraacutecia meacutedia a plusmnσa das acuraacutecias obtidas (b)A linha contiacutenua mostra a acuraacutecia meacutedia a de todas as accedilotildees que compotildeema carteira teoacuterica do iacutendice Ibovespa A linha pontilhada apresenta a acuraacuteciameacutedia a plusmnσa
39
Podemos observar na figura 6 que para valores maiores de R a curva da acuraacutecia
meacutedia a tende a quase se estabilizar poreacutem ainda podemos perceber um leve cres-
cimento Para analisar se ainda haacute ganhos na acuraacutecia para valores de R gt 500
calculamos o coeficiente angular β e os coeficientes de determinaccedilatildeo r 2 da reta de
ajuste aos pontos com valores de R superiores a 500 Os coeficientes angulares β
para todas as accedilotildees dos igravendices Dow Jones e Ibovespa calculados para o intervalo
500 le R le 1000 foram β = 5 63 times 10minus5 e β = 1 24 times 10minus5 respectivamente
Embora pequenos natildeo satildeo irrelevantes observe que numa variaccedilatildeo de 0 02 na
acuraacutecia (o que eacute significativo) entre R = 500 e R = 1000 temos coeficiente angular
4times 10minus5 ou seja na ordem dos observados Os coeficientes de determinaccedilatildeo foram
r 2 = 0 2905 para todas as accedilotildees do iacutendice Dow Jones e r 2 = 0 6295 para todas
as accedilotildees do Ibovespa Eles indicam que o ajuste linear natildeo eacute satisfatoacuterio Contudo
isto natildeo eacute relevante aqui uma vez que estamos interessados sobretudo no caraacuteter
crescente das curvas Os valores de β e r2 obtidos satildeo apresentados na tabela 2
Valores dos coeficientes angulares β calculados para o intervalo 500 le R le 1000
pequenos poreacutem positivos indicam crescimento da curva e nos motivam a investigar
o comportamento do graacutefico para valores de R maiores que 1000
Tabela 2 ndash Coeficientes angulares (β) e os correspondentes coeficientes de determinaccedilatildeo(r 2) para o ajuste linear das curvas de acuraacutecias meacutedias a para diferentes valoresde R das Fig 6 e 7
Todas Accedilotildees (Fig 6) 10 Accedilotildees + (Fig 7)
Dow Jonesβ 5 63times 10minus5 9 79times 10minus5
r2 02905 062953
Ibovespaβ 1 24times 10minus4 9 98times 10minus5
r2 0 6970 0 7629
Nota Para a Fig 6 que analisa o conjunto de todas as accedilotildees que compotildeem os iacutendices Dow Jones eIbovespa os coeficientes β e r2 foram calculados para o intervalo de 500 le R le 1000 Jaacute na Fig 7os coeficientes β e r2 foram calculados para o intervalo de 1000 le R le 2000 Todos os coeficientes
β satildeo positivos indicando que as evoluccedilotildees das curvas ainda satildeo positivas
Para cada tamanho de R satildeo realizadas 5000 execuccedilotildees para as accedilotildees do Ibovespa
e 3900 para as accedilotildees do Dow Jones A diferenccedila na quantidade de execuccedilotildees entre
Dow Jones e Ibovespa eacute devida ao menor tempo diaacuterio de permanecircncia do pregatildeo
de negociaccedilatildeo do Dow Jones em relaccedilatildeo ao Ibovespa Com isso as quantidades
de dados disponiacuteveis nas amostras satildeo diferentes Ainda assim o nuacutemero de exe-
cuccedilotildees para cada valor de R eacute grande Como estamos interessados em analisar
mais tamanhos diferentes de R vamos diminuir o nuacutemero de accedilotildees envolvidas nos
testes O criteacuterio para escolha destas accedilotildees eacute selecionar as 10 accedilotildees com maiores
pesos nos iacutendices Ibovespa e Dow Jones As composiccedilotildees e as ordens de pesos das
participaccedilotildees nos iacutendices Ibovespa e Dow Jones satildeo apresentadas nas tabelas 26 e
27 respectivamente
40
Nesta anaacutelise utilizando valores maiores de pontos nos ajustes vamos explorar R
variando de 10 a 2000 com incremento de 10 pontos a cada nova execuccedilatildeo do
programa Para cada execuccedilatildeo foram realizadas 3000 e 2000 previsotildees para as
10 accedilotildees com maiores pesos de participaccedilatildeo nos iacutendices Ibovespa e Dow Jones
respectivamente A figura 7 apresenta as acuraacutecias meacutedias a linha contiacutenua e a plusmnσalinha pontilhada obtidos na anaacutelise
10 200 400 600 800 1000 1200 1400 1600 1800 2000045
05
055
06
R
a
045
05
055
06
(a)
(b)
Figura 7 ndash Acuraacutecia meacutedia para as 10 accedilotildees com maiores participaccedilotildees na carteirateoacuterica do Ibovespa E Dow Jones Os dados analisados satildeo referentes agravesseacuteries de preccedilos de fechamento com granularidade de 5 minutos no periacuteodode 020117 a 280417 (primeiro quadrimestre de 2017) Foram utilizados 200diferentes tamanhos de R Com o valor inicial de R = 10 com incremento de10 Para cada valor de R foram realizadas 3000 execuccedilotildees com as seacuteries dasaccedilotildees do Ibovespa e 2000 com a seacuteries do Dow Jones (a) A linha contiacutenuarepresenta a acuraacutecia meacutedia obtida para as 10 accedilotildees com maior participaccedilatildeo doiacutendice Dow Jones A linha pontilhada representa a meacutedia plusmnσa que eacute o desviopadratildeo das acuraacutecias obtidas (b) A linha contiacutenua mostra a acuraacutecia meacutedia paraas 10 as accedilotildees com maior peso de participaccedilatildeo na carteira teoacuterica do iacutendiceIbovespa A linha pontilhada apresenta a acuraacutecia meacutedia plusmnσa
Analisando a figura 7 percebemos que agrave medida que aumentamos os valores de R a
curva da acuraacutecia meacutedia tende a oscilar menos Isso acontece devido ao incremento de
41
10 novos pontos serem cada vez menos significativos agrave medida em que aumentamos a
quantidade de pontos na janela O efeito eacute mais evidente ao compararmos os valores
de R proacuteximos a 10 com aqueles no final da seacuterie
A figura 7 sugere que a acuraacutecia para as accedilotildees do iacutendice Dow Jones tende a se
estabilizar para valores de R ge 400 pontos Poreacutem a curva ainda mostra um leve
crescimento dos resultados Para as accedilotildees do iacutendice Ibovespa eacute evidente que a
curva de acuraacutecia apresenta ganhos significativos agrave medida em que aumentamos o
tamanho de R Estas observaccedilotildees satildeo evidenciadas pelos valores dos coeficientes
angulares apresentados na tabela 2 Desta forma na aplicaccedilatildeo do modelo seria ideal
utilizar tamanhos maiores de R mas esta quantidade de pontos definida para o ajuste
afeta diretamente o tamanho da amostra restante para fazer as N previsotildees a cada
execuccedilatildeo do programa Por isto definimos baseados nas figuras 6 e 7 um valor de R
que natildeo comprometa a acuraacutecia e nem o tamanho da amostra Uma escolha coerente
da quantidade de pontos para utilizar no ajuste eacute R = 1000
As figuras 6 e 7 nos mostram as acuraacutecias meacutedias a Como estes resultados se
referem agraves meacutedias das acuraacutecias a de todas as accedilotildees para cada valor de R natildeo po-
demos visualizar o comportamento individual das accedilotildees para os diferentes tamanhos
de R Com isto para mostrar a dispersatildeo das acuraacutecias da accedilotildees para cada valor de
R construiacutemos os boxplots1 dos resultados A dispersatildeo localizaccedilatildeo e simetria das
acuraacutecias podem ser representadas pela figura 9 As caixas contecircm 50 dos dados
sendo o primeiro quartil (Q1) a mediana e o terceiro quartil (Q3) A altura da caixa eacute a
amplitude interquartil (AIQ) que eacute dada pela distacircncia entre Q1 e Q3 A linha superior
eacute traccedilada iniciando em Q3 ateacute o maior valor observado dentro da faixa com o conjunto
de pontos que vai de Q3 ateacute o valor do limite superior (Ls) calculado utilizando 1 5
vezes o valor do interquartil AIQ
Ls = Q3 + 1 5AIQ (34)
A linha inferior eacute traccedilada iniciando-se em Q1 ateacute o menor valor que eacute encontrado
dentro da faixa que comeccedila em Q1 e se estende ateacute o valor do limite inferior (Li)
calculado utilizando 1 5 do valor do interquartil AIQ
Li = Q1minus 1 5AIQ (35)
Os pontos fora destas linhas traccediladas satildeo chamados outliers (MONTGOMERY 2008)
A figura 8 mostra as caracteriacutesticas do boxplot Como esperado a figura 9 mostra que
as accedilotildees que compotildeem o iacutendice Ibovespa apresentam mais outliers com altas taxas
de acuraacutecia quando comparadas agraves accedilotildees do iacutendice Dow Jones
1Diagrama de caixa Eacute uma apresentaccedilatildeo graacutefica que descreve simultaneamente vaacuterias caracteriacutesticasde um conjunto de dados observados(MONTGOMERY 2008)
42
049
05
051
052
053
054
055
056
1
Terceiro quartil
Mediana
Valor Miacutenimo
Valor Maacuteximo
Outlier
Quarto quartil
Figura 8 ndash Exemplo de um formato de um boxplot
43
0 10 20 30 40 50 60 70 80 90 100
05
055
06
065
07
045
05
055 (a)
(b)
Figura 9 ndash Boxplot da Acuraacutecia para todas as accedilotildees que compotildeem os iacutendices DowJones e Ibovespa Os dados utilizados foram preccedilos de fechamento das accedilotildeesque compotildeem os iacutendices Dow Jones e Ibovespa com granularidade de 5 minutosno periacuteodo de 020117 a 280417 (primeiro quadrimestre de 2017) Foramanalisados 100 diferentes tamanhos de R Para cada valor de R foram realizadas3900 execuccedilotildees para as accedilotildees do iacutendice Dow Jones e 5000 execuccedilotildees paraas accedilotildees que compotildeem a carteira teoacuterica do Ibovespa (a) Boxplots com asacuraacutecias para todas as accedilotildees do Dow Jones (b) Acuraacutecias para todas as accedilotildeesdo iacutendice Ibovespa
44
62 Variaccedilotildees da quantidade de accedilotildees
Um ponto a ser questionado refere-se agrave quantidade de accedilotildees n que devemos usar
para calibrar o modelo de forma a obter a melhor acuraacutecia Para investigar a influecircncia
deste valor n nos resultados do modelo desenvolvemos uma anaacutelise que consiste
em executar o modelo com o nuacutemero miacutenimo de combinaccedilotildees n = 2 e expandir
ateacute o nuacutemero maacuteximo de accedilotildees que compotildeem os iacutendices Ibovespa e Dow Jones
O valor de n aumenta seguindo a ordem decrescente do peso de participaccedilatildeo das
accedilotildees nos iacutendices Para esta anaacutelise utilizamos os dados de preccedilos de fechamento
das accedilotildees com granularidade de 5 minutos no periacuteodo de 020117 a 280417 que se
refere ao primeiro quadrimestre de 2017 A quantidade de pontos utilizada no ajuste
foi R = 1000 pontos Para cada combinaccedilatildeo de n accedilotildees realizamos N = 3000
previsotildees para as seacuteries do Ibovespa e N = 2000 previsotildees para as seacuteries do Dow
Jones A figura 10 mostra a acuraacutecia meacutedia a e plusmnσa para diferentes combinaccedilotildees de
quantidades de accedilotildees envolvidas no modelo
45
2 5 10 15 20 25046
048
050
052
054
056
2 5 10 15 20 25 30 35 40 45 50 55045
050
055
06(b)
(a)
Figura 10 ndash Acuraacutecia meacutedia para diferentes valores de n accedilotildees que compotildeem ascarteiras do Ibovespa e Dow Jones O valor de n aumenta seguindo aordem decrescente do peso de participaccedilatildeo das accedilotildees nos iacutendices Os dadosanalisados satildeo referentes agraves seacuteries de preccedilos de fechamento com granularidadede 5 minutos no periacuteodo de 020117 a 280417 (primeiro quadrimestre de2017) A quantidade de pontos utilizados no ajuste foi R = 1000 Foramrealizadas 3000 previsotildees com as seacuteries das accedilotildees do Ibovespa e 2000 comas seacuteries do Dow Jones (a) A linha contiacutenua representa a acuraacutecia meacutediaobtida para n variando de 2 a 30 accedilotildees que compotildeem o iacutendice Dow Jones Alinha pontilhada representa a meacutedia plusmnσa que eacute o desvio padratildeo das acuraacuteciasobtidas (b) A linha contiacutenua mostra a acuraacutecia meacutedia para n variando de 2 a 58accedilotildees que compotildeem a carteira teoacuterica do iacutendice Ibovespa A linha pontilhadaapresenta a acuraacutecia meacutedia plusmnσa
46
Na figura 10 percebemos uma variaccedilatildeo maior nas acuraacutecias meacutedias a para as
combinaccedilotildees de n accedilotildees do Ibovespa quando comparadas agraves acuraacutecias obtidas
com as accedilotildees do iacutendice Dow Jones Este resultado eacute mais evidente para valores
menores de n As combinaccedilotildees de n accedilotildees do iacutendice Dow Jones satildeo mais estaacuteveis
e como esperado apresentam valores de acuraacutecias meacutedias a menores quando
comparados aos resultados das combinaccedilotildees das accedilotildees do Ibovespa uma vez que a
bolsa americana eacute mais eficiente que a brasileira Para as combinaccedilotildees das accedilotildees
do Ibovespa observamos um pico maior em torno de n = 10 e depois uma certa
estabilizaccedilatildeo de a Isto nos ajuda a definir a quantidade de accedilotildees que devemos usar
para calibrar o modelo
63 Variaccedilatildeo da granularidade
Nesta seccedilatildeo vamos analisar as acuraacutecias para dados com granularidade de 51015
20 e 30 minutos Para simetria das anaacutelises definimos que o modelo deve ser aplicado
em um mesmo intervalo de tempo Com isto agrave medida em que aumentamos a
granularidade das seacuteries diminuiacutemos a quantidade de dados da amostra Assim
nesta anaacutelise natildeo utilizamos o valor de R definido da seccedilatildeo 61 O intervalo de
negociaccedilatildeo tambeacutem foi alterado para um periacuteodo referente a 2 quadrimestres A
quantidade de dados utililizada no ajuste foi R = 500 e o periacuteodo de negociaccedilatildeo foi
de 020117 a 310817 (primeiro e segundo quadrimestres de 2017) Baseados na
seccedilatildeo 62 aleacutem da composiccedilatildeo total do iacutendice uma nova combinaccedilatildeo quantidade de
accedilotildees n = 10 tambeacutem foi analisada A tabela 3 mostra as meacutedias das acuraacutecias a
para os paracircmetros definidos
Tabela 3 ndash Acuraacutecia do modelo aplicado a diferentes granularidades de tempo para R = 500
Iacutendice n 5rsquo 10rsquo 15rsquo 20rsquo 30rsquo
Dow Jones30 05079 (00092) 05065 (00090) 05012 (00162) 05052 (00255) 05022 (00309)10 05132 (00116) 05062 (00136) 05143 (00178) 05061 (00201) 04976 (00337)
Ibovespa58 05216 (00260) 05222 (00287) 05185 (00271) 05215 (00276) 05143 (00338)10 05316 (00294) 05196 (00200) 05187 (00186) 05033 (00268) 05021 (00251)
Nota Os resultados satildeo referentes agraves meacutedias e os desvios das acuraacutecias do modelo de todas as accedilotildees quecompotildeem os iacutendices Dow Jones (30 accedilotildees) e Ibovespa (58 accedilotildees) Tambeacutem analisamos as 10 accedilotildees com
maiores participaccedilotildees nesses iacutendices Os dados analisados satildeo referentes aacutes seacuteries de preccedilos defechamento com granularidades de 5 10 15 20 e 30 minutos no periacuteodo de 02-01-17 a 31-08-17 (primeiro e
segundo quadrimestres de 2017) A quantidade de pontos utilizada no ajuste foi R = 500
Analisando a tabela 3 percebemos que natildeo haacute grandes oscilaccedilotildees nas acuraacutecias
meacutedias a quando variamos a granularidade da base de dados Menores variaccedilotildees da
acuraacutecia meacutedia a satildeo observadas quando aplicamos o modelo para todas as accedilotildees
do iacutendice Dow Jones Para a combinaccedilatildeo das 10 accedilotildees com maiores pesos um
moderado aumento nas acuraacutecias foi obtido para as granularidades de 5 e 15 minutos
47
Para as accedilotildees do Ibovespa maiores oscilaccedilotildees foram observadas principalmente
para a combinaccedilatildeo das 10 accedilotildees com maiores participaccedilotildees no iacutendice A maior
acuraacutecia meacutedia obtida foi para a granularidade de 5 minutos a = 0 5316 Em linhas
gerais observamos uma discreta tendecircncia que a acuraacutecia diminua com o aumento
da granularidade dos dados para as accedilotildees do Ibovespa Para as accedilotildees do iacutendice Dow
Jones natildeo observamos tendecircncia alguma
64 Anaacutelise da acuraacutecia em funccedilatildeo do expoente de Hurst
das seacuteries
O expoente de Hurst (H) aplicado a seacuteries de preccedilos de accedilotildees nos permite visualizar
o comportamento dos dados em relaccedilatildeo agrave memoacuteria de longo prazo Nas nossas
anaacutelises vamos utilizar o meacutetodo alternativo DFA introduzido por (PENG et al 1994)
que tambeacutem foi explorado por (HU et al 2001) e (CHEN et al 2002) Para realizar o
caacutelculo consideramos uma seacuterie de retornos ∆x(i) (i = 1 2 middot middot middot Nmax) Integrando
tal seacuterie obtemos
y(j) =
jsumi=1
(∆x(i)minus 〈∆x〉) (36)
onde 〈∆x〉 eacute a meacutedia
〈∆x〉 =1
Nmax
Nmaxsumj=1
∆x(i) (37)
A nova seacuterie eacute dividida em janelas de tamanho igual m Em cada uma dessas janelas
ajustamos a seacuterie integrada encontrando a funccedilatildeo polinomial Yfit Esta funccedilatildeo indica
a tendecircncia local que haacute em cada intervalo O grau do polinocircmio utilizado pode em
princiacutepio ser qualquer O meacutetodo DFA-l eacute aquele em que o grau l eacute escolhido
Na seacuterie temporal dividida em janelas de tamanho m subtraiacutemos a tendecircncia local
Yfit em cada das janelas Em seguida calculamos a funccedilatildeo de flutuaccedilatildeo
F (m) =
radicradicradicradic 1
Nmax
Nmaxsumi=1
(y(i)minus Yfit)2 (38)
Todo o caacutelculo acima eacute repetido para janelas de diferentes tamanhos m para obter-se
uma relaccedilatildeo entre F (m) e m e os dados satildeo dispostos em um graacutefico log minus log Uma
relaccedilatildeo de lei de potecircncia entre F (m) e a janela de tamanho m indica a presenccedila
de escala logF (m) sim= logmH ( F (m) sim= mH) Neste caso o paracircmetro H dado pelo
coeficiente angular da reta que ajusta os pontos (mF (m)) eacute chamado de expoente de
escala ou expoente de correlaccedilatildeo e eacute a generalizaccedilatildeo do expoente de Hurst Valores
de H lt 0 5 indicam anti-persistecircncia da seacuterie valores de H gt 0 5 indicam que a
48
seacuterie tem persistecircncia e valores de H = 0 5 indicam que as seacuteries natildeo possuem
tendecircncia Com o intuito de analisar se os dados passados fornecem informaccedilotildees
sobre dados futuros calculamos os expoentes de Hurst das seacuteries com preccedilos brutos
x de todas as accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa Os valores de
H obtidos satildeo mostrados na figura 11
1 5 10 15 20 25 30 35 40 45 50 55 5802
03
04
05
06
Accedilatildeo
H 1 5 10 15 20 25 3004
045
05
055
06
065
Figura 11 ndash Expoente de Hurst para todas accedilotildees que compotildeem os iacutendices Dow Jonese Ibovespa Os dados analisados satildeo referentes agraves seacuteries de preccedilos brutoscom granularidade de 5 minutos no periacuteodo de 020117 a 280417 (primeiroquadrimestre de 2017) (a) Representa os coeficientes de Hurst para as accedilotildeesdo iacutendice Dow Jones Foram utilizados 6276 pontos para o caacutelculo (b) Mostraos coeficientes de Hurst utilizando l = 1 para as accedilotildees que compotildeem o iacutendiceIbovespa Foram utilizados 7370 pontos para o caacutelculo
Analisando a figura 11 percebemos que a maioria dos resultados se concentram na
faixa de 0 45 le H le 0 55 Assim natildeo percebemos forte tendecircncia a persistecircncia ou
anti-persistecircncia das seacuteries analisadas
Na anaacutelise seguinte vamos investigar a relaccedilatildeo entre os resultados dos expoentes de
Hurst e as acuraacutecias obtidas pelo modelo As seacuteries de preccedilos ainda satildeo as referentes
aos preccedilos de fechamento de todas as accedilotildees que compotildeem os iacutendices Dow Jones
e Ibovespa A Fig 12 mostra a acuraacutecia meacutedia a de cada uma destas accedilotildees que
49
compotildeem os iacutendices para 100 diferentes valores de R e os expoentes de Hurst das
seacuteries de preccedilos brutos x destas accedilotildees
1 5 10 15 20 25 3004
045
05
055
06
065
1 5 10 15 20 25 30 35 40 45 50 55 58 Accedilotildees
02
03
04
05
06
07
Figura 12 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que compotildeem osiacutendices Dow Jones e Ibovespa Os dados analisados satildeo referentes agraves seacuteriesde preccedilos brutos com granularidade de 5 minutos no periacuteodo de 020117 a280417 (primeiro quadrimestre de 2017) Para o caacutelculo da acuraacutecia meacutediaforam utilizados 100 tamanhos diferentes de R para cada accedilatildeo A linha tracejadarepresenta os coeficientes de Hurst H e a linha contiacutenua a acuraacutecia meacutedia apara cada accedilatildeo utilizando 100 valores diferentes de R no ajuste O valor deR inicial foi 100 com incremento de 10 pontos a cada nova execuccedilatildeo (a)Representa a acuraacutecia meacutedia e os coeficientes de Hurst para as accedilotildees doiacutendice Dow Jones Foram utilizados 6276 pontos para o caacutelculo do expoente deHurst (b) Mostra a acuraacutecia meacutedia e os coeficientes de Hurst para as accedilotildeesque compotildeem o iacutendice Ibovespa Foram utilizados 7370 pontos para o caacutelculodos coeficientes
Analisando visualmente a figura 12 natildeo percebemos padrotildees para as accedilotildees que
compotildeem o iacutendice Dow Jones As suas taxas de acuraacutecia meacutedia a bem como os
valores de H estatildeo proacuteximos de 0 5 Jaacute as accedilotildees que compotildeem o iacutendice Ibovespa
apresentaram maiores taxas de acuraacutecia meacutedia a e tambeacutem maiores oscilaccedilotildees nos
valores dos expoentes de Hurst H A figura nos sugere ainda que os valores menores
deH resultam em maiores valores de a indicando que o modelo tem maior capacidade
50
de previsatildeo para seacuteries de preccedilos de accedilotildees que apresentam anti-persistecircncia Os
resultados mais discrepantes foram obtidos para a accedilatildeo 32 com a = 0 68 e H = 0 28
Para melhor visualizaccedilatildeo destes resultados construiacutemos a figura 13 que mostra a
concentraccedilatildeo dos expoentes de Hurst H em funccedilatildeo da acuraacutecia meacutedia a obtidos para
cada uma das accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa representados
pelos pontos nas cores verde e vermelha respectivamente
025 03 035 04 045 05 055 06 065046
048
05
052
054
056
058
06
062
064
066
H
a
Expoente de Hurst DOW JONESExpoente de Hurst IBOVESPA
Figura 13 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que compotildeem osiacutendices Dow Jones e Ibovespa Os dados analisados satildeo referentes agraves seacuteriesde preccedilos brutos com granularidade de 5 minutos no periacuteodo de 020117 a280417 (primeiro quadrimestre de 2017) Para o caacutelculo da acuraacutecia meacutedia aforam utilizados 100 tamanhos diferentes de R para cada accedilatildeo Com valor inicialde R = 100 com incremento de 10 pontos a cada nova execuccedilatildeo Os pontosna cor vermelha representam os expoentes H em funccedilatildeo da acuraacutecia a paraas accedilotildees do Ibovespa Os pontos na cor verde representam os coeficientes deHurst H em funccedilatildeo da acuraacutecia meacutedia a para cada accedilatildeo do iacutendice Dow JonesPara as accedilotildees do iacutendice Dow Jones utilizamos 6276 pontos para o caacutelculo de HPara as accedilotildees que compotildeem o iacutendice Ibovespa foram utilizados 7370 pontospara o caacutelculo dos coeficientes de Hurst
Pela figura 13 fica mais evidente que as taxas de acuraacutecia meacutedia a satildeo maiores para
as accedilotildees que compotildeem o iacutendice Ibovespa quando comparadas agraves accedilotildees do iacutendice
Dow Jones Observamos tambeacutem que os maiores desvios de H foram obtidos para
51
a seacuterie do Ibovespa Estes resultados vatildeo ao encontro dos estudos de (CAJUEIRO
TABAK 2004) onde os paiacuteses emergentes apresentam valores de H mais distantes
de 05 sugerindo que mercado de paiacuteses emergentes satildeo mais ineficientes que os
de paiacuteses desenvolvidos
Outra investigaccedilatildeo relevante foi baseada no caacutelculo da correlaccedilatildeo linear das acuraacutecias
obtidas em cada quadrimestre com os expoentes de Hurst calculados nos respectivos
quadrimestres Para tanto calculamos o coeficiente de correlaccedilatildeo linear de Pearson
ρ2 O coeficiente ρ obtido quando analisada a correlaccedilatildeo das acuraacutecias e os expoentes
de Hurst calculados no quadrimestre 1 foi ρ = minus0 3791 (pminus valor = 0 0388) para as
accedilotildees que compotildeem o iacutendice Dow Jones e para as accedilotildees do Ibovespa no mesmo
quadrimestre o resultado foi ρ = minus0 4622 (p minus valor = 2 6 times 10minus4) A correlaccedilatildeo
entre as acuraacutecias e os coeficientes de Hurst das seacuteries de preccedilos calculados no
segundo quadrimestre de 2017 foi ρ = minus0 6966 (pminus valor = 1 2571times 10minus9) para as
accedilotildees do Ibovespa e ρ = minus0 1743 (pminus valor = 0 3568) para as accedilotildees do Dow Jones
Estes resultados indicam que haacute uma anti-correlaccedilatildeo entre as acuraacutecias obtidas e os
expoentes H das seacuteries analisadas (COHEN 1977)
Baseados nestes resultados em etapas futuras da tese vamos aprofundar mais as
anaacutelises dos valores de H e a explorando as questotildees de memoacuteria das seacuteries de
preccedilos de accedilotildees e investigando ateacute que ponto informaccedilotildees dos dados passados
interferem na acuraacutecia do modelo de previsatildeo
65 Acuraacutecias em quadrimestres diferentes
Nas subseccedilotildees seguintes vamos aplicar o modelo em dados de quadrimestres di-
ferentes com o objetivo de investigar a consistecircncia das previsotildees em diferentes
periacuteodos
651 Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo qua-
drimestres de 2017
Nesta anaacutelise aplicamos o modelo utilizando as seacuteries de preccedilos tratados com
granularidade de 5 minutos do primeiro e segundo quadrimestres de 2017 de todas
as accedilotildees que integraram os iacutendices Ibovespa e Dow Jones no primeiro quadrimestre
de 2017 A tabela 4 mostra as acuraacutecias obtidas nos quadrimentres 1 e 2 do ano de
2017 Para a execuccedilatildeo do modelo foi utilizado como tamanho de ajuste R = 1000 A
coluna rsquoAcuraacutecia Q1rsquo refere-se agraves acuraacutecias obtidas no quadrimestre 1 Analogamente
a coluna denominada rsquoAcuraacutecia Q2rsquo refere-se agraves acuraacutecias no quadrimestre 2 Os
resultados estatildeo dispostos na ordem da porcentagem de peso de participaccedilatildeo de
2Mede o grau da correlaccedilatildeo (minus1 le ρ le 1) e a direccedilatildeo dessa correlaccedilatildeo (+ ou -) entre duas variaacuteveis
52
cada accedilatildeo nos seus respectivos iacutendices Os valores em negrito indicam que a acuraacutecia
da accedilatildeo obtida no quadrimestre 2 foi maior em relaccedilatildeo agrave mesma no quadrimestre
1 Este aumento de ganhos do quadrimestre 2 em relaccedilatildeo ao quadrimestre 1 foi em
53 30 das accedilotildees que compotildeem o Dow Jones e 60 30 das accedilotildees do Ibovespa
53
Tabela 4 ndash Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo quadrimestres paraas accedilotildees dos iacutendices Ibovespa e Dow Jones
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q1 Acuraacutecia Q2 Accedilatildeo Acuraacutecia Q1 Acuraacutecia Q2
1 05183 05223 1 04912 049482 04833 05329 2 04577 053403 05054 05427 3 05195 051264 05363 05510 4 05207 050425 05130 05296 5 05016 050796 05363 05268 6 05208 048137 04965 04974 7 05341 051178 05188 05203 8 05011 052309 05226 04840 9 05097 04995
10 05541 06053 10 05103 0515911 04862 05597 11 05087 0512412 05362 05578 12 05000 0489313 05147 05493 13 04894 0501114 05097 05070 14 04839 0498915 05449 05349 15 05178 0490716 05072 05479 16 05138 0505817 05320 04852 17 05218 0479318 05260 05283 18 05021 0495219 05350 04968 19 05175 0514220 05266 05262 20 05049 0531821 05208 05166 21 04843 0512822 05270 05138 22 04807 0496423 05100 05180 23 05089 0521724 05208 05210 24 05256 0482925 05057 05028 25 04904 0482126 05142 05167 26 05023 0508427 05018 05120 27 05222 0522428 05138 05169 28 05230 0520429 05142 05465 29 05061 0527230 05043 05020 30 04710 0511331 05201 0535332 06810 0741833 05414 0537934 05458 0509835 05362 0596436 05053 0516537 04968 0552238 05055 0543139 05494 0516540 04969 0509041 05230 0512542 05018 0523043 05288 0503544 05396 0518945 05048 0531846 05467 0530447 05181 0521348 05122 0505149 05385 0522550 05457 0556551 05227 0549452 05845 0580253 05214 0522554 05197 0530455 05229 0533956 05651 0551457 05612 0611058 05121 05205
Nota As acuraacutecias estatildeo representadas de acordo com a ordem decrescente da porcentagem de participaccedilatildeo das accedilotildeesnos iacutendices Dow Jones e Ibovespa Os resultados das 10 accedilotildees com maiores pesos estatildeo delimitados na tabela Os
valores em negrito indicam que a acuraacutecia aumentou no segundo quadrimentre em relaccedilatildeo ao primeiro 60 3 dos casospara o iacutendice Ibovespa e 53 3 dos casos para o iacutendice Dow Jones
54
A figura 14 mostra o panorama das acuraacutecias apresentadas na tabela 4 A linha
traccedilada no graacutefico delimita as 10 accedilotildees que apresentaram as melhores acuraacutecias
em cada quadrimestre Estas accedilotildees satildeo esboccediladas na cor vermelha Os pontos na
cor vermelha e circulados indicam que aleacutem de estarem entre as 10 accedilotildees que
apresentaram as melhores acuraacutecias no quadrimestre 1 tambeacutem estatildeo entre as 10
accedilotildees que apresentaram as melhores taxas no quadrimestre 2 O nuacutemero destas
accedilotildees foi maior para as accedilotildees do Ibovespa
046
048
05
052
054
056
045
05
055
06
065
07
1 10 20 30 40 50 5804
05
06
07
08
Accedilotildees1 5 10 15 20 25 30
046
048
05
052
054
056
a
(a) (c)
(d)(b)
Figura 14 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 Os resul-tados satildeo referentes agraves acuraacutecias do modelo de todas as accedilotildees que compotildeemos iacutendices Dow Jones e Ibovespa Os dados analisados satildeo referentes agraves seacute-ries de preccedilos de fechamento com granularidades de 5 minutos no periacuteodo de020117 a 310817 (primeiro e segundo quadrimestres de 2017) O tamanhodo ajuste utilizado foi R = 1000 A linha traccedilada sobre a figura delimita as10 accedilotildees que apresentaram as melhores acuraacutecias no quadrimestre em ques-tatildeo mostradas na cor vermelha Os pontos circulados indicam que as accedilotildeesapresentaram acuraacutecias entre as 10 melhores no quadrimestre 1 e tambeacutem noquadrimestre 2 (a) Representa as acuraacutecias de todas accedilotildees que compotildeem oiacutendice Dow Jones no primeiro quadrimestre (b) Mostra as acuraacutecias obtidasno segundo quadrimestre para todas as accedilotildees do iacutendice Dow Jones (c) e(d) Representam as acuraacutecias obtidas no primeiro e segundo quadrimestresrespectivamente para todas as accedilotildees que compotildeem o iacutendice Ibovespa
55
Se a presenccedila entre as accedilotildees com 10 maiores acuraacutecias for completamente alea-
toacuteria a chance de uma accedilatildeo que estaacute nesta situaccedilatildeo repetir o comportamento no
quadrimestre seguinte eacute 10n
onde n eacute o nuacutemero total de accedilotildees no grupo analisado
Assim o nuacutemero meacutedio de accedilotildees que aparecem em dois quadrimestres consecutivos
entre aqueles com as 10 maiores acuraacutecias eacute 10times 10n
Para as accedilotildees que compotildeem
o iacutendice Dow Jones esse nuacutemero eacute 103
para as accedilotildees que compotildeem o Ibovespa eacute10058
Na figura 14 observamos 3 accedilotildees nessa situaccedilatildeo para o Dow Jones sugerindo
a completa aleatoriedade Jaacute para o Ibovespa a figura 14 mostra 6 accedilotildees nessa
situaccedilatildeo um nuacutemero 348 vezes maior que o esperado indicando que o processo
natildeo deve ser completamente aleatoacuterio Estudos envolvendo um maior nuacutemero de
quadrimestres seriam interessantes para validaccedilatildeo estatiacutestica
O coeficiente de correlaccedilatildeo linear de Pearson ρ foi calculado para mostrar a relaccedilatildeo
entre as acuraacutecias obtidas no quadrimestre 1 e 2 para ambos mercados O coeficiente
ρ obtido quando analisada a correlaccedilatildeo das acuraacutecias no quadrimestre 1 e 2 para
as accedilotildees que compotildeem o Dow Jones foi ρ = minus01493 (p minus valor = 0 4311) Jaacute
para as accedilotildees que compotildeem o Ibovespa a correlaccedilatildeo entre as acuraacutecias obtidas
nos quadrimestres 1 e 2 foi ρ = 07156 (p minus valor = 2 7521 times 10minus10) O resultado
indica que haacute uma correlaccedilatildeo significativa entre as acuraacutecias obtidas para as accedilotildees
do Ibovespa
652 Aplicaccedilatildeo do modelo utilizando a combinaccedilatildeo das 10 accedilotildees com
maiores pesos nos iacutendices Ibovespa e Dow Jones
Na subseccedilatildeo 651 apresentamos as acuraacutecias obtidas com a combinaccedilatildeo de todas
as accedilotildees dos iacutendices no modelo Aqui estamos interessados em investigar o resultado
da combinaccedilatildeo linear apenas das 10 accedilotildees com maiores pesos de participaccedilatildeo nos
iacutendices Para tanto vamos executar o programa utilizando os mesmos paracircmetros
da anaacutelise anterior A tabela 5 mostra os resultados de acuraacutecias obtidos A coluna
denominada rsquoAcuraacutecia Q1rsquo mostra as acuraacutecias obtidas no quadrimestre 1 e a coluna
rsquoAcuraacutecia Q2rsquo mostra as acuraacutecias do quadrimestre 2 Os valores em negrito indicam
que a acuraacutecia aumentou no quadrimestre 2 em relaccedilatildeo ao quadrimestre 1 70 dos
casos do Ibovespa e 60 para o Dow Jones
56
Tabela 5 ndash Acuraacutecias do modelo no primeiro e segundo quadrimestres para a combinaccedilatildeodas 10 accedilotildees com maiores participaccedilotildees nos iacutendices Ibovespa e Dow Jones
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q1 Acuraacutecia Q2 Accedilatildeo Acuraacutecia Q1 Acuraacutecia Q2
1 05417 05630 1 04857 051892 05142 05293 2 04706 049693 05604 05496 3 05142 050544 05445 05770 4 05096 052075 05197 05336 5 04867 050186 05299 05226 6 05369 050507 05089 05354 7 05547 053028 04897 05430 8 04853 049819 05258 05212 9 05322 0540510 06155 06689 10 05113 05022
Nota Os valores em negrito indicam que a acuraacutecia aumentou no segundo quadrimentreem relaccedilatildeo ao primeiro Percebemos que os resultados satildeo melhores no segundo
quadrimestre para as accedilotildees dos dois iacutendices analisados A relaccedilatildeo de melhoria da acuraacuteciafoi de 70 para as accedilotildees do Ibovespa e 60 para as accedilotildees do Dow Jones
Analisando de forma geral as tabelas 4 e 5 natildeo eacute perceptiacutevel se houve ou natildeo
ganhos quando combinadas todas as accedilotildees que compotildeem os iacutendices em relaccedilatildeo a
quando combinamos apenas as 10 accedilotildees com maiores pesos nestes mesmos iacutendices
Para facilitar a anaacutelise construiacutemos a figura 15 que mostra as acuraacutecias obtidas no
primeiro e segundo quadrimestres de 2017 quando combinamos todas as accedilotildees dos
iacutendices Dow Jones e Ibovespa e tambeacutem quando combinamos apenas a 10 accedilotildees
com maiores participaccedilotildees nestes iacutendices O eixo das ordenadas do graacutefico se refere
agraves acuraacutecias obtidas no quadrimestre 2 jaacute o eixo das abscissas se refere agraves acuraacutecias
no quadrimestre 1
57
046
048
05
052
054
056
046 048 05 052 054 056046
048
05
052
054
056 a Q
2
05
06
07
08
05 055 06 065 07 a Q1
05
06
07
08
(c)
(d)(b)
(a)
Figura 15 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 Osresultados satildeo referentes agraves acuraacutecias do modelo para o primeiro e segundoquadrimestres de 2017 aplicado a todas as accedilotildees que compotildeem os iacutendicesDow Jones e Ibovespa e tambeacutem para as 10 accedilotildees com maiores pesos nestesiacutendices Os dados analisados satildeo referentes agraves seacuteries de preccedilos de fechamentocom granularidades de 5 minutos no periacuteodo de 020117 a 310817 (primeiroe segundo quadrimestres de 2017) O tamanho do ajuste utilizado foi R = 1000(a) Representa as acuraacutecias para a combinaccedilatildeo de todas accedilotildees que compotildeem oiacutendice Dow Jones no primeiro e segundo quadrimestres (b) mostra as acuraacuteciasobtidas no primeiro e segundo quadrimestres para a combinaccedilatildeo das 10 accedilotildeesdo iacutendice Dow Jones com maiores participaccedilotildees no iacutendice (c) Representa asacuraacutecias obtidas no primeiro e segundo quadrimestres para a combinaccedilatildeode todas as accedilotildees que compotildeem o iacutendice Ibovespa (d) Mostra as acuraacuteciasdo primeiro e segundo quadrimestres para a combinaccedilatildeo das 10 accedilotildees doIbovespa com maiores pesos no iacutendice
58
Analisando os pontos obtidos na figura 15 natildeo podemos concluir que a combinaccedilatildeo
das 10 accedilotildees com maiores pesos nos iacutendices melhora as acuraacutecias obtidas quando
comparadas com as taxas obtidas combinando todas as accedilotildees que compotildeem os
iacutendices
653 Anaacutelise do desempenho do modelo aplicado agraves accedilotildees de melhor
acuraacutecia no quadrimestre precedente
A tabela 6 mostra as acuraacutecias obtidas para todas as accedilotildees que compotildeem os iacutendices
Ibovespa e Dow Jones As acuraacutecias obtidas satildeo para R = 1000 e estatildeo ordenadas
do maior para a menor valor Destacamos os 10 melhores resultados de a As cores
semelhantes mostram as accedilotildees que participaram do conjunto com os melhores resul-
tados no quadrimestre 1 e tambeacutem apareceram entre as 10 accedilotildees com os melhores
resultados no quadrimestre 2 Os valores em negrito indicam que a accedilatildeo apresentou
maior acuraacutecia no quadrimestre 2 em relaccedilatildeo ao quadrimestre 1 Pela tabela 6 e
figura 14 podemos observar que as 10 melhores acuraacutecias obtidas conjuntamente
em ambos os quadrimestres natildeo satildeo necessariamente as accedilotildees com maiores partici-
paccedilotildees nos iacutendices exceto a accedilatildeo 10 do Ibovespa Isso nos motiva a investigar se
obtemos melhores acuraacutecias combinando no modelo a cada quadrimestre apenas
as 10 accedilotildees que apresentaram melhores resultados no quadrimestre anterior
Os resultados da anaacutelise satildeo mostrados na tabela 7 e comparados a resultados
de acuraacutecias obtidas tambeacutem no mesmo quadrimestre poreacutem utilizando dados de
todas as accedilotildees dos respectivos iacutendices (n = 30 Dow Jones e n = 58 Ibovespa)
Os valores em negrito indicam que a combinaccedilatildeo das 10 accedilotildees eacute melhor quando
comparada agraves acuraacutecias obtidas utilizando todas as accedilotildees dos iacutendices Utilizando o
primeiro quadrimestre para selecionar accedilotildees a investir no segundo quadrimestre natildeo
utilizamos dados futuros na anaacutelise Para as accedilotildees do Ibovespa a meacutedia das acuraacutecias
obtida para a combinaccedilatildeo de todas as accedilotildees foi 0 5737 e para a combinaccedilatildeo das 10
melhores accedilotildees do quadrimestre anterior foi 0 5746 A meacutedia para o iacutendice Dow Jones
foi 0 5019 para a combinaccedilatildeo de todas as accedilotildees e 0 5017 para a combinaccedilatildeo das
10 melhores accedilotildees do quadrimestre anterior Estes valores se referem agrave meacutedia das
acuraacutecias das 10 accedilotildees analisadas Pela proporccedilatildeo dos valores obtida natildeo podemos
concluir que haacute ganhos significativos aplicando esta metodologia
59
Tabela 6 ndash Comparaccedilatildeo das acuraacutecias para todas as accedilotildees dos iacutendices Ibovespa e DowJones no primeiro e segundo quadrimestres
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q1 Accedilatildeo Acuraacutecia Q2 Accedilatildeo Acuraacutecia Q1 Accedilatildeo Acuraacutecia Q2
32 06810 32 07417 7 05341 2 0533952 05844 57 06109 24 05256 20 0531856 05650 10 06053 28 05229 29 0527257 05612 35 05963 27 05221 8 0522910 05541 52 05802 17 05218 27 0522339 05493 11 05596 6 05207 23 0521746 05467 12 05578 4 05207 28 0520434 05458 50 05565 3 05194 10 0515950 05457 37 05521 15 05177 19 0514115 05448 56 05513 19 05174 21 0512733 05413 4 05510 16 05138 3 0512644 05395 51 05494 10 05102 11 0512349 05384 13 05493 9 05097 7 051164 05362 16 05478 23 05089 30 051126 05362 29 05465 11 05086 26 05084
35 05362 38 05430 29 05060 5 0507912 05361 3 05427 20 05048 16 0505719 05350 33 05379 26 05023 4 0504117 05320 31 05353 18 05021 13 0501043 05288 15 05349 5 05016 9 0499422 05270 55 05339 8 05010 14 0498920 05265 2 05329 12 05000 22 0496418 05259 45 05318 1 04912 18 0495141 05229 46 05304 25 04903 1 0494755 05229 54 05303 13 04893 15 0490751 05227 5 05295 21 04843 12 048939 05226 18 05282 14 04839 24 04829
53 05213 6 05268 22 04806 25 0482024 05208 20 05261 30 04710 6 0481221 05207 42 05229 2 04577 17 0479231 05200 49 0522554 05196 53 052248 05187 1 052231 05183 47 05212
47 05181 24 0521013 05147 58 0520529 05141 8 0520326 05141 44 0518928 05137 23 051805 05129 28 0516848 05121 26 0516658 05121 21 0516623 05100 36 0516514 05097 39 0516416 05072 22 0513725 05057 41 0512438 05055 27 051203 05053 34 05097
36 05052 40 0508945 05047 14 0506930 05042 48 0505042 05018 43 0503427 05017 25 0502740 04968 30 0501937 04967 7 049737 04964 19 0496811 04861 17 048512 04833 9 04840
Nota As acuraacutecias estatildeo em ordem decrescente Os 10 melhores resultados estatildeo delimitados na tabela As coresequivalentes indicam que a accedilatildeo tem o valor de acuraacutecia dentre os 10 melhores resultados no quadrimestre 1 e tambeacutemse manteve entre as 10 melhores no quadrimestre 2 Os valores em negrito indicam que aleacutem da accedilatildeo estar entre as 10
melhores nos 2 quadrimestres a acuraacutecia aumentou no segundo quadrimentre
60
Tabela 7 ndash Acuraacutecias do modelo para a combinaccedilatildeo das 10 accedilotildees dos iacutendices Ibovespa eDow Jones com os melhores resultados no primeiro quadrimestre
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q2
n = 58Acuraacutecia Q2n = 10
Accedilatildeo Acuraacutecia Q2n = 30
Acuraacutecia Q2n = 10
32 07418 07707 7 05117 0499652 05802 05800 24 04829 0503256 05514 05438 28 05204 0517457 06110 06050 27 05224 0524310 06053 05811 17 04793 0496039 05165 05174 6 04813 0494146 05304 05326 4 05042 0496634 05098 05253 3 05126 0484250 05565 05545 15 04907 0503415 05349 05363 19 05142 04986
Nota Para Ibovespa na coluna com n = 58 todas as accedilotildees do iacutendice foram utilizadas pelomodelo na coluna com n = 10 somente as accedilotildees com as 10 melhores acuraacutecias no
quadrimeste 1 foram empregadas pelo modelo Analogamente para Dow Jones Os valoresem negrito indicam que a acuraacutecia aumentou no segundo quadrimestre utilizando a
combinaccedilatildeo das 10 melhores accedilotildees no quadrimestre 1 em relaccedilatildeo ao segundoquadrimestre utilizando a combinaccedilatildeo de todas as accedilotildees dos iacutendices Natildeo observamos
ganhos nos resultados quando utilizamos apenas a combinaccedilatildeo das 10 melhores accedilotildees emrelaccedilatildeo ao modelo que utiliza a combinaccedilatildeo de todas as accedilotildees dos iacutendices
61
Diante das acuraacutecias obtidas na tabela 6 investigamos se haacute uma correlaccedilatildeo entre
estes valores de a Para isso calculamos o coeficiente de correlaccedilatildeo linear de Pearson
ρ O resultado do caacutelculo do coeficiente de correlaccedilatildeo entre as acuraacutecias das accedilotildees
do iacutendice Ibovespa obtidas no primeiro e segundo quadrimestre foi ρ = 0 7156
(pminus valor = 2 7521times 10minus10) e para as accedilotildees do iacutendice Dow Jones foi ρ = minus0 1493
Este resultado indica que para as accedilotildees do Ibovespa quando o modelo teve um bom
resultado no quadrimestre ele tende a ter bons resultados no quadrimestre seguinte
Como esperado o mesmo natildeo acontece para as accedilotildees do iacutendice Dow Jones em
que o coeficiente de correlaccedilatildeo ρ = minus0 1493 (p minus valor = 0 4311) indica uma
pequena anti-correlaccedilatildeo dos acertos de tendecircncias A accedilatildeo 32 do iacutendice Ibovespa
apresentou uma acuraacutecia alta em ambos quadrimestres Assim para evitar resultados
tendenciosos ela foi retirada do caacutelculo da correlaccedilatildeo Com a retirada destes valores
o coeficiente de correlaccedilatildeo das acuraacutecias das accedilotildees do iacutendice Ibovespa foi menor
ρ = 0 3894 (pminus valor = 0 0028) mas ainda significante (COHEN 1977)
66 Votaccedilatildeo
Uma votaccedilatildeo entre tendecircncias previstas foi utilizada com o intuito de melhorar a
consistecircncia da acuraacutecia do modelo e aumentar o tamanho da amostra A metodologia
da teacutecnica consiste em fazer vaacuterias previsotildees utilizando diferentes tamanhos de R
e posteriormente fazer a votaccedilatildeo levando em consideraccedilatildeo a direccedilatildeo de tendecircncia
de preccedilos apontada por cada modelo e o tamanho em moacutedulo do retorno previsto
Apenas os ajustes que tecircm previsotildees no conjunto U4 que se referem aos maiores
retornos previstos em moacutedulo entram na votaccedilatildeo Nesta votaccedilatildeo consideramos como
a decisatildeo de tendecircncia prevista a direccedilatildeo apontada pela maioria dos votantes e
empate entre os votantes como sinal para manter a posiccedilatildeo no tempo t + 1 (natildeo
operar)
Podemos variar diversos paracircmetros de entrada na votaccedilatildeo tais como quantidade
de votantes tamanho inicial de R incremento da quantidade de pontos a cada nova
iteraccedilatildeo accedilotildees que participam da combinaccedilatildeo linear e quantidade de votos que
decidem a previsatildeo Nas figuras 16 e 17 mostramos os resultados das acuraacutecias
obtidas para todas as accedilotildees dos iacutendices Dow Jones e Ibovespa no primeiro e segundo
quadrimestres de 2017 Nesta anaacutelise utilizamos 10 votantes um valor inicial de
R = 1000 incremento de 100 pontos a cada nova execuccedilatildeo e a diferenccedila acima de 1
voto jaacute decide direccedilatildeo da tendecircncia prevista que seraacute considerada
A figura 16 mostra os resultados obtidos para a amostra com os dados referentes ao
primeiro quadrimestre de 2017 A curva na cor vermelha eacute referente agraves acuraacutecias a
obtidas sem a votaccedilatildeo utilizando apenas um valor de R = 1000 A curva na cor azul
refere-se agrave meacutedia das acuraacutecias a obtidas utilizando 10 diferentes tamanhos de R
62
com o valor inicial de R = 1000 com incremento de 100 pontos a cada nova execuccedilatildeo
do modelo A curva na cor verde mostra a acuraacutecia a obtida com a votaccedilatildeo entre os
10 diferentes tamanhos de R
1 5 10 15 20 25 30045
05
055
06VotaccedilatildeoMeacutediaSem votaccedilatildeo
1 5 10 15 20 25 30 35 40 45 50 55 58 accedilotildees
045
05
06
07
(a)
(b)
Figura 16 ndash Acuraacutecias obtidas no primeiro quadrimestre de 2017 utilizando Votingmeacutedia e sem votaccedilatildeo A curva na cor vermelha representa a acuraacutecia autilizando apenas um valor de R = 1000 A curva na cor verde mostra aacuraacutecia a utilizando a votaccedilatildeo de 10 diferentes valores de R O valor inicialeacute R = 1000 com incremento de 100 pontos a cada nova execuccedilatildeo A curvaazul define a meacutedia da acuraacutecia a de todos os 10 tamanhos de R utilizados navotaccedilatildeo Os dados analisados satildeo referentes agraves seacuteries de preccedilos de fechamentocom granularidades de 5 minutos no periacuteodo de 020117 a 280417 (primeiroquadrimestre de 2017) (a) Acuraacutecias de todas as accedilotildees que compotildeem o iacutendiceDow Jones Foram realizadas 2200 execuccedilotildees para cada tamanho de R (b)Acuraacutecias obtidas para todas as accedilotildees que compotildeem o iacutendice Ibovespa Paracada tamanho de R realizamos 3300 execuccedilotildees
A figura 17 mostra os resultados obtidos para a amostra composta pelos dados
referentes ao segundo quadrimestre de 2017 Anaacuteloga agrave figura 16 os paracircmetros
utilizados satildeo os mesmos estabelecidos anteriormente
63
1 5 10 15 20 25 30046
048
05
052
054
056
1 5 10 15 20 25 30 35 40 45 50 55 58 Accedilotildees
04
05
06
07
08VotaccedilatildeoMeacutediaSem votaccedilatildeo
(b)
(a)
Figura 17 ndash Acuraacutecias obtidas no segundo quadrimestre de 2017 utilizando votaccedilatildeomeacutedia e sem votaccedilatildeo A curva na cor verde mostra a acuraacutecia a utilizando avotaccedilatildeo entre os 10 diferentes valores de R O valor inicial eacute R = 1000 comincremento de 100 pontos a cada nova execuccedilatildeo A curva azul representa ameacutedia da acuraacutecia a para todos os tamanhos de R utilizados na votaccedilatildeo Acurva em vermelho descreve a acuraacutecia a obtida para um valor de R = 1000Os dados analisados satildeo referentes agraves seacuteries de preccedilos de fechamento comgranularidades de 5 minutos no periacuteodo de 020517 a 310817 (segundoquadrimestre de 2017) (a) Acuraacutecias de todas as accedilotildees que compotildeem o iacutendiceDow Jones Foram realizadas 2700 execuccedilotildees para cada tamanho de R (b)Representam as acuraacutecias obtidas para todas as accedilotildees que compotildeem o iacutendiceIbovespa Para cada valor de R foram realizadas 3300 execuccedilotildees
64
Analisando as figuras 16 e 17 visualmente natildeo percebemos ganhos de acuraacutecia a
quando comparada agrave teacutecnica de votaccedilatildeo com os outros meacutetodos aplicados Como
mencionado anteriormente neste trabalho utilizamos apenas dados com maiores
retornos previstos em moacutedulo que se referem agraves tendecircncias previstas que estatildeo no
conjunto do quarto quartil U4 Assim a vantagem da votaccedilatildeo em relaccedilatildeo agrave utilizaccedilatildeo
de meacutedias ou de um valor fixo de R eacute a possibilidade de aumento na quantidade de
previsotildees uma vez que sem a votaccedilatildeo utilizamos em meacutedia apenas 14
dos dados
para as previsotildees no quarto quartil Por outro ladoa presenccedila de um ou mais votantes
em U4 jaacute eacute suficiente para que a votaccedilatildeo ocorra levando o nuacutemero de previsotildees a
crescer substancialmente
67 Consideraccedilotildees gerais
Na seccedilatildeo 61 investigamos a relaccedilatildeo da variaccedilatildeo do tamanho de R no resultado final
da acuraacutecia a Nesta anaacutelise observamos que para valores maiores de R os valores
de a tendem a aumentar Poreacutem utilizar valores grandes de R estaacute diretamente ligado
a perda de dados da amostra Assim eacute preciso definir uma quantidade de pontos
para o ajuste que apresente uma boa acuraacutecia sem comprometer o volume de dados
Baseados nas figuras 7 e 6 definimos que nas etapas de aplicaccedilatildeo e simulaccedilatildeo a
quantidade de pontos utilizados no ajuste seraacute R = 1000
Na seccedilatildeo 62 investigamos se a quantidade de accedilotildees interfere na acuraacutecia do modelo
A figura 10 sugere uma moderada melhora nos resultados das acuraacutecias em torno da
combinaccedilatildeo de 10 accedilotildees
Na seccedilatildeo 63 analisamos a relaccedilatildeo da acuraacutecia do modelo com a granularidade
dos dados Para as accedilotildees do iacutendice Dow Jones natildeo notamos diferenccedilas quando
combinamos todas as accedilotildees que compotildeem o iacutendice Um leve ganho no resultado foi
observado quando combinamos as 10 accedilotildees com maiores participaccedilotildees no iacutendice
Para as accedilotildees que compotildeem a carteira teoacuterica do Ibovespa a melhor acuraacutecia obtida
foi para os dados com frequecircncia de cotaccedilatildeo de 5 minutos quando combinadas
as 10 accedilotildees com maiores participaccedilotildees no iacutendice Desta forma a amostra com
granularidade de 5 minutos eacute a que seraacute utilizada em aplicaccedilotildees futuras do modelo de
previsatildeo
Na seccedilatildeo 64 investigamos se haacute uma relaccedilatildeo entre as acuraacutecias obtidas e os
expoentes de Hurst das seacuteries analisadas Em geral natildeo encontramos padrotildees
relacionados agraves acuraacutecias e os expoentes H Um caso atiacutepico foi a acuraacutecia e o
expoente de Hurst relacionado agrave accedilatildeo 32 do iacutendice Ibovespa Para esta accedilatildeo o
expoente foi H = 0 2816 e a taxa de acuraacutecia a = 68 10 Este resultado sugere que
para a seacuterie com anti-persistecircncia o modelo obteacutem melhores taxas de acerto Os
65
outros expoentes ficaram na faixa de variabilidade de 0 45 le H le 0 55 Com isso
natildeo podemos afirmar que haacute um padratildeo relacionando as acuraacutecias e os expoentes
de Hurst das seacuteries analisadas
Na seccedilatildeo 65 investigamos se as taxas de acuraacutecia calculadas em um quadrimestre
se mantecircm no quadrimestre seguinte Nas anaacutelises investigamos qual o nuacutemero
das accedilotildees que apareceram entre as 10 melhores acuraacutecias no quadrimestre 1 e
tambeacutem no quadrimestre 2 Na figura 14 observamos que para as accedilotildees do iacutendice
Dow Jones o nuacutemero de accedilotildees que estavam presentes entre as 10 que apresentaram
melhores acuraacutecias nos quadrimestres 1 e 2 foi 3 Este resultado sugere a completa
aleatoriedade Jaacute para as accedilotildees que compotildeem o Ibovespa a figura 14 mostra 6 accedilotildees
nessa condiccedilatildeo indicando que o processo natildeo deve ser completamente aleatoacuterio
Ainda na seccedilatildeo 65 outra anaacutelise foi baseada na quantidade e em quais accedilotildees que
devemos combinar para aplicar o modelo Baseados nas meacutedias das acuraacutecias obtidas
natildeo encontramos grandes variaccedilotildees nos valores quando utilizamos no modelo todas
as accedilotildees quando combinamos as 10 accedilotildees com maiores pesos e ainda quando
utilizamos a combinaccedilatildeo das 10 accedilotildees que apresentaram as melhores acuraacutecias
no quadrimestre anterior Em geral as anaacutelises desta seccedilatildeo nos mostraram que o
modelo tende a manter as taxas de acuraacutecia quando utilizamos diferentes accedilotildees e
quando variamos a sua quantidade As taxas tambeacutem se mantecircm para diferentes
quadrimestres indicando consistecircncia das previsotildees
Na seccedilatildeo 66 desenvolvemos uma teacutecnica de votaccedilatildeo em relaccedilatildeo agrave direccedilatildeo da ten-
decircncia prevista Nessa anaacutelise 10 diferentes valores de R participaram da votaccedilatildeo
Em geral os resultados obtidos com a teacutecnica natildeo foram melhores quando compa-
rados com a meacutedia das acuraacutecias obtida utilizando os 10 valores de R Em meacutedia
os resultados da votaccedilatildeo tambeacutem se equipararam aos resultados obtidos utilizando
um valor uacutenico de R = 1000 A vantagem do uso da teacutecnica estaacute na possibilidade de
aumento do tamanho da amostra
Na proacutexima etapa do trabalho vamos fazer simulaccedilotildees do modelo combinando os
melhores paracircmetros explorados neste capiacutetulo
66
Capiacutetulo 7
Simulaccedilatildeo
No Capiacutetulo 6 exploramos algumas das possibilidades de combinaccedilotildees de paracircmetros
que podem ser utilizadas para ajustar o modelo de previsatildeo de forma a obter uma
melhor acuraacutecia Na seccedilatildeo 61 investigamos a relaccedilatildeo entre a variaccedilatildeo do tamanho de
R e o resultado final da acuraacutecia para definirmos um valor razoaacutevel para ser utilizado
na etapa de aplicaccedilatildeo do modelo Na seccedilatildeo 62 investigamos o quanto o nuacutemero
de accedilotildees utilizadas como entrada para o modelo impactava as acuraacutecias Na seccedilatildeo
63 analisamos a relaccedilatildeo da acuraacutecia do modelo com a granularidade dos dados e
percebemos uma moderada melhora nos resultados para os dados com frequecircncia
de cotaccedilatildeo de 5 minutos Na seccedilatildeo 64 investigamos se haacute uma relaccedilatildeo entre as
acuraacutecias obtidas e os expoentes de Hurst das seacuteries Diante destas possibilidades
ajustamos o modelo de previsatildeo utilizando as combinaccedilotildees de paracircmetros mais
adequadas a cada anaacutelise Natildeo podemos afirmar que a combinaccedilatildeo escolhida eacute a
combinaccedilatildeo oacutetima poreacutem no Capiacutetulo 6 foram os paracircmetros que apresentaram as
melhores acuraacutecias Assim nesta etapa estas satildeo as entradas do modelo que seratildeo
utilizadas na simulaccedilatildeo
Neste capiacutetulo vamos mostrar as estrateacutegias de negociaccedilatildeo baseadas no modelo
que retorna um sinal de compra venda ou natildeo opera apresentado no capiacutetulo 5 Para
calibrar o modelo de previsatildeo utilizamos os paracircmetros explorados no Capiacutetulo 6
Os criteacuterios para definir uma compra ou venda dependem da tendecircncia prevista do
preccedilo de fechamento da accedilatildeo Os dados utilizados para a execuccedilatildeo do modelo de
previsatildeo para gerar o sinal da operaccedilatildeo satildeo os preccedilos tratados X(t) definidos na
seccedilatildeo 51 Na etapa de aplicaccedilatildeo e anaacutelise de ganhos financeiros vamos utilizar os
preccedilos brutos de fechamento x(t) definidos como
x(t) =
x1(t)
x2(t)
xn(t)
(39)
67
onde xk(t) eacute o preccedilo bruto da accedilatildeo k no tempo t
Na proacutexima seccedilatildeo vamos descrever o fluxo das estrateacutegias as bases de dados e as
configuraccedilotildees aplicadas nas simulaccedilotildees Nas seccedilotildees 72 e 73 vamos apresentar as
caracteriacutesticas de cada uma das estrateacutegias bem como os seus resultados obtidos
com a simulaccedilatildeo
71 Visatildeo geral dos modelos de operaccedilatildeo
Para a simulaccedilatildeo desenvolvemos duas estrateacutegias com caracteriacutesticas diferentes
uma que de acordo com o sinal enviado pelo modelo executa a operaccedilatildeo e desfaz
no passo seguinte (modelo de operaccedilatildeo 1 - MO1) e outra que executa a operaccedilatildeo e
desfaz somente quando atingir os valores dos stops definidos (modelo de operaccedilatildeo 2
- MO2) Nesta seccedilatildeo vamos apresentar o fluxo geral das estrateacutegias e nas seccedilotildees 72
e 73 cada uma delas seraacute apresentada de forma detalhada
A simulaccedilatildeo da negociaccedilatildeo no mercado real foi baseada em backtest1 disponibilizado
pelo portal dedicado ao desenvolvimento de algoritmos de investimento (algotrading)
Stratsphera BETA Na plataforma de algotrading as estrateacutegias foram desenvolvidas
utilizando a linguagem de programaccedilatildeo Python numa estrutura baseada em eventos
A plataforma foi descontinuada em Julho de 2019
Durante a simulaccedilatildeo o modelo de previsatildeo utiliza os candles disponiacuteveis ateacute o tempo
t para gerar um sinal indicando a tendecircncia do preccedilo de fechamento no tempo t+ 1
Baseados neste sinal podemos realizar operaccedilotildees de compra ou venda a mercado
De posse deste sinal que utiliza o uacuteltimo preccedilo de fechamento do candle o ideal seria
executar imediatamente a ordem na abertura do proacuteximo candle poreacutem por limitaccedilotildees
da plataforma de simulaccedilatildeo natildeo conseguimos realizar as operaccedilotildees exatamente no
preccedilo de abertura mas sim em um preccedilo aproximado de abertura
qo = po + (pc minus po)ε1 (40)
onde po eacute o preccedilo de abertura do candle pc eacute o preccedilo de fechamento do candle e ε1foi escolhido ε1 = 1
60
Para a estrateacutegia que utiliza fechamento de candle para zerar a posiccedilatildeo (MO1)
consideramos a aproximaccedilatildeo do preccedilo de fechamento
qc = po + (pc minus po)ε2 (41)
com ε2 = 1415
Valores menores de ε1 e maiores de ε2 levavam a operaccedilotildees que natildeo
aconteciam dentro do candle esperado Nas etapas seguintes do trabalho quando
1Execuccedilatildeo de uma estrateacutegia com uso de dados histoacutericos
68
referirmos a preccedilos de abertura e fechamento de candle utilizados em operaccedilotildees
consideraremos estas aproximaccedilotildees aqui definidas
Analogamente aos capiacutetulos anteriores somente retornos previstos que estatildeo no
quarto quartil (ver seccedilatildeo 53) satildeo considerados para a operaccedilatildeo Deste modo se
o preccedilo de fechamento previsto no tempo t + 1 for maior (menor) que o preccedilo real
no tempo t a tendecircncia prevista eacute de alta (baixa) Assim durante a simulaccedilatildeo a
cada novo evento (que corresponde a um novo candle) analisamos se o retorno
previsto para cada valor de R estaacute no quarto quartil e se esta condiccedilatildeo for satisfeita
o sinal correspondente eacute considerado em uma votaccedilatildeo (ver seccedilatildeo 66) De acordo
com o sinal da votaccedilatildeo realizamos uma nova operaccedilatildeo de compra (long) ou venda
descoberta (short) a mercado As posiccedilotildees de cada uma das operaccedilotildees satildeo fechadas
de forma independente
Para fechar as posiccedilotildees de compra ou venda descoberta de cada operaccedilatildeo definimos
dois modelos de operaccedilatildeo o modelo de operaccedilatildeo 1 (MO1) e o modelo de operaccedilatildeo 2
(MO2) O MO1 sempre desfaz a operaccedilatildeo no candle seguinte atraveacutes de uma contra
ordem O MO2 desfaz as posiccedilotildees baseado em stops As caracteriacutesticas de cada uma
das estrateacutegias seratildeo detalhadas nas seccedilotildees 72 e 73
Nas simulaccedilotildees utilizamos 3 tamanhos diferentes de R Para cada valor de R o
modelo gera um sinal de tendecircncia prevista sendo possiacutevel realizar a votaccedilatildeo entre
estes sinais gerados Nas execuccedilotildees seguintes a cada chegada de um novo candle
a janela eacute atualizada com o novo valor e descarta-se o dado mais antigo Os dados
utilizados para a simulaccedilatildeo das estrateacutegias foram preccedilos de abertura e fechamento
das 10 accedilotildees com maior liquidez na Bovespa nos anos de 2017 e 2018 Informaccedilotildees
de volume tambeacutem foram utilizadas para anaacutelise dos experimentos Esta reduccedilatildeo
no nuacutemero de accedilotildees analisadas eacute devida a limitaccedilotildees da plataforma em relaccedilatildeo ao
custo de execuccedilatildeo e tambeacutem pelo fato de diminuir execuccedilotildees parciais devido ao
volume reduzido de candles de accedilotildees com menor liquidez A frequecircncia dos candles
utilizados eacute de 5 minutos Os tamanhos das janelas de dados utilizadas foram R = 500
R = 1000 e R = 1500
Diante de cada novo candle disponiacutevel o modelo utiliza a janela de dados para tratar o
preccedilo conforme a seccedilatildeo 51 e calcular o novo sinal naquele instante para cada valor
de R Uma votaccedilatildeo eacute realizada entre os sinais retornados para cada R Conforme o
resultado obtido a ordem eacute enviada pela plataforma de acordo com o sinal de compra
venda ou natildeo opera retornado pelo modelo (ver seccedilatildeo 66) O modelo prevecirc o preccedilo
de fechamento no tempo t+ 1 por isso o ideal seria realizar a operaccedilatildeo no mesmo
preccedilo que foi utilizado para fazer a previsatildeo poreacutem natildeo eacute possiacutevel executar a ordem
neste preccedilo de fechamento pc(t)2 Desta forma configuramos as funccedilotildees agendadas
2pc(t) coincide com os preccedilos brutos x(t) definidos em 39
69
da plataforma para que o preccedilo de execuccedilatildeo fique o mais proacuteximo possiacutevel do preccedilo
de abertura do candle seguinte po(t+ 1) Como discutido anteriormente a plataforma
natildeo permite a negociaccedilatildeo exatamente com esse preccedilo sendo realizada no preccedilo
q0(t + 1) conforme a equaccedilatildeo 40 Ou seja utilizamos o preccedilo de fechamento no
tempo t para gerar o sinal e realizamos a operaccedilatildeo num preccedilo proacuteximo ao de abertura
po(t+ 1) do candle seguinte
Para uma dada accedilatildeo a estrateacutegia soacute recebe um sinal de compravenda quando
o modelo prevecirc retornos que estatildeo no quarto quartil (veja seccedilatildeo 53) Em caso
contraacuterio o modelo envia um sinal neutro para que natildeo execute operaccedilotildees naquele
momento Para verificar se os retornos previstos estatildeo no quarto quartil utilizamos
uma janela de tamanho Q = 100 pontos Desta forma a primeira operaccedilatildeo soacute poderaacute
ocorrer a partir do (Q + 1)-eacutesimo sinal produzido Antes disso o modelo sempre
retornaraacute sinais neutros Dado o sinal natildeo neutro uma ordem de compra ou venda
descoberta eacute submetida A venda descoberta eacute feita quando o modelo retorna um
sinal indicando que o preccedilo poderaacute cair Neste caso acreditando que o preccedilo da
accedilatildeo iraacute baixar vendemos a accedilatildeo a descoberto e de acordo com o criteacuterio de cada
estrateacutegia compramos a accedilatildeo para repor a venda em tempos seguintes A sequecircncia
da simulaccedilatildeo eacute apresentada na figura 18
Para padronizar utilizamos os mesmos paracircmetros na configuraccedilatildeo da plataforma
para as duas estrateacutegias O capital inicial utilizado em ambas foi de R$1000000 00 A
quantidade de cada uma das accedilotildees negociadas a cada ordem foi 10 vezes o tamanho
do lote padratildeo Na plataforma as accedilotildees soacute satildeo negociadas em lotes padratildeo natildeo
sendo permitidas negociaccedilotildees no mercado fracionaacuterio3 A quantidade de accedilotildees no
lote padratildeo definido na plataforma em alguns casos difere da quantidade definida no
mercado real conforme apresentado nas tabelas 24 e 25 disponiacuteveis no apecircndice
B Como exemplo temos a accedilatildeo do Bradesco (BBDC4) que tem na composiccedilatildeo de
seu lote padratildeo 145 accedilotildees enquanto no mercado real o lote padratildeo desta accedilatildeo eacute
composto por 100 accedilotildees
As configuraccedilotildees de custos satildeo utilizadas para incluir custos transacionais durante
a execuccedilatildeo da estrateacutegia As configuraccedilotildees de custo aplicadas na simulaccedilatildeo foram
baseadas no cenaacuterio brasileiro Aplicamos as taxas cobradas pela Bovespa conforme
a tabela 8 e consideramos as operaccedilotildees atraveacutes de corretoras que oferecem taxas
zero para negociaccedilotildees no mercado agrave vista Os custos transacionais foram aplicados
de acordo com o volume financeiro negociado Para comparaccedilatildeo as simulaccedilotildees foram
realizadas com taxas e sem taxas
No mercado real eacute possiacutevel que as ordens lanccediladas sejam executadas parcialmente
Isso acontece devido ao volume da ordem e agrave liquidez do ativo Na simulaccedilatildeo aqui
3No mercado fracionaacuterio satildeo negociadas fraccedilotildees do lote padratildeo das accedilotildees
70
Tabela 8 ndash Taxas de negociaccedilatildeo e de liquidaccedilatildeo da BOVESPA
Volume daytrade (R$ milhotildees)Negociaccedilatildeo Liquidaccedilatildeo TotalPessoa fiacutesica Pessoa juriacutedica
Ate 4 Ateacute 20 0004245 0020000 0024245De 4 ateacute 125 De 20 ateacute 50 0003000 0020000 0023000
De 125 ateacute 25 De 50 ateacute 250 0000500 0019500 0020000De 25 ateacute 50 De 250 ateacute 500 0000500 0017500 0018000Mais de 50 Mais de 500 0000500 0015500 0016000
Nota Os valores satildeo para operaccedilotildees de day trade e foram obtidos no site da BOVESPAdisponiacutevel em httpwwwb3combrpt_brprodutos-e-servicostarifaslistados-a-vista-e-
derivativosrenda-variaveltarifas-de-acoes-e-fundos-de-investimentoa-vista
descrita configuramos para que o volume da ordem lanccedilada seja executado totalmente
na simulaccedilatildeo Poreacutem em alguns casos em accedilotildees com menor liquidez o volume do
candle disponiacutevel seraacute menor que o tamanho da ordem submetida e neste caso a
ordem seraacute executada parcialmente ateacute o limite maacuteximo do candle disponiacutevel Por
isso para evitarmos estas execuccedilotildees parciais utilizamos as accedilotildees com maior liquidez
na Bovespa De fato as ordens que submetemos tecircm volume bem menor do que o
dos candles Portanto acreditamos que a aproximaccedilatildeo que usamos (volume total da
ordem negociado) natildeo leva a importantes distorccedilotildees
A plataforma permite alocar o capital parado durante a estrateacutegia em uma aplicaccedilatildeo
tal como CDI4 Nas simulaccedilotildees definimos que o capital parado natildeo seraacute remune-
rado Com isso evitamos interferecircncia em nossos resultados de remuneraccedilotildees natildeo
advindas da estrateacutegia
Nas proacuteximas seccedilotildees vamos apresentar as duas estrateacutegias diferentes No modelo
de operaccedilatildeo 1 (MO1) vamos abrir a posiccedilatildeo de compra ou venda no instante de
tempo analisado e fechar a posiccedilatildeo no instante seguinte Jaacute no modelo de operaccedilatildeo 2
(MO2) uma ordem de compra ou venda eacute enviada e executada e a posiccedilatildeo referente
a esta ordem soacute seraacute zerada quando o stop definido for atingido
Para ilustrar as etapas das estrateacutegias desenvolvemos a figura 18 que apresenta as
principais fases da execuccedilatildeo Na etapa de configuraccedilatildeo dos paracircmetros definimos os
dados que seratildeo utilizados na simulaccedilatildeo tais como a frequecircncia dos candles e as
accedilotildees escolhidas Nesta etapa tambeacutem configuramos os custos operacionais capital
que seraacute alocado para a execuccedilatildeo e as variaacuteveis de controle de risco da estrateacutegia
dentre outras configuraccedilotildees possiacuteveis
Na coleta inicial de dados uma janela de dados histoacutericos de tamanho R eacute arma-
zenada para o caacutelculo da primeira matriz inicial Estes dados satildeo enviados para o
4Certificados de Depoacutesitos Interbancaacuterios satildeo tiacutetulos emitidos para a realizaccedilatildeo de operaccedilotildees de empreacutes-timo ou captaccedilatildeo de recursos financeiros entre os bancos
71
modelo de previsatildeo (MP) onde satildeo tratados Com a matriz de dados tratados X eacute
possiacutevel executar o modelo e gerar um sinal de previsatildeo Este sinal eacute aplicado de
acordo com cada estrateacutegia No modelo de operaccedilatildeo MO1 ao receber o sinal uma
posiccedilatildeo de compra ou venda eacute aberta o status da ordem eacute atualizado e a ordem
anterior se existir posiccedilatildeo aberta eacute zerada atraveacutes de uma contra ordem Jaacute na
estrateacutegia MO2 os stops satildeo calculados e a operaccedilatildeo eacute aberta Nesta estrateacutegia as
operaccedilotildees satildeo zeradas quando atingem os valores de stop loss ou stop gain Todo o
procedimento eacute repetido a cada chegada de um novo candle
72
MP
MO2
MO1
Configuraccedilatildeo
de
paracircmetros
Zera posiccedilatildeo
Calcula stops
Abre operaccedilatildeo
Gera sinal
Abre Posiccedilatildeo
Tratamento dos
dadosNovo candle
Coleta inicial
de dados
Atualiza estado
do sistema
Figura 18 ndash Fluxograma das estrateacutegias Principais fases de execuccedilatildeo do modelo deoperaccedilatildeo 1 (MO1) e do modelo de operaccedilatildeo 2 (MO2) Na etapa de configuraccedilatildeode paracircmetros satildeo definidas as caracteriacutesticas gerais das simulaccedilotildees Na etapade coleta inicial de dados uma sequecircncia de tamanho R de dados histoacutericosdas accedilotildees eacute armazenada para o caacutelculo da primeira matriz No modelo deprevisatildeo (MP) os dados satildeo tratados e enviados para que o modelo gere umsinal de previsatildeo de tendecircncia Para MO1 dado o sinal de previsatildeo natildeo neutrouma posiccedilatildeo de compravenda eacute aberta o estado do sistema eacute atualizado e aposiccedilatildeo anterior eacute zerada Jaacute em MO2 o valor do stop eacute calculado e a operaccedilatildeoeacute aberta associada aos valores de stop gain e stop loss A cada novo dadodisponiacutevel (novo candle) o modelo de previsatildeo eacute computado e todo o processoeacute repetido
73
Para quantificar o desempenho das estrateacutegias utilizamos os indicadores calculados
pela plataforma durante a execuccedilatildeo das simulaccedilotildees A descriccedilatildeo completa de cada
uma destes indicadores foi apresentada na seccedilatildeo 411 Os principais indicadores
utilizados foram
Retorno acumulado que mostra o retorno obtido com a estrateacutegia ao final da
execuccedilatildeo Eacute dado pela razatildeo entre o capital final possuiacutedo e o inicial investido
Volatilidade eacute o indicador retornado pela plataforma que representa a volatilidade da
estrateacutegia anualizada considerando os retornos diaacuterios da mesma
Sharpe eacute o iacutendice que indica a relaccedilatildeo do risco e retorno de um investimento Quanto
maior o Sharpe maior a expectativa de retorno frente ao risco associado Utiliza como
benchmark um investimento livre de risco Na simulaccedilatildeo utilizamos como benchmark
o CDI
Sortino eacute semelhante ao iacutendice Sharpe e avalia a relaccedilatildeo entre risco e retorno de
uma estrateacutegia poreacutem leva em consideraccedilatildeo apenas a volatilidade dos retornos
negativos
Max drawdown mostra a maior perda que a estrateacutegia obteve durante a execuccedilatildeo
Beta eacute o indicador que mostra a correlaccedilatildeo entre a estrateacutegia e um benchmark
medindo o quanto o crescimentodecrescimento da estrateacutegia segue o benchmark
Alpha eacute o paracircmetro que mostra o quanto a estrateacutegia se destacou positivamente dos
retornos retratados pelo benchmark
Retorno anual esperado eacute o indicador que estima o retorno que a estrateacutegia alcan-
ccedilaraacute no periacuteodo de um ano mantendo a mesma performance
Estabilidade mostra a estabilidade da estrateacutegia baseada nos retornos acumulados
PNL indica o ganho ou perda financeira ao final da execuccedilatildeo da estrateacutegia
VAR eacute utilizado para calcular o risco da estrateacutegia Na plataforma este paracircmetro
estima o pior caso esperado de retorno diaacuterio da simulaccedilatildeo
Taxas representa os custos operacionais da estrateacutegia tais como corretagem emolu-
mentos e outras tarifas de serviccedilos aplicadas ao mercado acionaacuterio brasileiro Taxas
de aluguel natildeo foram consideradas uma vez que a estrateacutegia eacute desenvolvida no
intraday5 e as posiccedilotildees satildeo zeradas no mesmo dia
72 Modelo de operaccedilatildeo 1
A estrateacutegia MO1 consiste em comprar ou vender a descoberto conforme o sinal
retornado pelo modelo e desfazer (zerar) a posiccedilatildeo no passo seguinte de acordo com
5Operaccedilotildees realizadas dentro de um mesmo dia
74
a frequecircncia do candle analisado Para esta estrateacutegia desenvolvemos trecircs funccedilotildees de
agendamento6 uma para manipulaccedilatildeo dos dados e execuccedilatildeo do modelo outra para
desfazer as posiccedilotildees abertas no mercado e por fim uma funccedilatildeo de agendamento
para emitir ordens de posicionamento (compra ou venda) de acordo com o sinal
gerado pelo modelo
Neste modelo de operaccedilatildeo aleacutem da simulaccedilatildeo eacute possiacutevel tambeacutem calcular as acu-
raacutecias da forma que foram apresentadas no capiacutetulo 6 Deste modo na proacutexima
subseccedilatildeo vamos apresentar as acuraacutecias obtidas para os mesmos dados e periacuteodos
utilizados na simulaccedilatildeo do modelo
721 Acuraacutecias
As acuraacutecias obtidas com o modelo apresentadas no capiacutetulo 6 satildeo referentes a
preccedilos de fechamento dos candles Os resultados que laacute apresentamos utilizam a
matriz de preccedilos ateacute o tempo t para gerar um sinal e encontrar os preccedilos previstos
X(t + 1) Consideramos para o caacutelculo de tendecircncia prevista a diferenccedila do preccedilo
previsto X(t+ 1) e o preccedilo real X(t) Aqui analisamos a acuraacutecia de duas formas
uma eacute idecircntica agrave anterior comparando a tendecircncia prevista agravequela observada atraveacutes
da diferenccedila entre os preccedilos de fechamento X(t) e X(t+ 1) chamaremos esta de
acuraacutecia canocircnica A outra eacute de acordo com a simulaccedilatildeo mais realiacutestica em que de
posse do preccedilo de fechamento do candle X(t) eacute possiacutevel calcular um sinal utilizando
este valor e imediatamente lanccedilar uma ordem de acordo com o sinal poreacutem o preccedilo
de execuccedilatildeo seraacute qo(t+ 1) que eacute um valor proacuteximo da abertura do candle seguinte
Desta forma a acuraacutecia deveraacute ser calculada comparando-se a tendecircncia prevista
com o movimento observado entre qo(t + 1) e X(t + 1) Estes resultados seratildeo
denominados acuraacutecias efetivas
Nas tabelas 9 e 10 mostramos as acuraacutecias obtidas para R = 500 R = 1000
R = 1500 e tambeacutem para a votaccedilatildeo unacircnime entre estes valores de R para o ano de
2017 e 2018 respectivamente Esses valores satildeo referentes a acuraacutecias canocircnicas
Os valores apresentados nas tabelas 11 e 12 satildeo referentes agraves acuraacutecias efetivas
obtidas nos anos de 2017 e 2018 respectivamente Como na simulaccedilatildeo anterior aqui
tambeacutem utilizamos os seguintes valores de R como paracircmetros de entrada para o
modelo R = 1500 R = 1000 e R = 500 Tambeacutem apresentamos a votaccedilatildeo unacircnime
entre esses valores de R
Analisando os resultados percebemos que as acuraacutecias efetivas geralmente satildeo
menores quando comparadas agraves acuraacutecias canocircnicas
6Funccedilotildees programadas para serem executadas em intervalos preacute-determinados a cada novo evento
75
Tabela 9 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespa noano de 2017
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 055176541 054323459 053798481 05496368VALE5 053415179 054329485 053480018 05384045CIEL3 053849399 054848801 054806465 05534425VALE3 052433407 052550201 051997615 05267777ITUB4 055874726 05566846 054563297 05615032PETR4 058868605 057385475 057413249 05831128ABEV3 056385379 055507608 055918367 05668191BOVA11 054358257 054148385 053963893 05485689BBAS3 053731644 052841136 053358886 05343546PETR3 054584775 054169374 053303011 05469478
Tabela 10 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespano ano de 2018
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 05248441 05222335 05313253 05270455ITUB4 053228346 053066878 052536956 05364042ITUB3 07219697 071792261 069898219 07209546ABEV3 052848723 052844997 052051169 05241737PETR4 052412925 050901468 051598078 05126012BBAS3 052238209 052155772 053148111 05242525BOVA11 054383243 053680922 053006939 05438518B3SA3 054016106 053573623 053500714 05414768VALE3 049833301 049735864 049960427 04964061MGLU3 052293755 052034095 051935298 05264673
Tabela 11 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespa noano de 2018
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 05011914 05024945 05049741 05296443VALE5 05531525 05955037 06322361 05145472CIEL3 04749896 04713191 04787458 05386266VALE3 04914488 05031373 04957248 05077800ITUB4 04987131 05083433 05004837 05428696PETR4 04947859 04978012 04975523 05332230ABEV3 04814815 04783004 04835861 05285027BOVA11 05052568 05092074 05058312 05167801BBAS3 04971075 04975282 04996000 05235765PETR3 04963441 05061648 05031515 05144113
76
Tabela 12 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespa noano de 2018
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 05101960 05039117 05081028 05101540ITUB4 05006803 05002930 05037490 05204274ITUB3 05900638 05841450 05702323 05326117ABEV3 04933448 04994650 04991361 05103865PETR4 05015291 04919239 04924980 04957188BBAS3 04973493 04922655 04955735 05166485BOVA11 05018457 05005853 04940293 05096904B3SA3 04980726 05030328 05012077 05233708VALE3 04958454 04913661 04944735 04910852MGLU3 04899507 04966571 04910714 05047889
As acuraacutecias obtidas indicam na maioria das vezes que o modelo eacute diferente de
um processo totalmente aleatoacuterio Mas somente as acuraacutecias natildeo indicam retorno
financeiro positivo pelo modelo Outras variaacuteveis devem ser consideradas tais como
taxas volatilidade e liquidez Um exemplo de accedilatildeo em que o modelo apresentou
uma acuraacutecia consideraacutevel foi a CPFE3 tanto no capiacutetulo 6 quanto para os dados
utilizados neste capiacutetulo para a simulaccedilatildeo (anos de 2017 e 2018) Poreacutem no momento
da simulaccedilatildeo este ativo apresentou problemas nas execuccedilotildees das ordens e contra
ordens devido agrave sua baixa liquidez Quando lanccedilamos a ordem de compra de 1000
accedilotildees e em seguida a contra ordem de venda da mesma quantidade em alguns
casos as ordens natildeo foram totalmente executadas (execuccedilatildeo parcial) Percebemos
que isso acontece quando o volume do candle naquele instante eacute menor que o
tamanho definido da ordem Este resultado sugere que apenas as acuraacutecias natildeo
satildeo as melhores variaacuteveis para representar o sucesso do modelo Informaccedilotildees como
liquidez volume de negociaccedilatildeo e volatilidade do ativo tambeacutem devem ser levadas
em consideraccedilatildeo Deste modo para evitarmos ordens parcialmente executadas
utilizamos na simulaccedilatildeo apenas as 10 accedilotildees com maior liquidez na Bovespa Os
resultados da simulaccedilatildeo para estas accedilotildees seratildeo apresentados na proacutexima subseccedilatildeo
722 Simulaccedilatildeo
Nesta subseccedilatildeo vamos apresentar a simulaccedilatildeo do modelo de operaccedilatildeo 1 (MO1)
utilizando as accedilotildees com maior liquidez na Bovespa Para analisar o retorno financeiro
do MO1 realizamos esta simulaccedilatildeo em dois cenaacuterios um que natildeo considera taxas
operacionais e outro em que utilizam-se os custos praticados pela Bovespa apresen-
tados na tabela 8 Para ambas as simulaccedilotildees consideramos taxa de corretagem7 zero
Este benefiacutecio eacute oferecido por algumas corretoras de valores que isentam desta taxa
7A taxa de corretagem eacute um valor cobrado pelas corretoras de valores para cada operaccedilatildeo de compra ouvenda de accedilotildees e outros ativos na Bolsa
77
de compra e venda de accedilotildees Os resultados da simulaccedilatildeo sem custos operacionais
para todo o ano de 2017 e tambeacutem no ano de 2018 satildeo apresentados nas tabelas
13 e 14 respectivamente Os indicadores obtidos quando consideramos as taxas
praticadas pela Bovespa nos mesmos periacuteodos satildeo apresentados nas tabelas 15 e
16
Tabela 13 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas ano de 2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown1015 2506 1117 102 -046Alpha Beta Retorno anual esperado Estabilidade PNL
1134 0 1036 097 R$ 1116888Taxa VaR Meacutedia caixa estrateacutegia (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -008 102121547 (1401887) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo MO1 sem taxas para o periacuteodo de 2017
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
Tabela 14 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas no ano de 2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown693 1593 1581 238 -147
Alpha Beta Retorno anual esperado Estabilidade PNL1646 -001 1648 098 R$ 15806609
Taxa VaR Meacutedia Caixa estrateacutegia (R$) Taxa de custoacutedia Taxa de aluguelR$000 -021 103123246 (3217683) R$000 R$000Nota Indicadores resultantes para a simulaccedilatildeo MO1 sem taxas para o periacuteodo de 2018
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
Tabela 15 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacionais para oano de 2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown-1928 -1928 -4326 225 -4326Alpha Beta Retorno anual esperado Estabilidade PNL
-4420 001 -4334 1 R$ -4326082Taxa VaR Meacutedia caixa estrateacutegia (R$) Taxa de custoacutedia Taxa de aluguel
R$ 5442970 -039 88914684 (637626) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo MO1 com taxas para o periacuteodo de 2017
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
Os valores dos indicadores apresentados nas tabelas 13 1415 e 16 satildeo obtidos
com a simulaccedilatildeo que utiliza a combinaccedilatildeo de todas as 10 accedilotildees para gerar o sinal e
78
Tabela 16 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacionais para oano de 2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown-992 -1015 -7030 687 -7031Alpha Beta Retorno anual esperado Estabilidade PNL
-7116 -001 -6815 1 R$ -70295405Taxa VaR Meacutedia Caixa estrateacutegia Taxa de custoacutedia Taxa de aluguel
R$ 86102015 -104 83370919 (9464573) R$000 R$000Nota Indicadores resultantes para a simulaccedilatildeo MO1 com taxas para o periacuteodo de 2018
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
posteriormente realiza operaccedilotildees com as accedilotildees nas quais o modelo envia um sinal
natildeo neutro O retorno obtido nesta situaccedilatildeo eacute o retorno acumulado ra entre todas
estas accedilotildees
Na simulaccedilatildeo sem aplicar taxas o retorno acumulado ra foi positivo no ano de 2017 e
2018 Jaacute na simulaccedilatildeo em que aplicamos taxas transacionais o retorno acumulado
ra foi negativo em ambos os periacuteodos analisados Isso exemplifica o quanto as taxas
impactam os retornos financeiros
O resultado do indicador sharpe que mostra a relaccedilatildeo entre risco e retorno de
um investimento quando comparado a um investimento sem risco foi negativo em
ambos os periacuteodos analisados para a simulaccedilatildeo aplicando taxas transacionais Jaacute as
estrateacutegias sem taxas os iacutendices apresentaram valores positivos indicando que haacute
uma relaccedilatildeo positiva entre risco e retorno da estrateacutegia
Quando avaliada a relaccedilatildeo risco e retorno da estrateacutegia levando em consideraccedilatildeo
apenas a volatilidade negativa os resultados obtidos para o indicador sortino foram
positivos para as simulaccedilotildees sem taxas e quando inseridos os custos transacionais
os resultados do indicador foram negativos em ambos os periacuteodos
Os maiores percentuais de perdas da estrateacutegia durante as execuccedilotildees retratada pelo
indicador Max drawdown foram obtidos para as estrateacutegias simuladas com taxas
sendo minus43 26 no ano de 2017 e minus70 31 no ano de 2018 Jaacute para as estrateacutegias
sem taxas os Max drawdown obtidos foram minus0 46 no ano de 2017 e minus1 47 no
ano de 2018
Os piores casos esperados de retornos diaacuterios da estrateacutegia estimado pelo indicador
VAR foram obtidos para as simulaccedilotildees com taxas No anos de 2017 o valor obtido foi
minus0 39 e no ano de 2018 o valor foi minus1 04 Para as simulaccedilotildees sem taxas o valor
foi minus0 08 no ano de 2017 e minus0 21 no ano de 2018 Analisando as simulaccedilotildees
com taxas e sem taxas percebemos que os piores casos para ambas as estrateacutegias
foram obtidos no ano de 2018 Neste mesmo periacuteodo a volatilidade anualizada da
79
estrateacutegia considerando os desvios dos retornos diaacuterios foi maior que em 2017 Isto
nos sugere que em periacuteodos de maior volatilidade diaacuteria os piores casos dos retornos
diaacuterios tendem a ser maiores do que em periacuteodos de menor volatilidade
O resultado do indicador Beta que mostra a correlaccedilatildeo do desempenho negativo e
positivo da estrateacutegia em relaccedilatildeo a um benchmark no ano de 2018 foi negativo para
a estrateacutegia executada sem taxas operacionais e tambeacutem para a estrateacutegia com taxas
No ano de 2017 o resultado de Beta para a estrateacutegia com taxas foi positivo e para a
simulaccedilatildeo sem taxas o valor de Beta foi zero
Os resultados do indicador Alpha que retorna o valor que representa o quanto a
estrateacutegia se destacou em relaccedilatildeo ao desempenho da economia (representado por
um benchmark) para as simulaccedilotildees referentes aos anos de 2017 e 2018 foram
positivos para as estrateacutegias em que natildeo aplicamos taxas operacionais Jaacute para as
estrateacutegias com taxas inseridas os resultados foram negativos em ambos os periacuteodos
O indicador de retorno anual esperado mostra o resultado estimado que a estrateacutegia
alcanccedilaraacute no periacuteodo de 1 ano Os resultados para as simulaccedilotildees sem taxas foram
positivos para ambos os periacuteodos Jaacute para as simulaccedilotildees com taxas os resultados
dos retornos estimados foram negativos para os anos de 2017 e 2018
Para as simulaccedilotildees com taxas o resultado do indicador de estabilidade da estrateacutegia
baseado no coeficiente de determinaccedilatildeo R2 dos retornos acumulados foi igual a 1
para os anos de 2017 e 2018 Para as simulaccedilotildees sem taxas os resultados foram
0 97 e 0 98 para os anos de 2017 e 2018 respectivamente
Como esperado o indicador PNL que mostra o resultado financeiro (lucro ou prejuiacutezo)
apoacutes a execuccedilatildeo da estrateacutegia para ambas as simulaccedilotildees aplicando taxas foram
negativos Jaacute para as simulaccedilotildees sem considerar taxas operacionais os resultados
para este indicador foram positivos em ambos os periacuteodos
A meacutedia de caixa da estrateacutegia ficou proacutexima do valor total de capital inicial configurado
A pouca alocaccedilatildeo de capital foi proporcionada pelo fato de que as posiccedilotildees nesta
simulaccedilatildeo satildeo zeradas no instante (candle) seguinte
Os custos referentes agrave taxa de custoacutedia8 e de aluguel de accedilotildees natildeo se aplicam nas
simulaccedilotildees uma vez que as posiccedilotildees satildeo zeradas no mesmo dia
Na maioria das vezes o modelo apresentou acuraacutecias com valores superiores a um
modelo aleatoacuterio mas ainda assim quando inserimos taxas o mesmo natildeo apresentou
um retorno financeiro consideraacutevel Isso nos motivou a investigar as estatiacutesticas dos
preccedilos e custos de execuccedilatildeo da estrateacutegia As taxas de negociaccedilatildeo liquidaccedilatildeo e
corretagem satildeo responsaacuteveis por diminuiacuterem o retorno Para explorarmos as carac-
8Eacute uma taxa cobrada pela manutenccedilatildeo de posiccedilatildeo de accedilotildees na bolsa de valores
80
teriacutesticas dos dados uma anaacutelise estatiacutestica dos preccedilos na amostra completa e nos
tempos com negociaccedilatildeo foi realizada e seraacute apresentada na proacutexima subseccedilatildeo
723 Anaacutelise estatiacutestica de resultados financeiros relativos ao MO1
Para o modelo de operaccedilatildeo 1 que zera a posiccedilatildeo no fechamento do candle eacute
possiacutevel verificar estatisticamente se os resultados obtidos estatildeo de acordo com o
que podemos esperar da estrateacutegia Ateacute aqui utilizamos a combinaccedilatildeo de todas as
10 accedilotildees para gerar o sinal e depois executamos a simulaccedilatildeo operando com todas
as accedilotildees de acordo com o sinal retornado pelo modelo Como um dos resultados
da simulaccedilatildeo eacute obtido um rendimento total agregado ra (referido como retorno
acumulado na seccedilatildeo (71) Aqui para analisarmos as estatiacutesticas do rendimento de
cada accedilatildeo continuamos usando a combinaccedilatildeo de todas as accedilotildees para gerar o sinal
poreacutem empregamos apenas uma accedilatildeo por vez para fazer as operaccedilotildees e calcular o
rendimento da estrateacutegia ltk obtido para cada accedilatildeo k Tal rendimento seraacute comparado
com o rendimento esperado das operaccedilotildees cujo caacutelculo eacute descrito a seguir
Para cada accedilatildeo durante a simulaccedilatildeo eacute possiacutevel observar η retornos9 ∆x(t) no
intervalo analisado com (t = 1 η) Como o modelo natildeo opera em todos os
passos de tempo uma vez que a operaccedilatildeo depende de um sinal natildeo neutro enviado
ele iraacute atuar em um subconjunto dos η retornos Para cada valor de t o modelo
apresenta uma probabilidade po de operar naquele dado candle Assumimos aqui que
a probabilidade que haja sinal natildeo neutro em tal candle natildeo depende de t Dado um
sinal natildeo neutro a probabilidade de que o modelo acerte a previsatildeo eacute pa e de que
erre eacute pe = 1minus pa
Consideremos que na simulaccedilatildeo foram realizadas m le η operaccedilotildees Tomando
aleatoriamente uma dessas operaccedilotildees ela pode se referir a qualquer um dos retornos
∆x(t) com probabilidade uniforme 1η Jaacute a probabilidade de qual tal operaccedilatildeo seja
referente a ∆x(t) e que a previsatildeo a ela relacionada seja acertada (errada) eacute paη
(peη)
Durante a simulaccedilatildeo se o modelo acerta a previsatildeo de tendecircncia o resultado finan-
ceiro eacute acrescido do valor do retorno Se ele erra eacute decrescido de forma equivalente
Assim se o retorno ∆x(t) de moacutedulo |∆x(t)| for escolhido para operar ele pode pro-
duzir uma variaccedilatildeo |∆x(t)| ou minus |∆x(t)| no resultado (considerando-se neste ponto
que a operaccedilatildeo se refere a uma accedilatildeo apenas e natildeo a um lote de accedilotildees) Portanto
para cada operaccedilatildeo escolhida aleatoriamente no conjunto de todas as operaccedilotildees a
probabilidade de que o retorno ∆x(t) tenha sido escolhido e que tenha levado a uma
variaccedilatildeo |∆x(t)| (minus |∆x(t)|) eacute paη (peη)
9Retornos reais entre cada um dos candles no periacuteodo da simulaccedilatildeo
81
Definamos uma variaacutevel aleatoacuteria M que pode assumir valores no conjunto
|∆x(t)| minus |∆x(t)| com probabilidade paη associada aos valores |∆x(t)| e peη
aos valores minus |∆x(t)| A variaacutevel M corresponde agrave variaccedilatildeo do resultado financeiro
de uma operaccedilatildeo escolhida aleatoriamente no conjunto das operaccedilotildees
Suponhamos que tomamos uma por uma as operaccedilotildees disponiacuteveis no conjunto ateacute
esgotaacute-lo e que somamos as variaccedilotildees correspondentes Tal soma coincide com a
variaccedilatildeo total dasm operaccedilotildees ou seja o resultado final da estrateacutegia aplicada agravequela
accedilatildeo especiacutefica A variaacutevel aleatoacuteria a ela associada eacute SM =msumj=1
Mj Consideraremos
no que segue que as Mj satildeo independentes e identicamente distribuiacutedas com
distribuiccedilatildeo igual agrave de M De fato isto eacute uma aproximaccedilatildeo do cenaacuterio real uma vez
que ao retirarmos um retorno do conjunto a distribuiccedilatildeo do mesmo muda
A meacutedia e a variacircncia de M satildeo respectivamente
microM =
ηsumi=1
paη|∆x(t)|+
ηsumi=1
peη
(minus |∆x(t)|) =
(2pa minus 1
η
) ηsumi=1
|∆x(t)| (42)
e
σ2M =
ηsumi=1
paη
(|∆x(t)| minus microM)2 +
ηsumi=1
peη
(minus |∆x(t)| minus microM)2 (43)
=
(pa + peη
)( ηsumi=1
|∆x(t)|2 +
ηsumi=1
micro2M
)minus 2microM
(pa minus peη
) ηsumi=1
|∆x(t)|
=1
η
ηsumi=1
|∆x(t)|2 minus micro2M
onde usamos pa + pe = 1 Assumindo a independecircncia entre os diferentes Mj a
meacutedia e a variacircncia de SM satildeo respectivamente
microSM= mmicroM (44)
e
σ2SM
= mσ2M (45)
Consideremos que as operaccedilotildees satildeo realizadas em lotes de tamanho λ de accedilotildees
Desta forma o valor esperado do rendimento financeiro referente agraves m operaccedilotildees
pode ser escrito como
microM =
(λ
(2pa minus 1
η
) ηsumi=1
|∆x(t)|
)m (46)
A variacircncia por sua vez
σ2M =
(λ2
η
ηsumi=1
|∆x(t)|2 minus micro2M
)m (47)
82
Para investigarmos se estatisticamente os rendimentos ltk efetivamente obtidos para
cada accedilatildeo k estatildeo de acordo com o que poderiacuteamos esperar do modelo analisamos a
partir da acuraacutecia e do retorno ∆x(t) o valor esperado de tais rendimentos As meacutedias
satildeo dadas por microM seguidas de seus desvios σM Para o caacutelculo da variaccedilatildeo das
operaccedilotildees utilizamos duas amostras a amostra que conteacutem o conjunto com todos
retornos ∆x(t) do periacuteodo analisado e a amostra que conteacutem somente os retornos
∆x(t) em que t coincide com os tempos em que o modelo operou Os resultados com
as meacutedias (desvios) calculadas (os) nas 2 amostras e os dados dos rendimentos ltkobtidos com o modelo de operaccedilatildeo 1 nos anos de 2017 e 2018 satildeo apresentados nas
tabelas 17 e 18 Os valores obtidos satildeo tambeacutem apresentados nas figuras 19 e 20
Tabela 17 ndash Rendimentos do modelo de operaccedilatildeo 1 no ano de 2017
2017 ltk Amostra completa microM (σM ) Amostra com negociaccedilatildeo microM (σM )BBDC4 1709317 2182192 (543764) 2632716 (634321)VALE5 1400752 937155 (507952) 1217775 (647243)CIEL3 1219486 2088778 (423495) 2717477 (545393)VALE3 472209 943961 (880760) 1141890 (1046772)ITUB4 234494 3064458 (504063) 3680701 (595252)PETR4 1019821 1190426 (257648) 1344799 (282312)ABEV3 966856 962073 (250578) 1179246 (310227)BOVA11 110868 149747 (67775) 171738 (74792)BBAS3 1642988 1688565 (534599) 2024818 (637786)PETR3 281642 577413 (286412) 679861 (334579)
Nota Na variaacutevel ltk apresentamos o rendimento referente a cada accedilatildeo k Em microM (σM )estatildeo os valores referentes agrave meacutedia (desvio) do retorno esperado de cada accedilatildeo Os valoresforam obtidos utilizando o caacutelculo de retornos esperados na amostra completa e na amostra
em tempos com negociaccedilatildeo
A figura 19 mostra os rendimentos esperados e os efetivamente obtidos com a
simulaccedilatildeo no ano de 2017 para a amostra completa e para os tempos com negociaccedilatildeo
Jaacute a figura 20 mostra resultados anaacutelogos para o ano de 2018
83
0
1
2
3
4104
M M M
k
0 2 4 6 8 10
Accedilotildees
0
1
2
3
4
5Ret
orno
s
104
Figura 19 ndash Rendimentos esperados e os efetivamente obtidos ltk para o ano de 2017para a amostra completa e a amostra com negociaccedilatildeo Os resultados apre-sentados satildeo referentes aos rendimentos esperados e os desvios calculadosnos tempos com negociaccedilatildeo durante a simulaccedilatildeo no ano de 2017 No quadro1 mostramos os resultados referentes agrave amostra completa no quadro 2 es-tatildeo plotados os resultados obtidos com a amostra referente a periacuteodos comnegociaccedilatildeo Os pontos na cor vermelha representam a meacutedia dos rendimen-tos efetivamente obtidos na simulaccedilatildeo os pontos verdes mostram as meacutediasdos rendimentos esperados e os pontos em azul representam o rendimentoesperado plusmn os desvios
84
Tabela 18 ndash Retornos do modelo de operaccedilatildeo 1 no ano de 2018
2018 ltk Amostra completa microM (σM ) Amostra com negociaccedilatildeo microM (σM )ABEV3 610898 435344 (299979) 507860 (348669)BOVA11 -1708 128245 (95594) 144797 (106773)MGLU3 4245592 1674092 (2915445) 2289244 (3870177)ITUB4 2587075 2247439 (765528) 2613596 (893825)PETR4 217876 -27632 (488172) -317157 (569206)BBAS3 1473077 1658255 (727962) 1999888 (874414)ITUB3 3786326 1245687 (472640) 1632559 (565428)VALE3 -625568 -1061141 (874929) -1251794 (1052079)BBDC4 1786022 943903 (663568) 1097792 (792768)B3SA3 1727016 1698116 (537150) 1997159 (627890)
Nota Na variaacutevel ltk apresentamos o rendimento referente a cada accedilatildeo k Em microM (σM )estatildeo os valores referentes agrave meacutedia (desvio) do retorno esperado de cada accedilatildeo Os valoresforam obtidos utilizando o caacutelculo de retornos esperados na amostra completa e na amostra
em tempos com negociaccedilatildeo
85
-2
0
2
4
6104
M M M
k
0 2 4 6 8 10Accedilotildees
-5
0
5
10Ret
orno
s
104
Figura 20 ndash Rendimentos esperados e os efetivamente obtidos ltk para o ano de 2018para a amostra completa e a amostra com negociaccedilatildeo Os resultados apre-sentados satildeo referentes aos rendimentos esperados e os desvios calculadosnos tempos com negociaccedilatildeo durante a simulaccedilatildeo no ano de 2018 No qua-dro 1 mostramos os resultados referentes agrave amosta completa no quadro 2estatildeo plotados os resultados obtidos com a amostra referente a periacuteodos comnegociaccedilatildeo Os pontos na cor vermelha representam a meacutedia dos rendimen-tos efetivamente obtidos na simulaccedilatildeo os pontos verdes mostram as meacutediasdos rendimentos esperados e os pontos em azul representam o rendimentosesperado plusmn os desvios
86
De acordo com os resultados apresentados nas tabelas 17 e 18 e tambeacutem nas figuras
19 e 20 podemos observar que 82 5 dos rendimentos financeiros ltk das accedilotildees
estatildeo dentro faixa de variaccedilatildeo da meacutedia do retorno esperado microM plusmn os desvios σM(33 casos em 40 observaccedilotildees) Tal resultado indica que eacute possiacutevel ter-se uma ideia
do resultado da aplicaccedilatildeo de um modelo de operaccedilatildeo a partir do conhecimento de
sua acuraacutecia e dos retornos absolutos meacutedios
724 Consideraccedilotildees sobre MO1
Neste modelo a cada passo de tempo analisamos se haacute posiccedilotildees em aberto e
fechamos a operaccedilatildeo com ordens a mercado Em alguns casos a ordem desfeita era
imediatamente refeita devido ao sinal enviado pelo modelo Este processo gerou um
nuacutemero de operaccedilotildees maior que o necessaacuterio para a aplicaccedilatildeo do modelo Assim a
simulaccedilatildeo gerou no ano de 2017 um nuacutemero de 97209 operaccedilotildees e no ano de 2018 o
total de 91733 operaccedilotildees Esta quantidade elevada de operaccedilotildees estaacute relacionado agrave
ordens e contra ordens que podem ser executadas em um mesmo instante de tempo
mas natildeo apenas a isso Sendo um modelo de operaccedilatildeo baseado em negociaccedilotildees
de curta duraccedilatildeo o ganho proveniente da acuraacutecia alcanccedilada eacute pequeno em relaccedilatildeo
agraves taxas Por outro lado o MO1 eacute mais controlaacutevel pois conhecendo as acuraacutecias
o retorno meacutedio do ativo e as taxas praticadas no mercado eacute possiacutevel definir a
partir de qual niacutevel o modelo se torna rentaacutevel A partir deste ponto neste tipo de
estrateacutegia o risco eacute menor uma vez que desfazemos rapidamente a posiccedilatildeo ficando
pouco tempo alocados no ativo diminuindo assim o risco de exposiccedilatildeo a grandes
oscilaccedilotildees de mercado Isto acontece pelo fato de que toda operaccedilatildeo eacute desfeita no
passo seguinte antes de abrir novas posiccedilotildees Outra vantagem eacute em relaccedilatildeo ao valor
reduzido de capital necessaacuterio para se manter alocado nas operaccedilotildees Desta forma
concluiacutemos que o MO1 natildeo gera bons resultados no cenaacuterio de taxas e acuraacutecias que
apresentamos Contudo para taxas menores e acuraacutecias maiores pode constituir-se
um modelo interessante devido ao baixo risco que apresenta bem como ao reduzido
capital necessaacuterio
73 Modelo de operaccedilatildeo 2
Nesta estrateacutegia quando o modelo de previsatildeo gera um sinal natildeo neutro operaccedilotildees
de compra ou venda satildeo abertas no preccedilo qo(t+ 1) que eacute o preccedilo mais proacuteximo ao de
abertura po(t+ 1) do candle seguinte disponiacutevel (ver equaccedilatildeo 40) Estas operaccedilotildees
satildeo zeradas apenas quando o preccedilo atinge um valor de stop gain (Sg) ou stop loss
(Sl) Neste modelo de operaccedilatildeo eacute possiacutevel limitar as perdas e ganhos das operaccedilotildees
de forma que as posiccedilotildees satildeo zeradas no momento que o preccedilo atinge um ganho ou
perda determinados independente do tempo No modelo definido se o preccedilo natildeo
87
atingir nenhum stop no periacuteodo da simulaccedilatildeo a posiccedilatildeo eacute fechada no uacuteltimo tempo
da amostra
Para esta estrateacutegia desenvolvemos na plataforma apenas uma funccedilatildeo de agenda-
mento que manipula os dados executa o modelo e lanccedila as ordens ao mercado de
acordo com o sinal de compra ou venda
Os valores dos stops foram inspirados na metodologia apresentada em (GARCIA
et al 2020) Aqui adaptamos para que os valores de uma meacutedia relativa sejam
calculados em uma janela deslizante precedente ao dado analisado Os stops satildeo
definidos com base no moacutedulo do retorno meacutedio de cada accedilatildeo calculado na janela de
dados Q que tambeacutem eacute utilizada para caacutelculo do quartil no periacuteodo precedente ao
instante analisado Esta metodologia eacute utilizada para evitar o uso de dados futuros no
caacutelculo Os valores dos stops foram definidos como
Sl = qo(t+ 1)minus κl
(|∆x|(t)x(t)
)qo(t+ 1) (48)
e
Sg = qo(t+ 1) + κg
(|∆x|(t)x(t)
)qo(t+ 1) (49)
onde x(t) eacute o preccedilo de fechamento no tempo t qo(t + 1) eacute o preccedilo de abertura da
posiccedilatildeo κl = 10 e κg = 20 satildeo paracircmetros escolhidos Jaacute |∆x|(t) eacute a meacutedia dos
moacutedulos dos retornos na janela de tamanho Q dada por
|∆x|(t) =1
Q
tminus1sumτ=tminusQ
∆x(τ) (50)
Estes valores foram definidos considerando a variaccedilatildeo de cada accedilatildeo Assim a cada
instante de tempo o valor do stop varia tanto pela mudanccedila da janela de dados pelo
preccedilo x(t) e tambeacutem pelo preccedilo de abertura de cada operaccedilatildeo qo(t+ 1)
Nesta estrateacutegia como as operaccedilotildees levam mais passos de tempo para serem
zeradas aqui a alocaccedilatildeo de capital durante a execuccedilatildeo foi muito maior que no modelo
de operaccedilatildeo 1 Em todos os periacuteodos analisados o valor financeiro em caixa ficou
em algum momento da execuccedilatildeo totalmente alocado
Analogamente agrave seccedilatildeo anterior para mostrar o efeito das taxas no retorno financeiro
aqui tambeacutem simulamos em dois cenaacuterios Em um deles natildeo aplicamos taxas de
negociaccedilatildeo Na outra estrateacutegia utilizamos as taxas praticadas pela Bovespa que
foram apresentadas na tabela 8
88
Os resultados das simulaccedilotildees sem taxas para o ano de 2017 e 2018 satildeo apresenta-
dos nas tabelas 19 e 20 respectivamente Nestes resultados natildeo consideramos a
remuneraccedilatildeo do capital parado no decorrer da estrateacutegia
Para mostrar a consistecircncia do modelo em diferentes periacuteodos executamos as es-
trateacutegias em todos os quadrimestres do ano de 2017 e 2018 Esta simulaccedilatildeo em
diferentes periacuteodos eacute para evitar a super otimizaccedilatildeo (overfitting) do modelo A super
otimizaccedilatildeo acontece quando a estrateacutegia depois de vaacuterios ajustes funciona muito
bem no periacuteodo analisado poreacutem em outros periacuteodos os resultados natildeo se repetem
tendo um resultado pior Os paracircmetros perfeitos satildeo encontrados para aquele periacuteodo
e soacute funcionam bem naquela amostra Uma forma de testar a estrateacutegia eacute simulando
em periacuteodos diferentes para o teste de validaccedilatildeo Por isso aplicamos a estrateacutegia em
6 diferentes quadrimestres
Os resultados da simulaccedilatildeo para o ano de 2017 com taxas praticadas no mercado
satildeo apresentados na tabela 21 Para o ano de 2018 os resultados satildeo mostrados na
tabela 22 Nestes resultados tambeacutem natildeo consideramos a remuneraccedilatildeo do capital
parado no decorrer da estrateacutegia Como taxa de negociaccedilatildeo utilizamos o maior valor
de taxa de negociaccedilatildeo da Bovespa para day trade apresentado na tabela 8 Como
analisamos vaacuterios periacuteodos o nuacutemero de tabelas e consequentemente o nuacutemero de
indicadores resultantes das simulaccedilotildees eacute grande portanto vamos fazer uma anaacutelise
geral dos resultados
Os valores dos indicadores apresentados nas tabelas 19 20 21 e 22 satildeo obtidos
com a simulaccedilatildeo da estrateacutegia que utiliza a combinaccedilatildeo de todas as 10 accedilotildees para
gerar o sinal e negocia apenas com as accedilotildees em que o modelo retorna um sinal natildeo
neutro indicando uma operaccedilatildeo naquele instante O retorno obtido nesta situaccedilatildeo eacute o
retorno acumulado ra
Nas simulaccedilotildees quando aplicamos a estrateacutegia sem inserir taxas os resultados dos
retornos acumulados ra foram positivos em todos os periacuteodos dos anos de 2017 e
2018 analisados Para a simulaccedilatildeo utilizando taxas aplicadas ao cenaacuterio brasileiro
todos os periacuteodos analisados tambeacutem apresentaram retorno acumulado positivo
com exceccedilatildeo do quadrimestre 1 de 2018 Considerando-se todo o ano de 2017 a
estrateacutegia rendeu 28 5 e o desempenho do Ibovespa foi 20 09 Jaacute no ano de
2018 inteiro o desempenho da estrateacutegia foi 28 94 e o Ibovespa apresentou um
rendimento de 15 03 Todas as taxas anuais de crescimento do Ibovespa desde
o ano de 1968 satildeo apresentadas na tabela 22 anexada ao capiacutetulo C A taxa de
crescimento apresentada refere-se agrave taxa meacutedia de variaccedilatildeo do iacutendice composta
anualmente entre dois periacuteodos (BMampFBOVESPA 2019)
Os resultados do indicador alpha que representa o quanto a estrateacutegia se destacou
em relaccedilatildeo ao desempenho da economia (representado por um benchmark) foram
89
positivos para as simulaccedilotildees em todos os periacuteodos dos anos de 2017 e 2018
O indicador de retorno anual esperado que mostra o resultado estimado que a
estrateacutegia alcanccedilaraacute no periacuteodo de 1 ano foi positivo em todos os periacuteodos analisados
O indicador PNL que mostra o resultado financeiro (lucro ou prejuiacutezo) apoacutes a execuccedilatildeo
da estrateacutegia foi positivo para os periacuteodos analisados exceto no primeiro quadrimestre
de 2018
A meacutedia de caixa desta estrateacutegia eacute menor que a estrateacutegia anterior No decorrer da
simulaccedilatildeo em alguns instantes o capital ficou completamente alocado nas operaccedilotildees
A maior alocaccedilatildeo de capital foi proporcionada pelo fato de que as posiccedilotildees nesta
simulaccedilatildeo satildeo zeradas apenas quando os stops satildeo alcanccedilados
Os indicadores sharpe e sortino foram positivos em todos os periacuteodos analisados
Os maiores percentuais de perdas da estrateacutegia durante as execuccedilotildees retratados
pelo indicador Max Drawdown foram observados para as estrateacutegias simuladas com
taxas no ano de 2018 O primeiro quadrimestre de 2018 apresentou uma perda de
minus21 68 corroborando o fato de ser o uacutenico periacuteodo de retorno negativo De acordo
com o indicador de volatilidade este periacuteodo tambeacutem apresentou grandes variaccedilotildees
nos retornos diaacuterios
Para mostrar os retornos obtidos com MO2 elaboramos a figura 21 Nela apresenta-
mos os retornos obtidos com MO2 na simulaccedilatildeo com taxas e sem taxas operacionais
e tambeacutem o iacutendice sharpe associado a cada periacuteodo
90
2017 Q1 Q2 Q3-02
0
02
04
06
08Sem taxasCom taxas
2018 Q1 Q2 Q3
Periacuteodo
-02
0
02
04
06
08
Ret
orno
2017 Q1 Q2 Q3
0
2
4
6
8
2018 Q1 Q2 Q3
0
2
4
6
8
Sha
rpe
(a) (c)
(d)(b)
Figura 21 ndash Retornos e riscos do modelo de operaccedilatildeo 2 Os resultados satildeo referentesaos retornos da simulaccedilatildeo com MO2 Os periacuteodos analisados foram os anosde 2017 e 2018 e tambeacutem os seus quadrimestres As barras nas cores rochasrepresentam os resultados para as simulaccedilotildees sem considerar taxas operacio-nais Jaacute as barras amarelas correspondem aos resultados obtidos aplicandoas taxas operacionais Os valores referentes ao ano de 2017 e 2018 indicamque a simulaccedilatildeo foi executada em todo o periacuteodo Os valores representadospor Q1 Q2 e Q3 correspondem agrave simulaccedilatildeo executada nos quadrimestres 1 2e 3 respectivamente (a) Retornos acumulados ra para os dois cenaacuterios (comtaxas e sem taxas) no ano de 2017 (b) Retornos acumulados ra no periacuteododo ano de 2018 (c) Valores dos indicadores de risco Sharpe associados acada periacuteodo da simulaccedilatildeo no ano de 2017 (d) Iacutendices Sharpe obtidos para asexecuccedilotildees no periacuteodo do ano de 2018
91
Tabela 19 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de 2017
2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown657 128 5678 876 -605
Alpha Beta Retorno anual esperado Estabilidade PNL6168 -005 5757 097 R$ 5678240
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -078 64393516 (30624023) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
235 427 1165 1159 -605Alpha Beta Retorno anual esperado Estabilidade PNL
4576 -007 272 059 R$ 1164811Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -11 48641798 (23030791) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown535 1604 1904 92 -258
Alpha Beta Retorno anual esperado Estabilidade PNL7827 -026 4921 087 R$ 1904128
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -081 57881234 (23758755) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
614 1145 2026 964 -313Alpha Beta Retorno anual esperado Estabilidade PNL814 0 5921 092 R$ 2026282Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -084 51876029 (25483795) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) e
loss Sl (equaccedilatildeo 48) e sem taxas para o periacuteodo de 2017 para as 10 accedilotildees com maiorliquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e as
operaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
92
Tabela 20 ndash Resultados da simulaccedilatildeo utilizando stop gain Sg (equaccedilatildeo 49) e loss Sl (equa-ccedilatildeo 48) sem taxas para o ano de 2018
2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown356 622 6809 2060 -1695
Alpha Beta Retorno anual esperado Estabilidade PNL8077 -016 7335 084 R$ 6808514
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -198 49907873 (3584272) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
165 264 838 1828 -1605Alpha Beta Retorno anual esperado Estabilidade PNL
4658 -028 3015 016 R$ 838228Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -181 34022838 (25116093) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown17 257 1362 2102 -998
Alpha Beta Retorno anual esperado Estabilidade PNL4235 -017 3566 07 R$ 1361668
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -206 47088196 (24412598) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
344 625 2894 2507 -1419Alpha Beta Retorno anual esperado Estabilidade PNL
15673 -016 8618 053 R$ 2893581Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -236 42943842 (31200691) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) e
loss Sl (equaccedilatildeo 48) e sem taxas para o periacuteodo de 2018 para as 10 accedilotildees com maiorliquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e as
operaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
93
Tabela 21 ndash Resultados da simulaccedilatildeo utilizando stops com taxas para o ano de 2017
2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown317 557 285 925 -876
Alpha Beta Retorno anual esperado Estabilidade PNL3209 -006 2931 092 R$ 2850080
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 2655792 -089 52251856 (25794512) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
009 016 329 1194 -876Alpha Beta Retorno anual esperado Estabilidade PNL
1446 -008 113 0 R$ 329094Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 837962 -12 45107409 (22338608) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown281 71 1102 915 -361
Alpha Beta Retorno anual esperado Estabilidade PNL4552 -026 257 066 R$ 1102081
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 786141 -086 54523754 (23077241) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
305 509 1115 974 -398Alpha Beta Retorno anual esperado Estabilidade PNL
4109 0 2973 074 R$ 1115101Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 892833 -091 47685863 (24334232) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) eloss Sl (equaccedilatildeo 48) e aplicando taxas para o periacuteodo de 2017 para as 10 accedilotildees com maior
liquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e asoperaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
94
Tabela 22 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de 2018
2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown153 257 2894 2280 -2286
Alpha Beta Retorno anual esperado Estabilidade PNL4015 -022 3494 057 R$ 2894068
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 3984469 -228 35930005 (28150524) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown-047 -07 -413 1923 -2168Alpha Beta Retorno anual esperado Estabilidade PNL16 -031 -913 002 R$ -412633Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 1254255 -201 29946591 (23861408) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown047 069 489 2143 -1107
Alpha Beta Retorno anual esperado Estabilidade PNL1263 -018 10 016 R$ 489178
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 948899 -216 43434458 (23167973) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
184 315 1606 2586 -176Alpha Beta Retorno anual esperado Estabilidade PNL861 -019 477 027 R$ 1606190Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 1270134 -253 38207694 (29001582) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) eloss Sl (equaccedilatildeo 48) e aplicando taxas para o periacuteodo de 2018 para as 10 accedilotildees com maior
liquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e asoperaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
95
74 Consideraccedilotildees finais
Os dois modelos de operaccedilatildeo descritos tecircm caracteriacutesticas diferentes e apresentam
vantagens e desvantagens em relaccedilatildeo ao outro O modelo de operaccedilatildeo 1 que zera a
posiccedilatildeo no tempo seguinte antes de abrir novas operaccedilotildees tem a vantagem de que o
tempo de permanecircncia na posiccedilatildeo eacute muito pequeno diminuindo o risco de exposiccedilatildeo
a grandes oscilaccedilotildees do mercado Poreacutem o excessivo nuacutemero de operaccedilotildees leva a
taxas operacionais elevadas inviabilizando a execuccedilatildeo em mercados reais Por outro
lado o MO1 eacute mais controlaacutevel e nos daacute uma ideia de qual o patamar de taxas a
partir do qual torna-se rentaacutevel Jaacute o modelo de operaccedilatildeo 2 tem um nuacutemero menor de
operaccedilotildees em contrapartida o risco associado agrave estrateacutegia eacute maior uma vez que
a operaccedilatildeo soacute eacute zerada quando atinge um valor de stop O nuacutemero de operaccedilotildees
em MO1 foi 97209 em 2017 e 91733 em 2018 enquanto o nuacutemero de operaccedilotildees de
MO2 em todo o ano de 2017 foi 9534 no ano de 2018 a quantidade de operaccedilotildees de
MO2 foi 9238 O nuacutemero de execuccedilotildees em MO2 ficou em torno de 10 em relaccedilatildeo
ao nuacutemero de operaccedilotildees realizadas em MO1
Analisando os resultados das simulaccedilotildees percebemos que os melhores resultados
dos rendimentos foram obtidos com a estrateacutegia 2 Embora MO2 tenha se mostrado
mais lucrativo o modelo de operaccedilatildeo 1 praticamente natildeo apresenta risco Com relaccedilatildeo
a MO2 como mitigaccedilatildeo do risco temos o fato de que os valores de stop loss satildeo
pequenos Percebemos isso analisando a equaccedilatildeo 48 Uma vez que x(t) eacute o preccedilo de
fechamento e qo(t+ 1) eacute o preccedilo de abertura de posiccedilatildeo no candle seguinte podemos
observar que qo(t+1)x(t)
sim= 1 Assim o stop loss eacute aproximadamente
Sl sim= qo(t+ 1)minus κl(|∆x|
)(t) (51)
Uma vez que escolhemos κl = 10 o valor da perda maacutexima por operaccedilatildeo satildeo
significativamente menores que o valor da accedilatildeo Durante a simulaccedilatildeo para o caacutelculo
do stop utilizamos a janela de dados Q precedente ao tempo investigado para calcular
uma meacutedia dos moacutedulos dos retornos naquela janela definida como(|∆x|
)(t) Aqui
para analisar relaccedilatildeo entre os valores dos stops e os preccedilos das accedilotildees utilizamos
as seacuteries de fechamento referentes a todo o periacuteodo da simulaccedilatildeo e calculamos a
meacutedia dos moacutedulos dos retornos definida por |∆pc| e a meacutedia dos preccedilos de cada
accedilatildeo definida por pc Assim supondo |∆pc| sim=(|∆x|
)(t) podemos considerar a
aproximaccedilatildeo apresentada na equaccedilatildeo 51 com isso percebemos que os valores dos
stops satildeo substancialmente menores que os valores das accedilotildees A tabela 23 mostra
as meacutedias dos moacutedulos dos retornos |∆pc| meacutedias de preccedilos pc e as razotildees pc|∆pc|
Por outro lado como mitigaccedilatildeo do risco tambeacutem podemos considerar o fato de traba-
lharmos com uma carteira de accedilotildees diversificada Em uma evoluccedilatildeo do trabalho seria
96
interessante desenvolver um modelo de controle de risco utilizando as correlaccedilotildees
entre as accedilotildees
Em relaccedilatildeo agrave alocaccedilatildeo de capital o risco no modelo de operaccedilatildeo 2 eacute maior pois em
todas as simulaccedilotildees em algum momento o capital disponiacutevel zerou Jaacute no modelo
de operaccedilatildeo 1 durante a simulaccedilatildeo utilizamos em meacutedia apenas 20 do capital
disponiacutevel Poreacutem em todas as simulaccedilotildees o modelo de operaccedilatildeo 2 apresentou
melhores resultados que o modelo de operaccedilatildeo 1
Tabela 23 ndash Meacutedia de preccedilos e retornos das accedilotildees
2017|∆pc| pc
pc|∆pc|
BBDC4 002558665 2187134354 000117VALE5 003627768 2887922779 0001256CIEL3 002340959 1953467112 0001198VALE3 004188494 2950070746 000142ITUB4 002380873 2314603021 0001029PETR4 001766138 1399935784 0001262ABEV3 001726891 1814834573 0000952BOVA11 004623921 6587925137 0000702BBAS3 003640741 2898630173 0001256PETR3 002058712 1523066685 0001352
2018|∆pc| pc
pc|∆pc|
ABEV3 00216501 1924430907 0001125BOVA11 00701715 7894486398 0000889MGLU3 021140572 11969484777 0001766ITUB4 003648753 2954197693 0001235PETR4 003357403 2018010619 0001664BBAS3 00510998 3443680947 0001484ITUB3 002432655 2547002471 0000955VALE3 006316666 4901690744 0001289BBDC4 00367708 2628898962 0001399B3SA3 003739952 2353833938 0001589
Nota Os valores satildeo referentes agrave meacutedia dos moacutedulos dos retornos |∆pc| meacutedia dos preccedilospc de cada accedilatildeo e as razotildees pc
|∆pc| Seacuteries de preccedilos de fechamentos relativos aos periacuteodos
em que executamos a simulaccedilatildeo (2017 e 2018) foram utilizadas
97
Capiacutetulo 8
Conclusatildeo
O trabalho teve o objetivo de desenvolver um modelo baseado em um sistema de
equaccedilotildees diferenciais lineares aplicado ao mercado acionaacuterio O intuito foi contribuir
para a compreensatildeo da dinacircmica dos preccedilos no mercado financeiro e auxiliar na
decisatildeo de compra e venda das accedilotildees listadas na Bovespa Para tal nos apoiamos
na lacuna deixada pela hipoacutetese de mercado eficiente
Como parte do desenvolvimento do trabalho inicialmente realizamos uma pesquisa
bibliograacutefica Nesta autores importantes defendem que os mercados satildeo eficientes
e que as seacuteries de preccedilos passados natildeo trazem informaccedilotildees de preccedilos futuros
Na contramatildeo da teoria claacutessica outros autores mostram que os mercados natildeo
satildeo tatildeo eficientes em termos de equiliacutebrio de preccedilos e que as seacuteries apresentam
alguma memoacuteria e um certo niacutevel de correlaccedilatildeo Tendo em vista estas possibilidades
e acreditando que o mercado de accedilotildees brasileiro tambeacutem apresenta resiacuteduos de
ineficiecircncia elaboramos um modelo para ajudar na compreensatildeo da dinacircmica do
mercado de accedilotildees Para tal desenvolvemos um modelo baseado em um sistema de
equaccedilotildees diferencias lineares com o objetivo de prever tendecircncias de preccedilos das
accedilotildees
No capiacutetulo 5 apresentamos a formulaccedilatildeo do modelo baseado em um sistema de
equaccedilotildees diferenciais lineares e a sua adaptaccedilatildeo para um novo modelo de ajuste de
pontos bem como a definiccedilatildeo de um modelo de previsatildeo de tendecircncia de preccedilos
Diante das seacuteries de dados dos ativos calculamos as matrizes de coeficientes A(t)
Para verificar a variaccedilatildeo de tais matrizes em t calculamos a distacircncia entre as matrizes
obtidas em tempos adjacentes O resultado da anaacutelise foi que agrave medida em que
aumentamos o valor deR as distacircncias das matrizes calculadas em tempos seguintes
diminuiacuteam Este resultado nos sugere que as matrizes A(t) satildeo boas estimativas para
A(t+ 1) podendo assim serem utilizadas como paracircmetro no modelo de previsatildeo
No capiacutetulo 6 exploramos algumas das possibilidades de combinaccedilatildeo de paracircmetros
e dados para ajustar o modelo de previsatildeo de forma a obter melhores resultados de
98
acuraacutecia As anaacutelises foram realizadas utilizando diferentes valores de R diferentes
nuacutemeros de accedilotildees vaacuterias granularidades das seacuteries de dados expoente de Hurst e
tambeacutem a votaccedilatildeo entre os valores de R Nesta parte do trabalho tambeacutem investiga-
mos o niacutevel de eficiecircncia em dois tipos de mercados com caracteriacutesticas diferentes
por meio da anaacutelise dos resultados de acuraacutecias As anaacutelises foram realizadas utili-
zando as accedilotildees dos iacutendices Dow Jones e Ibovespa e os resultados apontaram que
as melhores taxas de acuraacutecias foram obtidas no mercado brasileiro indicando uma
certa ineficiecircncia
Como resultado da exploraccedilatildeo do modelo definimos os paracircmetros satisfatoacuterios dentro
do cenaacuterio explorado Como mencionamos anteriormente natildeo podemos afirmar que
os paracircmetros definidos satildeo os oacutetimos Para tal afirmaccedilatildeo seria necessaacuterio um estudo
mais elaborado utilizando teacutecnicas de otimizaccedilatildeo
Na investigaccedilatildeo foram considerados os paracircmetros que retornaram as melhores taxas
de acuraacutecias do modelo na previsatildeo de tendecircncia dos preccedilos das accedilotildees Quando
analisamos os resultados dos diferentes valores de R observamos que para valores
maiores de R as acuraacutecias a tendem a aumentar Assim para as anaacutelises que
utilizaram apenas uma janela para o ajuste o valor definido foi R = 1000 Jaacute para
anaacutelises aplicando a votaccedilatildeo os valores dos paracircmetros definidos foram R = 500
R = 1000 e R = 1500
Quando analisamos os resultados obtidos de a em relaccedilatildeo agrave quantidade de accedilotildees
utilizadas na combinaccedilatildeo das seacuteries de entrada para o modelo percebemos uma
moderada melhora nos valores em torno da combinaccedilatildeo de 10 accedilotildees (ver figura 10)
Na anaacutelise da relaccedilatildeo entre a acuraacutecia do modelo e a granularidade dos dados os
melhores resultados foram obtidos para a frequecircncia de cotaccedilatildeo de 5 minutos
Quando analisamos a associaccedilatildeo entre as acuraacutecias obtidas e os expoentes de
Hurst H das seacuteries em geral natildeo encontramos padrotildees relevantes relacionados agraves
acuraacutecias e tais expoentes Um padratildeo atiacutepico foi encontrado para a accedilatildeo CPFE3
em que o expoente de Hurst da seacuterie correspondente tem o valor baixo (H = 0 28)
enquanto que o valor da acuraacutecia para esta accedilatildeo eacute relevante (a = 68 10) Calculando
os coeficientes de correlaccedilatildeo linear de Pearson ρ entre as acuraacutecias obtidas em cada
quadrimestre e os expoentes de Hurst calculados nos respectivos periacuteodos os valores
obtidos de ρ foram negativos em todos os casos Os valores mais significativos
foram obtidos para as accedilotildees do Ibovespa Estes resultados indicam que haacute uma
anti-correlaccedilatildeo entre as acuraacutecias obtidas e os expoentes H das seacuteries analisadas
A outra exploraccedilatildeo do modelo foi baseada na votaccedilatildeo em relaccedilatildeo agrave direccedilatildeo da
tendecircncia prevista utilizando 10 diferentes valores de R Os resultados natildeo apontaram
ganhos significativos em relaccedilatildeo agrave utilizaccedilatildeo de apenas o valor R = 1000 A vantagem
do uso da teacutecnica de votaccedilatildeo estaacute na possibilidade de aumento do tamanho da
99
amostra uma vez que teremos mais sinais natildeo neutros retornados pelo modelo
(retornos previstos no quarto quartil)
Nesta parte do trabalho tambeacutem investigamos a consistecircncia dos resultados apli-
cando o modelo de previsatildeo em diferentes periacuteodos Os resultados sugeriram que
o modelo manteacutem consistecircncia nos diferentes quadrimestres em relaccedilatildeo agraves accedilotildees
que apresentaram melhores acuraacutecias e tambeacutem em relaccedilatildeo aos seus valores de
acuraacutecias
Dessa maneira os paracircmetros definidos para a simulaccedilatildeo foram baseados nesse
capiacutetulo de exploraccedilatildeo do modelo Estas anaacutelises foram importantes para ajudar
na definiccedilatildeo da quantidade de accedilotildees frequecircncia de cotaccedilatildeo e tamanho da janela
de dados que foram utilizadas na simulaccedilatildeo Como resultado as seacuteries utilizadas
foram as com frequecircncia de cotaccedilatildeo de 5 minutos das 10 accedilotildees com maior liquidez
na Bovespa A votaccedilatildeo entre os sinais obtidos com diferentes tamanhos de R foi
utilizada como sinal de tendecircncia Nesta exploraccedilatildeo tambeacutem observamos que os
melhores resultados foram obtidos no mercado brasileiro sendo este o definido para a
simulaccedilatildeo O mercado emergente escolhido para a simulaccedilatildeo foi devido agrave expectativa
de que o modelo tenha melhor desempenho neste cenaacuterio
No capiacutetulo 7 desenvolvemos duas estrateacutegias de negociaccedilatildeo baseadas no modelo
apresentado no capiacutetulo 5 Em ambas as estrateacutegias se o modelo envia um sinal
natildeo neutro as operaccedilotildees satildeo abertas de acordo com a tendecircncia do preccedilo prevista
(alta ou baixa) No modelo de operaccedilatildeo 1 (MO1) as operaccedilotildees satildeo fechadas a cada
passo de tempo (cada candle) com ordens a mercado No modelo de operaccedilatildeo 2
(MO2) as operaccedilotildees satildeo fechadas de acordo com os valores dos stops defindos
nas equaccedilotildees 48 e 49 Ambos os modelos de negociaccedilatildeo apresentaram custos de
processamento baixos sendo possiacutevel a execuccedilatildeo em frequecircncias de dados menores
Para quantificar o efeito dos custos operacionais as estrateacutegias foram simuladas sem
considerar taxas e tambeacutem aplicando taxas operacionais
O modelo de operaccedilatildeo 1 quando executado aplicando taxas natildeo obteve um retorno
financeiro satisfatoacuterio Sendo um modelo de operaccedilatildeo baseado em negociaccedilotildees de
curta duraccedilatildeo o ganho proveniente da acuraacutecia alcanccedilada eacute pequeno em relaccedilatildeo agraves
taxas Poreacutem este modelo foi importante para a anaacutelise estatiacutestica dos dados nos
periacuteodos utilizados na simulaccedilatildeo Tambeacutem foi um modelo importante para a anaacutelise
das acuraacutecias e o retorno acumulado De fato que as acuraacutecias por si soacute natildeo satildeo
bons indicadores de sucesso de um modelo Outras variaacuteveis devem ser levadas em
consideraccedilatildeo tais como liquidez volume e volatilidade do ativo
O MO1 eacute mais controlaacutevel pois conhecendo as acuraacutecias o retorno meacutedio do ativo
e as taxas praticadas no mercado eacute possiacutevel definir em qual niacutevel o modelo se
torna rentaacutevel A partir deste ponto o risco eacute menor uma vez que nesta estrateacutegia
100
desfazemos as posiccedilotildees a cada passo de tempo natildeo ficando expostos a grandes
oscilaccedilotildees do mercado O valor financeiro investido para se manter alocado nas
posiccedilotildees tambeacutem eacute menor A desvantagem eacute em relaccedilatildeo ao elevado nuacutemero de
operaccedilotildees realizadas gerando altas taxas operacionais
Dessa maneira concluiacutemos que o MO1 natildeo gera bons resultados no cenaacuterio de taxas
e acuraacutecias que apresentamos Contudo para taxas menores e acuraacutecias maiores
pode constituir-se um modelo interessante devido ao baixo risco que apresenta bem
como ao reduzido capital necessaacuterio
O modelo de operaccedilatildeo 2 apresentou um retorno financeiro interessante mesmo no
contexto real considerando os custos operacionais da Bovespa o modelo ainda
apresentou resultados consistentes nos periacuteodos analisados (resultados positivos
em cinco quadrimestres e negativo em apenas um) Estes resultados nos sugerem
indiacutecios em direccedilatildeo a desvios da hipoacutetese de mercado eficiente A vantagem do MO2
eacute o nuacutemero reduzido de operaccedilotildees Como mitigaccedilatildeo do risco deste modelo podemos
considerar o fato de trabalharmos com uma carteira diversificada de accedilotildees (10 accedilotildees
mais negociadas na Bovespa nos anos de 2017 e 2018) Tambeacutem como amenizaccedilatildeo
de risco podemos considerar a escolha de valores de stop loss pequenos em relaccedilatildeo
aos preccedilos das accedilotildees Assim os valores das perdas maacuteximas por operaccedilatildeo satildeo
significativamente menores que os valores das accedilotildees limitando as perdas caso a
operaccedilatildeo seja fechada com stop loss (ver tabela 23)
Diante dos resultados o modelo de operaccedilatildeo 2 apresentou maiores ganhos e se apre-
sentou como uma alternativa promissora como estrateacutegia de operaccedilatildeo em mercados
reais Poreacutem apesar de MO2 ter se mostrado mais rentaacutevel durante a simulaccedilatildeo natildeo
podemos afirmar que pode ser utilizado como ferramenta de decisatildeo para operaccedilotildees
em mercado real O modelo deve ser submetido em outros intervalos em outras situa-
ccedilotildees de mercado e tambeacutem levando em consideraccedilatildeo outras variaacuteveis para que se
possa obter consistecircncia estabilidade e com isso aumentar os retornos financeiros
Assim este trabalho natildeo tem por finalidade apresentar uma ferramenta de negociaccedilatildeo
finalizada para ser aplicada no mercado real
Durante o trabalho detectamos resiacuteduos de ineficiecircncia nas seacuteries de preccedilos ana-
lisadas Estes resiacuteduos possibilitam oportunidades de arbitragem Isto nos levou a
acreditar que eacute possiacutevel fazer inferecircncia do preccedilo futuro baseando-se em dados passa-
dos Assim os resultados aqui apresentados apontam na direccedilatildeo de explicitar desvios
da Hipoacutetese de Mercado Eficiente no mercado brasileiro Dadas estas oportunidades
e a importacircncia do tema estudado considera-se que muito haacute ainda que percorrer no
campo da investigaccedilatildeo nesta aacuterea sendo portanto um campo feacutertil para trabalhos
futuros
101
81 Trabalhos Futuros
Dentre as inuacutemeras possibilidades de futuras investigaccedilotildees destacamos as seguintes
propostas
ndash Ateacute este ponto do trabalho sugerimos que nossos dados podem ser descritos
por um modelo de regressatildeo multidimensional Poreacutem eacute preciso testar a ade-
quaccedilatildeo do modelo como tal com rigor estatiacutestico Lembremos que a violaccedilatildeo
das premissas natildeo invalida o modelo pois ateacute o momento estamos interessados
principalmente nos resultados de acerto de previsatildeo de tendecircncia
ndash Utilizar teacutecnicas de otimizaccedilatildeo para auxiliar na escolha de paracircmetros oacutetimos
para aplicar ao modelo de previsatildeo
ndash Calcular valores de stop gain e stop loss por meio de teacutecnicas de otimizaccedilatildeo
ndash Desenvolver um modelo de controle de risco com criteacuterios de otimizaccedilatildeo de
carteiras para minimizar o risco das estrateacutegias
ndash Utilizar o modelo em combinaccedilatildeo com outros indicadores
ndash Testar o modelo em negociaccedilatildeo de contratos em ambiente de mercados futuros
tais como commodities (agriacutecola1 mineral2) moedas (doacutelar e euro) e iacutendices
(Bovespa e SampP 500)
1Soja milho trigo e cafeacute2Petroacuteleo mineacuterio de ferro e ouro
102
Referecircncias
AGUIRRE L Introduccedilatildeo agrave Identificaccedilatildeo de Sistemas ndash Teacutecnicas Lineares e Natildeo-Lineares Aplicadas a Sistemas Reais Editora UFMG 2007 ISBN 9788570415844Disponiacutevel em lthttpsbooksgooglecombrbooksid=f9IwE7Ph0fYCgt Citado 3vezes nas paacuteginas 8 31 e 113
AL-KHAZALI O M PYUN C S KIM D Are exchange rate movements predictablein asia-pacific markets evidence of random walk and martingale difference processesInternational Review of Economics amp Finance Elsevier v 21 n 1 p 221ndash2312012 Citado 2 vezes nas paacuteginas 1 e 14
ALLEZ R BOUCHAUD J-P Individual and collective stock dynamics intra-dayseasonalities New Journal of Physics IOP Publishing v 13 n 2 p 025010 2011Citado na paacutegina 5
ALONSO-RIVERA A CRUZ-AKEacute S VENEGAS-MARTIacuteNEZ F Impact of monetarypolicy on financial markets efficiency and speculative bubbles A non-linear entropy-based approach 2014 Citado na paacutegina 14
ANATOLYEV S GOSPODINOV N Modeling financial return dynamics via decompo-sition Journal of Business amp Economic Statistics Taylor amp Francis 2012 Citadona paacutegina 4
ATSALAKIS G K V Surveying stock market forecasting techniques - part i Conven-tional methods Computation optimization in economics and finance researchcompendium p 49ndash104 01 2013 Citado 2 vezes nas paacuteginas 4 e 17
ATSALAKIS G S VALAVANIS K P Surveying stock market forecasting techniquesndashpart ii Soft computing methods Expert Systems with Applications Elsevier v 36n 3 p 5932ndash5941 2009 Citado 2 vezes nas paacuteginas 4 e 17
BARKOULAS J T BAUM C F Long-term dependence in stock returns EconomicsLetters Elsevier v 53 n 3 p 253ndash259 1996 Citado 2 vezes nas paacuteginas 1 e 14
BELAIRE-FRANCH J OPONG K K Testing for random walk in euro exchange ratesusing the subsampling approach Applied Economics Letters Taylor amp Francis v 17n 12 p 1145ndash1151 2010 Citado 2 vezes nas paacuteginas 1 e 14
BMampFBOVESPA Metodologia do iacutendice Bovespa 2015 Disponiacutevel em lthttpwwwb3combrpt_brmarket-data-e-indicesindicesindices-amplosibovespahtmgt Citadona paacutegina 21
BMampFBOVESPA Taxa meacutedia de crescimento Ibovespa 2019 Disponiacute-vel em lthttpwwwb3combrpt_brmarket-data-e-indicesindicesindices-amplosindice-ibovespa-ibovespa-estatisticas-historicashtmgt Citado 2 vezes nas paacuteginas89 e 121
BMampFBOVESPA Histoacuterico pessoas fiacutesicas 2020 Disponiacutevel em lthttpwwwb3combrpt_brmarket-data-e-indicesservicos-de-dadosmarket-dataconsultasmercado-a-vistahistorico-pessoas-fisicasgt Citado na paacutegina 2
103
BMampFBOVESPA Negociaccedilatildeo- Segmento BMampFBOVESPA 2020 Dis-poniacutevel em lthttpwwwb3combrpt_brregulacaoestrutura-normativaregulamentos-e-manuaisnegociacaohtmgt Citado na paacutegina 21
BORDO M D LANDON-LANE J Does expansionary monetary policy causeasset price booms some historical and empirical evidence [Sl] 2013 Citadona paacutegina 14
BRUNNERMEIER M K Information leakage and market efficiency Review of Finan-cial Studies Soc Financial Studies v 18 n 2 p 417ndash457 2005 Citado 3 vezesnas paacuteginas 1 2 e 14
CAGINALP G Does the market have a mind of its own and does it get carried awaywith excess cash The Journal of Psychology and Financial Markets Taylor ampFrancis v 3 n 2 p 72ndash75 2002 Citado na paacutegina 19
CAGINALP G DESANTIS M A paradigm for quantitative behavioral finance Ameri-can Behavioral Scientist Sage Publications v 55 n 8 p 1014ndash1034 2011 Citado3 vezes nas paacuteginas 1 14 e 19
CAGINALP G ERMENTROUT G A kinetic thermodynamics approach to the psycho-logy of fluctuations in financial markets Applied Mathematics Letters v 3 n 4 p17 ndash 19 1990 ISSN 0893-9659 Citado 2 vezes nas paacuteginas 2 e 16
CAGINALP G PORTER D SMITH V Momentum and overreaction in experimentalasset markets International Journal of Industrial Organization Elsevier v 18 n 1p 187ndash204 2000 Citado na paacutegina 19
CAJUEIRO D O TABAK B M The hurst exponent over time testing the assertionthat emerging markets are becoming more efficient Physica A Statistical Mechanicsand its Applications Elsevier v 336 n 3 p 521ndash537 2004 Citado 6 vezes naspaacuteginas 1 5 14 17 19 e 52
CARBONE A CASTELLI G STANLEY H E Time-dependent hurst exponentin financial time series Physica A Statistical Mechanics and its ApplicationsElsevier v 344 n 1-2 p 267ndash271 2004 Citado 2 vezes nas paacuteginas 16 e 19
CHARLES A DARNEacute O KIM J H Exchange-rate return predictability and theadaptive markets hypothesis Evidence from major foreign exchange rates Journal ofInternational Money and Finance Elsevier v 31 n 6 p 1607ndash1626 2012 Citado2 vezes nas paacuteginas 1 e 14
CHEN P-w HUANG H-c SU Y-c The central bank in market efficiency The caseof taiwan Pacific-Basin Finance Journal Elsevier v 29 p 239ndash260 2014 Citadona paacutegina 14
CHEN Z et al Effect of nonstationarities on detrended fluctuation analysis Physicalreview E Statistical nonlinear and soft matter physics v 65 p 041107 05 2002Citado na paacutegina 48
CHEVAPATRAKUL T Return sign forecasts based on conditional risk Evidence fromthe uk stock market index Journal of Banking amp Finance Elsevier v 37 n 7 p2342ndash2353 2013 Citado na paacutegina 4
104
CHORDIA T ROLL R SUBRAHMANYAM A Liquidity and market efficiency Jour-nal of Financial Economics Elsevier v 87 n 2 p 249ndash268 2008 Citado 3 vezesnas paacuteginas 1 2 e 14
CHOUDHRY T JAYASEKERA R Comparison of efficiency characteristics betweenthe banking sectors of us and uk during the global financial crisis of 2007ndash2011International Review of Financial Analysis Elsevier v 25 p 106ndash116 2012 Citado2 vezes nas paacuteginas 1 e 14
CHOUDHRY T JAYASEKERA R Market efficiency during the global financial crisisEmpirical evidence from european banks Journal of international Money andFinance Elsevier v 49 p 299ndash318 2014 Citado 2 vezes nas paacuteginas 1 e 14
CHUNG D HRAZDIL K Liquidity and market efficiency A large sample studyJournal of Banking amp Finance Elsevier v 34 n 10 p 2346ndash2357 2010 Citado 2vezes nas paacuteginas 2 e 14
COHEN J Statistical power analysis for the behavioral sciences [Sl] New YorkAcademic Press 1977 Citado 2 vezes nas paacuteginas 52 e 62
CURME C STANLEY H E VODENSKA I Coupled network approach to predic-tability of financial market returns and news sentiments International Journal ofTheoretical and Applied Finance World Scientific v 18 n 07 p 1550043 2015Citado 2 vezes nas paacuteginas 1 e 14
FAN Y et al The effect of investor psychology on the complexity of stock market Ananalysis based on cellular automaton model Computers amp Industrial EngineeringElsevier v 56 n 1 p 63ndash69 2009 Citado na paacutegina 16
FENG L et al Linking agent-based models and stochastic models of financial marketsProceedings of the National Academy of Sciences National Acad Sciences v 109n 22 p 8388ndash8393 2012 Citado na paacutegina 1
GARCIA M et al Forecast model for financial time series An approach basedon harmonic oscillators Physica A Statistical Mechanics and its ApplicationsElsevier p 124365 2020 Citado 2 vezes nas paacuteginas 17 e 88
GRECH D MAZUR Z Can one make any crash prediction in finance using thelocal hurst exponent idea Physica A Statistical Mechanics and its ApplicationsElsevier v 336 n 1 p 133ndash145 2004 Citado 2 vezes nas paacuteginas 1 e 14
HEALY P M PALEPU K G Information asymmetry corporate disclosure and thecapital markets A review of the empirical disclosure literature Journal of accountingand economics Elsevier v 31 n 1 p 405ndash440 2001 Citado 3 vezes nas paacuteginas1 2 e 14
HOMMES C KOPAacuteNYI-PEUKER A SONNEMANS J Bubbles crashes and infor-mation contagion in large-group asset market experiments Experimental EconomicsSpringer p 1ndash20 2020 Citado na paacutegina 16
HU K et al Effect of trends on detrended fluctuation analysis Phys Rev E AmericanPhysical Society v 64 p 011114 Jun 2001 Disponiacutevel em lthttpslinkapsorgdoi101103PhysRevE64011114gt Citado na paacutegina 48
105
KAHNEMAN D et al Noise How to overcome the high hidden cost of inconsistentdecision making Harvard Business Review v 94 p 38ndash46 2016 Citado na paacutegina16
KAHNEMAN D TVERSKY A Prospect theory An analysis of decision under riskEconometrica Journal of the econometric society JSTOR v 47 n 2 p 263ndash2911979 Citado 3 vezes nas paacuteginas 2 14 e 15
KATUSIIME L SHAMSUDDIN A AGBOLA F W Foreign exchange market effici-ency and profitability of trading rules Evidence from a developing country Internatio-nal Review of Economics amp Finance Elsevier v 35 p 315ndash332 2015 Citado 2vezes nas paacuteginas 1 e 14
LAZAR D TODEA A FILIP D Martingale difference hypothesis and financial crisisEmpirical evidence from european emerging foreign exchange markets EconomicSystems Elsevier v 36 n 3 p 338ndash350 2012 Citado 2 vezes nas paacuteginas 1 e 14
LIM K-P BROOKS R D KIM J H Financial crisis and stock market efficiencyEmpirical evidence from asian countries International Review of Financial AnalysisElsevier v 17 n 3 p 571ndash591 2008 Citado na paacutegina 14
LIU S Transaction costs and market efficiency Evidence from commission deregu-lation The Quarterly Review of Economics and Finance Elsevier v 50 n 3 p352ndash360 2010 Citado na paacutegina 14
MALKIEL B G FAMA E F Efficient capital markets A review of theory and empiricalwork The journal of Finance Wiley Online Library v 25 n 2 p 383ndash417 1970Citado na paacutegina 1
MANTEGNA R N STANLEY H E Introduction to econophysics correlationsand complexity in finance [Sl] Cambridge university press 1999 Citado 2 vezesnas paacuteginas 13 e 14
MEI D et al Forecasting stock market volatility Do realized skewness and kurtosishelp Physica A Statistical Mechanics and its Applications v 481 p 153ndash1592017 Citado na paacutegina 18
MERKLE C MUumlLLER-DETHARD J WEBER M Closing a mental account Therealization effect for gains and losses Experimental Economics Springer p 1ndash272020 Citado na paacutegina 16
MONTGOMERY D C Design and analysis of experiments [Sl] John Wiley ampSons 2008 Citado na paacutegina 42
NAMETALA C et al Uma estrateacutegia automatizada de investimento por meio de redesneurais artificiais e preditores economeacutetricos In Anais Principais do XII SimpoacutesioBrasileiro de Sistemas de Informaccedilatildeo Porto Alegre RS Brasil SBC 2016 p 152ndash159 ISSN 0000-0000 Disponiacutevel em lthttpssolsbcorgbrindexphpsbsiarticleview5957gt Citado 2 vezes nas paacuteginas 2 e 18
NELSON D M PEREIRA A C OLIVEIRA R A de Stock marketrsquos price movementprediction with lstm neural networks In IEEE 2017 International joint conferenceon neural networks (IJCNN) [Sl] 2017 p 1419ndash1426 Citado na paacutegina 18
106
NTIM C G et al On the efficiency of the global gold markets International Reviewof Financial Analysis Elsevier v 41 p 218ndash236 2015 Citado 2 vezes nas paacuteginas1 e 14
NYBERG H Forecasting the direction of the us stock market with dynamic binaryprobit models International Journal of Forecasting Elsevier v 27 n 2 p 561ndash5782011 Citado na paacutegina 4
OLIVEIRA F A de NOBRE C N ZARATE L E Applying artificial neural networksto prediction of stock price and improvement of the directional prediction indexndashcasestudy of petr4 petrobras brazil Expert Systems with Applications Elsevier v 40n 18 p 7596ndash7606 2013 Citado na paacutegina 17
PASQUARIELLO P ZAFEIRIDOU C Political uncertainty and financial market qualityRoss School of Business Paper n 1232 2014 Citado na paacutegina 14
PENG C-K et al Mosaic organization of dna nucleotides Phys Rev E AmericanPhysical Society v 49 p 1685ndash1689 Feb 1994 Citado na paacutegina 48
PODOBNIK B et al Fractionally integrated process for transition economics PhysicaA Statistical Mechanics and its Applications Elsevier v 362 n 2 p 465ndash4702006 Citado 2 vezes nas paacuteginas 1 e 14
POumlNKAuml H Predicting the direction of us stock markets using industry returns Empiri-cal Economics Springer p 1ndash30 2014 Citado na paacutegina 4
RAFFERTY M TOMLJANOVICH M Central bank transparency and market efficiencyAn econometric analysis Journal of Economics and Finance Springer v 26 n 2p 150ndash161 2002 Citado na paacutegina 14
RECHENTHIN M STREET W N Using conditional probability to identify trends inintra-day high-frequency equity pricing Physica A Statistical Mechanics and itsApplications Elsevier v 392 n 24 p 6169ndash6188 2013 Citado na paacutegina 17
RESENDE C C de et al Investigating market efficiency through a forecasting modelbased on differential equations Physica A Statistical Mechanics and its Applica-tions v 474 n C p 199ndash212 2017 Citado 6 vezes nas paacuteginas 1 8 10 28 31e 35
ROSS S A Information and volatility The no-arbitrage martingale approach to timingand resolution irrelevancy The Journal of Finance Wiley Online Library v 44 n 1 p1ndash17 1989 Citado 3 vezes nas paacuteginas 1 2 e 14
SAMUELSON P A Proof that properly anticipated prices fluctuate randomly[Sl sn] 1965 41ndash45 p Citado 2 vezes nas paacuteginas 1 e 13
SHARMA C BANERJEE K A study of correlations in the stock market PhysicaA Statistical Mechanics and its Applications Elsevier v 432 p 321ndash330 2015Citado na paacutegina 14
SHILLER R J Do stock prices move too much to be justified by subsequentchanges in dividends [Sl] National Bureau of Economic Research CambridgeMass USA 1980 421ndash436 p Citado na paacutegina 1
SHILLER R J FISCHER S FRIEDMAN B M Stock prices and social dynamicsBrookings papers on economic activity JSTOR v 1984 n 2 p 457ndash510 1984Citado 2 vezes nas paacuteginas 2 e 14
107
TVERSKY A KAHNEMAN D Loss Aversion in Riskless Choice A Reference-Dependent Model The Quarterly Journal of Economics v 106 n 4 p 1039ndash106111 1991 ISSN 0033-5533 Disponiacutevel em lthttpsdoiorg1023072937956gt Citado2 vezes nas paacuteginas 15 e 16
ZUNINO L et al Inefficiency in latin-american market indices The European PhysicalJournal B Springer v 60 n 1 p 111ndash121 2007 Citado 3 vezes nas paacuteginas 1 5e 14
108
Apecircndices
APEcircNDICE A ndash Estimaccedilatildeo da matriz
de coeficientes pelo meacutetodo dos
miacutenimos quadrados
Seja a relaccedilatildeo
x (t) = Ax (tminus 1) (52)
onde
x (t) =
X1 (t)
X2 (t)
Xn (t)
e A =
a11 a12 middot middot middot a1n
a21 a22 middot middot middot a2n
an1 an2 middot middot middot ann
(53)
Esta equaccedilatildeo pode ser escrita na forma
Xi (t) =(ai1 ai2 middot middot middot ain
)
X1 (tminus 1)
X2 (tminus 1)
Xn (tminus 1)
i = 1 2 middot middot middot n (54)
ou equivalentemente
Xi (t) =(X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
)
ai1
ai2
ain
(55)
110
Consideremos muacuteltiplas observaccedilotildees para cada Xi (t)
Xi (t) =(X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
)
ai1
ai2
ain
Xi (tminus 1) =(X1 (tminus 2) X2 (tminus 2) middot middot middot Xn (tminus 2)
)
ai1
ai2
ain
Xi (tminusN + 1) =(X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
)
ai1
ai2
ain
(56)
Observe que estamos assumindo que o vetor de paracircmetros natildeo muda dentro da
faixa de tempos analisada Estas equaccedilotildees podem ser escritas na formaXi (tminusN + 1)
Xi (tminus 1)
Xi (t)
=
X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
middot middot middot
X1 (tminus 2) X2 (tminus 2) Xn (tminus 2)
X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
ai1
ai2
ain
(57)
Se N gt n temos para cada valor fixo de i mais equaccedilotildees que valores de aij
(j = 1 2 middot middot middot n) para estimar Eacute natural entatildeo que ao estimarmos os paracircmetros aijcometamos erros Definindo os vetores de paracircmetros estimados e de erros (resiacuteduos)
na forma
ai=
ai1
ai2
ain
e ξi =
ξi (t)
ξi (tminus 1)
ξi (tminusN + 1)
i = 1 2 middot middot middot n (58)
respectivamente a relaccedilatildeo (57) torna-se
111
Xi (tminusN + 1)
Xi (tminus 1)
Xi (t)
=
X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
middot middot middot
X1 (tminus 2) X2 (tminus 2) Xn (tminus 2)
X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
ai1
ai2
ain
+
ξi (tminusN + 1)
ξi (tminus 1)
ξi (t)
(59)
Numa forma compacta
yi = Xai + ξi (60)
onde
yi =
Xi (tminusN + 1)
Xi (tminus 1)
Xi (t)
X=
X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
middot middot middot
X1 (tminus 2) X2 (tminus 2) Xn (tminus 2)
X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
e i = 1 2 middot middot middot n
Calculando a transposta em ambos os lados da equaccedilatildeo (59) encontramos
(Xi (tminusN + 1) middot middot middot Xi (t)
)=
(ai1 ai2 middot middot middot ain
)
X1 (tminusN) middot middot middot X1 (tminus 1)
X2 (tminusN) middot middot middot X2 (tminus 1)
Xn (tminusN) middot middot middot Xn (tminus 1)
+(ξi (tminusN + 1) middot middot middot ξi (t)
) (61)
112
Agregando as equaccedilotildees acima vaacutelidas para i = 1 2 middot middot middot n chegamos aX1 (tminusN + 1) middot middot middot X1 (t)
X2 (tminusN + 1) middot middot middot X2 (t)
Xn (tminusN + 1) middot middot middot Xn (t)
=
a11 middot middot middot a1n
a21 middot middot middot a2n
an1 middot middot middot ann
X1 (tminusN) middot middot middot X1 (tminus 1)
X2 (tminusN) middot middot middot X2 (tminus 1)
Xn (tminusN) middot middot middot Xn (tminus 1)
+
ξ1 (tminusN + 1) middot middot middot ξ1 (t)
ξ2 (tminusN + 1) middot middot middot ξ2 (t)
ξn (tminusN + 1) middot middot middot ξn (t)
(62)
Explicitando a matriz de erros
ξ1 (tminusN + 1) middot middot middot ξ1 (t)
ξ2 (tminusN + 1) middot middot middot ξ2 (t)
ξn (tminusN + 1) middot middot middot ξn (t)
=
X1 (tminusN + 1) middot middot middot X1 (t)
X2 (tminusN + 1) middot middot middot X2 (t)
Xn (tminusN + 1) middot middot middot Xn (t)
(63)
minus
a11 middot middot middot a1n
a21 middot middot middot a2n
an1 middot middot middot ann
X1 (tminusN) middot middot middot X1 (tminus 1)
X2 (tminusN) middot middot middot X2 (tminus 1)
Xn (tminusN) middot middot middot Xn (tminus 1)
Notemos que para i fixo os resiacuteduos ξi (τ) (τ = t tminus 1 middot middot middot tminusN + 1) soacute dependem
dos coeficientes aij (j = 1 2 middot middot middot n) Assim podemos encontrar os valores dos aijque minimizam a soma dos quadrados dos ξi (τ)
Si =tsum
τ=tminusN+1
(ξi (τ))2 (64)
para cada valor de i de forma independente A soma dos quadrados de todos os
resiacuteduos
S =nsumi=1
Si (65)
seraacute minimizada utilizando-se os aij calculados para todos os valores de i Buscare-
mos entatildeo a minimizaccedilatildeo dos Si separadamente Conforme descrito em (AGUIRRE
2007) a matriz que realiza essa minimizaccedilatildeo eacute dada pela equaccedilatildeo
ai =(XTX
)minus1XTyi (66)
113
Definindo a matriz
M =(XTX
)minus1XT =
M11 M12 middot middot middot M1N
M21 M22 middot middot middot M2N
Mn1 Mn2 middot middot middot MnN
(67)
podemos escreverai1
ai2
ain
=
M11 M12 middot middot middot M1N
M21 M22 middot middot middot M2N
Mn1 Mn2 middot middot middot MnN
Xi (tminusN + 1)
Xi (tminus 1)
Xi (t)
i = 1 2 middot middot middot n
(68)
relaccedilatildeo que pode ser colocada na formaa11 middot middot middot an1
a12 middot middot middot an2
a1n middot middot middot ann
=
M11 middot middot middot M1N
M21 middot middot middot M2N
Mn1 middot middot middot MnN
X1 (tminusN + 1) middot middot middot Xn (tminusN + 1) middot middot middot
X1 (tminus 1) Xn (tminus 1)
X1 (t) middot middot middot Xn (t)
(69)
Observe que a matriz representada no lado esquerdo da equaccedilatildeo acima eacute a matriz
transposta da matriz A correspondente ao valor estimado para A que minimiza a
soma dos quadrados dos resiacuteduos Definamos
XN (t) =
X1 (tminusN + 1) middot middot middot X1 (tminus 1) X1 (t)
X2 (tminusN + 1) middot middot middot X2 (tminus 1) X2 (t)
Xn (tminusN + 1) middot middot middot Xn (tminus 1) Xn (t)
(70)
para escrevermos a equaccedilatildeo (69) como
AT =(XTX
)minus1XTXT
N (t) (71)
Observando que
X= XTN (tminus 1) (72)
obtemos a seguinte expressatildeo para A
A =(XN (t) XT
N (tminus 1)) (
XN (tminus 1) XTN (tminus 1)
)minus1 (73)
114
APEcircNDICE B ndash Tabelas lotes padratildeo
das accedilotildees
Tabela 24 ndash Tabela da quantidade de accedilotildees que compotildeem o lote padratildeo de negociaccedilatildeo nomercado real e na plataforma de simulaccedilatildeo no ano de 2017
Empresa Coacutedigo de negociaccedilatildeo Lote na plataforma Lote BovespaVale on VALE3 100 100Itauacute pn ITUB4 150 100Vale pn VALE5 100 100
Bradesco pn BBDC4 145 100Fundo Ibovespa BOVA11 10 10
Ambev on ABEV3 100 100Petrobras pn PETR4 100 100
Cielo on CIEL3 120 100Petrobras on PETR3 100 100
Banco do Brasil on BBAS3 100 100Nota Apresentamos o lote padratildeo de negociaccedilatildeo definido no mercado real e tambeacutem naplataforma de simulaccedilatildeo As informaccedilotildees satildeo referentes agraves 10 accedilotildees com maior liquidez noano de 2017 Os dados destacados na cor azul referem-se agraves accedilotildees que natildeo compotildeem alista das 10 accedilotildees com maior liquidez no ano de 2018 Jaacute os dados em destaque na cor
verde referem-se agraves accedilotildees que tecircm o lote padratildeo de negociaccedilatildeo no mercado real diferentedo lote de negociaccedilatildeo definido na plataforma O coacutedigo pn eacute referente as accedilotildees
preferencias e on as accedilotildees ordinaacuterias das empresas Os dados de negociaccedilatildeo das accedilotildeesestatildeo disponiacuteveis em lthttpwwwb3combrpt_brmarket-data-e-indices
servicos-de-dadosmarket-dataconsultasmercado-a-vistalotes-de-negociacaogt
115
Tabela 25 ndash Tabela da quantidade de accedilotildees que compotildeem o lote padratildeo de negociaccedilatildeo nomercado real e na plataforma de simulaccedilatildeo no ano de 2018
Empresa Coacutedigo de negociaccedilatildeo Lote na plataforma Lote BovespaVale on VALE3 100 100Itauacute pn ITUB4 150 100B3 on B3SA3 100 100
Bradesco pn BBDC4 145 100Fundo Ibovespa BOVA11 10 10
Ambev on ABEV3 100 100Petrobras pn PETR4 100 100
Magazine Luiza on MGLU3 100 100Itauacute on ITUB3 150 100
Banco do Brasil on BBAS3 100 100Nota Apresentamos o lote padratildeo de negociaccedilatildeo definido no mercado real e tambeacutem naplataforma de simulaccedilatildeo As informaccedilotildees satildeo referentes agraves 10 accedilotildees com maior liquidez noano de 2018 Os dados destacados na cor azul referem-se agraves accedilotildees que natildeo compotildeem alista das 10 accedilotildees com maior liquidez no ano de 2017 Jaacute os dados em destaque na cor
verde referem-se agraves accedilotildees que tecircm o lote padratildeo de negociaccedilatildeo no mercado real diferentedo lote de negociaccedilatildeo definido na plataforma O coacutedigo pn eacute referente as accedilotildees
preferencias e on as accedilotildees ordinaacuterias das empresas Os dados de negociaccedilatildeo das accedilotildeesestatildeo disponiacuteveis emlthttpwwwb3combrpt_brmarket-data-e-indices
servicos-de-dadosmarket-dataconsultasmercado-a-vistalotes-de-negociacaogt
116
Anexos
ANEXO A ndash Tabela de accedilotildees que
participaram da carteira teoacuterica do
Ibovespa no primeiro quadrimestre de
2017
118
Tabela 26 ndash Composiccedilatildeo da carteira teoacuterica do Ibovespa no primeiro quadrimestre de 2017
Virada do Ibovespa para Janeiro a Abril de 2017COacuteDIGO ACcedilAtildeO TIPO PARTICIPACcedilAtildeO ()
ITUB4 ITAUUNIBANCO PN EDJ N1 10681BBDC4 BRADESCO PN EJ N1 77402ABEV3 AMBEV SA ON EJ 71825PETR4 PETROBRAS PN 60083PETR3 PETROBRAS ON 45918VALE5 VALE PNA N1 45442VALE3 VALE ON N1 3776BRFS3 BRF SA ON NM 37215BBAS3 BRASIL ON NM 34462ITSA4 ITAUSA PN EJ N1 31492BVMF3 BMFBOVESPA ON EJ NM 29414UGPA3 ULTRAPAR ON NM 27619CIEL3 CIELO ON NM 25919BBSE3 BBSEGURIDADE ON NM 19019KROT3 KROTON ON NM 18728VIVT4 TELEF BRASIL PN EJ 18181JBSS3 JBS ON NM 17712BBDC3 BRADESCO ON EJ N1 16499LREN3 LOJAS RENNER ON NM 14737CCRO3 CCR SA ON NM 13755RADL3 RAIADROGASIL ON NM 12199EMBR3 EMBRAER ON NM 11756CTIP3 CETIP ON EJ NM 11596
SANB11 SANTANDER BR UNT 11399EQTL3 EQUATORIAL ON EJ NM 10802HYPE3 HYPERMARCAS ON NM 10534SBSP3 SABESP ON NM 09795GGBR4 GERDAU PN N1 09264BRKM5 BRASKEM PNA N1 09068LAME4 LOJAS AMERIC PN 0893WEGE3 WEG ON NM 0884PCAR4 PACUCAR-CBD PN N1 08504CPFE3 CPFL ENERGIA ON NM 08192KLBN11 KLABIN SA UNT N2 07869FIBR3 FIBRIA ON NM 07324EGIE3 ENGIE BRASIL ON NM 07139BRML3 BR MALLS PAR ON NM 06907CSNA3 SID NACIONAL ON 06527CMIG4 CEMIG PN EJ N1 06394TIMP3 TIM PART SA ON NM 06333ELET3 ELETROBRAS ON N1 05955CSAN3 COSAN ON NM 05843SUZB5 SUZANO PAPEL PNA N1 05522RENT3 LOCALIZA ON EJ NM 05095ESTC3 ESTACIO PART ON ED NM 04868MULT3 MULTIPLAN ON N2 04651RUMO3 RUMO LOG ON NM 04619QUAL3 QUALICORP ON NM 04229NATU3 NATURA ON NM 03964BRAP4 BRADESPAR PN EJ N1 03292ENBR3 ENERGIAS BR ON EJ NM 03119MRVE3 MRV ON NM 03022GOAU4 GERDAU MET PN N1 02877CPLE6 COPEL PNB N1 02765SMLE3 SMILES ON EJ NM 02552CYRE3 CYRELA REALT ON NM 02516MRFG3 MARFRIG ON NM 021USIM5 USIMINAS PNA N1 01975ECOR3 ECORODOVIAS ON NM 0164
Adaptado do site BMampFBOVESPA
119
ANEXO B ndash Tabela de accedilotildees que
participaram da carteira teoacuterica do
Dow Jones no primeiro quadrimestre
de 2017
Tabela 27 ndash Composiccedilatildeo do iacutendice Dow Jones no primeiro quadrimestre de 2017
NUacuteMERO ACcedilAtildeO COacuteDIGO PARTICIPACcedilAtildeO ()1 Boeing BA 7282 Goldman Sachs GS 7183 3M MMM 6414 UnitedHealth Group UNH 6055 Apple AAPL 5006 Home Depot HD 4827 McDonalds MCD 4818 IBM IBM 4409 Johnson amp Johnson JNJ 414
10 Travelers TRV 40411 United Technologies UTX 36412 Caterpillar CAT 35513 Chevron CVX 34414 Disney DIS 31915 Visa A V 31416 JPMorgan Chase JPM 29117 Procter amp Gamble PG 28618 American Express AXP 26619 Wal Mart WMT 25320 Dupont DD 25321 ExxonMobil XOM 24922 Microsoft MSFT 22523 Merck MRK 19424 NIKE B NKE 18625 Verizon Communications VZ 15026 Coca-Cola KO 14227 Intel INTC 11428 Pfizer PFE 10429 Cisco Systems CSCO 09830 General Electric GE 080
Adaptado do site wwwindexarbcom
120
ANEXO C ndash Tabela das taxas anuais
de crescimento do Ibovespa
Reproduzimos neste anexo a tabela das taxas anuais de crescimento do Ibovespa
desde o ano de 1968 A taxa de crescimento refere-se agrave taxa meacutedia de variaccedilatildeo do
iacutendice composta anualmente entre dois periacuteodos disponiacutevel em (BMampFBOVESPA
2019)
121
TX
_M
ED
IA_1968
TA
XA
MEacute
DIA
DE
CR
ES
CIM
EN
TO
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
IBO
VE
SP
A
AN
UA
L
1968
00
0000000021
1969
1647
00
0000000055
1970
1023
546
00
0000000085
1971
1058
815
1130
00
0000000181
1972
484
223
88
(444
)00
0000000101
1973
384
177
75
(237
)48
00
0000000105
1974
381
212
141
(74
)196
365
00
0000000144
1975
376
234
180
18
245
357
349
00
0000000194
1976
359
235
190
59
244
317
294
240
00
0000000241
1977
364
256
219
111
275
340
331
322
410
00
0000000340
1978
328
230
196
101
234
275
253
222
214
45
00
0000000355
1979
348
260
232
150
276
319
310
301
321
279
566
00
0000000556
1980
356
276
252
180
296
336
331
328
350
331
503
442
00
0000000801
1981
404
332
314
252
370
417
424
437
480
499
690
756
1138
00
0000001714
1982
420
353
338
283
395
440
450
465
506
526
677
716
872
639
00
0000002808
1983
601
544
544
503
646
722
767
827
931
1035
1325
1567
2111
2753
7593
00
0000024133
1984
728
679
689
659
817
911
976
1062
1197
1340
1677
1980
2573
3241
5822
4415
00
00001307
1985
839
798
816
796
965
1071
1151
1253
1408
1574
1928
2250
2824
3423
5157
4212
4016
00
00006555
1986
813
773
788
767
919
1011
1077
1160
1283
1408
1673
1886
2239
2520
3261
2373
1662
412
00
0000926
1987
785
746
758
737
875
954
1009
1076
1176
1273
1478
1624
1858
2000
2385
1682
1122
380
349
00
0001249
1988
1042
1015
1044
1039
1212
1325
1415
1526
1680
1841
2140
2392
2775
3095
3770
3240
2989
2696
4978
25
495
00
0033082
1989
1269
1252
1296
1306
1507
1648
1768
1913
2111
2323
2692
3022
3508
3949
4795
4426
4429
4537
7731
21
214
17
625
00
061615
1990
1330
1316
1364
1376
1576
1716
1836
1980
2172
2376
2723
3028
3464
3844
4547
4210
4177
4210
6220
11
630
7720
3083
00
25157
1991
1580
1577
1640
1669
1898
2067
2216
2396
2632
2886
3299
3676
4204
4688
5532
5312
5451
5728
8193
13
853
11
248
8932
23
159
06
0777
1992
1742
1746
1819
1857
2100
2283
2447
2642
2896
3169
3602
4000
4546
5048
5891
5724
5908
6232
8494
13
027
10
965
9324
15
417
10
156
67
805
1993
2092
2112
2209
2269
2557
2781
2989
3236
3554
3900
4432
4937
5619
6273
7328
7302
7706
8327
11
214
16
634
15
255
14
711
23
621
23
855
54
372
3754
52
1994
2254
2281
2385
2454
2753
2988
3208
3467
3797
4155
4696
5208
5890
6539
7561
7558
7959
8556
11
135
15
609
14
366
13
786
19
397
18
277
24
340
10
596
43
539
2
1995
2113
2133
2222
2278
2541
2743
2927
3142
3414
3703
4138
4534
5053
5520
6251
6149
6332
6615
8183
10
671
9381
8418
10
131
8171
7591
2384
(13
)42
990
0
1996
2042
2058
2139
2189
2429
2611
2774
2963
3200
3449
3822
4151
4578
4946
5520
5383
5471
5622
6729
8383
7241
6335
7088
5498
4676
1657
272
638
70
399
4
1997
1966
1978
2051
2093
2313
2476
2620
2786
2993
3206
3526
3801
4153
4444
4897
4741
4767
4834
5637
6784
5794
4989
5326
4060
3320
1283
328
540
448
101
965
0
1998
1821
1828
1889
1922
2115
2253
2373
2510
2680
2852
3112
3326
3599
3811
4146
3973
3943
3937
4480
5224
4385
3692
3774
2787
2163
784
117
164
(18
)(3
35
)67
843
0
1999
1811
1817
1876
1907
2090
2222
2334
2462
2620
2779
3017
3211
3455
3641
3934
3766
3725
3705
4162
4772
4026
3409
3446
2599
2061
890
315
412
344
295
1519
170
916
0
2000
1712
1714
1766
1791
1956
2072
2169
2279
2415
2549
2752
2911
3111
3255
3487
3319
3258
3212
3554
4000
3352
2813
2787
2082
1624
698
232
288
213
144
500
(107
)152
592
0
2001
1622
1621
1666
1686
1836
1939
2024
2119
2236
2350
2524
2657
2822
2935
3121
2956
2883
2822
3084
3420
2852
2377
2320
1722
1327
566
176
211
140
74
260
(109
)(1
10
)135
775
0
2002
1535
1532
1571
1586
1723
1814
1887
1970
2071
2168
2318
2428
2566
2654
2803
2644
2564
2493
2697
2954
2452
2032
1958
1443
1099
459
126
148
82
20
135
(130
)(1
41
)(1
70
)112
684
0
2003
1517
1513
1550
1565
1694
1781
1850
1927
2021
2111
2250
2350
2475
2553
2686
2534
2455
2384
2563
2786
2325
1940
1867
1400
1087
504
199
228
179
139
268
68
134
280
973
222
363
0
2004
1464
1459
1493
1505
1626
1705
1767
1836
1921
2001
2126
2213
2322
2387
2500
2354
2274
2201
2350
2535
2116
1766
1690
1272
990
471
197
222
179
144
253
89
145
245
525
178
261
962
5
2005
1421
1415
1446
1456
1569
1642
1699
1762
1839
1911
2024
2101
2198
2252
2350
2210
2131
2058
2185
2340
1957
1636
1560
1181
924
454
204
228
189
160
256
118
170
253
437
227
277
334
559
4
2006
1383
1376
1405
1413
1520
1587
1640
1697
1768
1833
1936
2005
2091
2137
2223
2089
2011
1939
2048
2182
1829
1532
1457
1110
873
444
214
237
202
178
265
146
195
268
409
260
303
329
444
737
1
2007
1352
1345
1372
1379
1479
1543
1591
1645
1710
1770
1865
1927
2005
2045
2121
1992
1916
1845
1941
2058
1730
1453
1381
1060
841
443
230
252
222
201
283
179
227
294
415
302
346
382
436
638
861
0
2008
1272
1263
1286
1290
1382
1439
1481
1527
1584
1635
1717
1770
1835
1865
1927
1803
1728
1656
1734
1827
1528
1276
1203
913
714
359
166
181
150
126
187
91
119
156
222
110
94
39
(8
1)
(412
)375
503
1
2009
1260
1251
1273
1277
1365
1419
1459
1503
1557
1605
1683
1731
1792
1819
1876
1758
1684
1615
1686
1772
1489
1251
1181
909
720
385
202
219
191
172
234
149
182
224
294
207
212
197
155
36
827
685
884
1
2010
1217
1208
1227
1230
1313
1363
1399
1439
1488
1531
1602
1645
1699
1721
1771
1657
1585
1517
1579
1653
1389
1167
1099
846
670
359
189
204
177
159
214
136
163
199
255
176
176
157
117
28
359
10
693
048
1
2011
1166
1156
1174
1175
1252
1298
1331
1366
1410
1449
1513
1550
1597
1614
1657
1548
1477
1411
1463
1526
1280
1073
1007
772
609
322
163
175
149
130
178
105
127
154
197
124
117
92
50
(29
)148
(90
)(1
81
)567
540
8
2012
1132
1121
1137
1138
1211
1254
1283
1316
1357
1392
1451
1484
1527
1540
1578
1473
1405
1340
1386
1441
1210
1014
951
730
576
307
158
169
144
127
170
103
122
146
184
119
111
89
54
(09
)129
(39
)(6
2)
74
609
520
8
2013
1089
1077
1092
1091
1160
1199
1226
1256
1292
1323
1377
1406
1444
1454
1487
1386
1319
1256
1296
1343
1127
943
881
675
530
279
139
148
124
107
145
82
98
118
148
88
78
55
21
(35
)65
(69
)(9
4)
(47
)(1
55
)515
071
6
2014
1054
1043
1056
1054
1119
1156
1180
1207
1241
1269
1319
1345
1379
1386
1415
1318
1253
1192
1226
1268
1063
890
830
636
499
262
130
138
115
98
133
74
88
105
132
76
67
46
15
(34
)49
(61
)(7
8)
(41
)(9
4)
(29
)500
074
1
2015
1017
1005
1017
1014
1075
1109
1132
1156
1187
1213
1258
1281
1311
1316
1341
1247
1185
1125
1155
1191
998
834
776
593
464
241
116
122
100
84
115
60
72
86
109
57
47
26
(0
3)
(47
)21
(74
)(9
0)
(65
)(1
07
)(8
3)
(133
)433
499
6
2016
1001
989
1000
998
1056
1089
1110
1133
1162
1186
1229
1251
1279
1283
1305
1215
1154
1096
1124
1157
972
815
759
584
461
247
127
134
113
98
129
77
90
104
127
80
72
55
31
(07
)61
(18
)(2
3)
12
(03
)54
97
389
602
272
8
2017
976
964
974
971
1027
1058
1078
1099
1126
1148
1188
1207
1233
1236
1256
1169
1109
1053
1078
1108
932
782
728
561
443
240
125
131
112
97
126
77
89
103
124
80
72
57
35
02
63
(07
)(0
9)
23
13
60
91
224
79
649
840
6
Paacutegin
a 1
Figu
ra22
ndashTa
xas
anua
isde
cres
cim
ento
doIb
oves
pade
sde
1968
122
CHARLENE CAacuteSSIA DE RESENDE
MODELO MATEMAacuteTICO-COMPUTACIONAL PARA
PREVISAtildeO DE TENDEcircNCIA DE PRECcedilOS ABORDAGEM
COM MUacuteLTIPLOS ATIVOS BUSCANDO
OPORTUNIDADES EM DESVIOS DA HIPOacuteTESE DE
MERCADO EFICIENTE
Tese apresentada ao Programa de Poacutes-graduaccedilatildeo emModelagem Matemaacutetica e Computacional do Centro Federalde Educaccedilatildeo Tecnoloacutegica de Minas Gerais como requisitoparcial para a obtenccedilatildeo do tiacutetulo de Doutor em ModelagemMatemaacutetica e Computacional
Aacuterea de concentraccedilatildeo Modelagem Matemaacutetica eComputacional
Linha de pesquisa Meacutetodos Matemaacuteticos Aplicados
Orientador Arthur Rodrigo Bosco de MagalhatildeesCEFET-MG
CENTRO FEDERAL DE EDUCACcedilAtildeO TECNOLOacuteGICA DE MINAS GERAIS
PROGRAMA DE POacuteS-GRADUACcedilAtildeO EM MODELAGEM MATEMAacuteTICA E COMPUTACIONAL
BELO HORIZONTE
FEVEREIRO DE 2021
ii
Resende Charlene Caacutessia deR433m Modelo matemaacutetico-computacional para previsatildeo de tendecircncia de preccedilos
abordagem com muacuteltiplos ativos buscando oportunidades em desvios dahipoacutetese de mercado eficiente Charlene Caacutessia de Resende ndash 2021
122 f
Tese de doutorado apresentada ao Programa de Poacutes-Graduaccedilatildeo emModelagem Matemaacutetica e Computacional
Orientador Arthur Rodrigo Bosco de MagalhatildeesTese (doutorado) ndash Centro Federal de Educaccedilatildeo Tecnoloacutegica de Minas
Gerais
1 Mercado de accedilotildees ndash Modelos matemaacuteticos ndash Teses 2 Equaccedilotildeesdiferenciais ndash Teses4 Financcedilas ndash Teses 5 Futuros financeiros ndash Teses6 Probabilidades ndash Teses 7 Simulaccedilatildeo (Computadores) ndash Teses I MagalhatildeesArthur Rodrigo Bosco de II Centro Federal de Educaccedilatildeo Tecnoloacutegica deMinas Gerais III Tiacutetulo
CDD 53013
Elaboraccedilatildeo da ficha catalograacutefica pela bibliotecaacuteria Jane Marangon Duarte CRB 6o 1592 CefetMG
Agradecimentos
Agradeccedilo a Deus por ter abenccediloado todos os dias da minha vida por iluminar meu caminho
e me dar forccedilas para seguir sempre em frente
Agradeccedilo aos meus pais que muitas vezes se doaram e renunciaram aos seus sonhos para
que eu pudesse realizar os meus Quero dizer que essa conquista natildeo eacute soacute minha mas
nossa Tudo que consegui soacute foi possiacutevel graccedilas ao amor apoio e dedicaccedilatildeo que vocecircs
sempre tiveram por mim Sempre me ensinaram agir com respeito simplicidade dignidade
honestidade e amor ao proacuteximo E graccedilas ao trabalho e perseveranccedila os obstaacuteculos foram
ultrapassados e vitoacuterias foram conquistadas
Meu filho Miguel a quem dedico em especial este trabalho que embora pequeno em idade
foi grande em pensamento sabendo apoiar compreender e permitir a minha ausecircncia em
momentos importantes de sua vida Mesmo diante das dificuldades noacutes conseguimos
A toda minha famiacutelia pelo apoio torcida e confianccedila que sempre depositaram em mim
Ao meu orientador Dr Arthur Rodrigo Bosco de Magalhatildees que me acompanhou ao
longo de toda minha formaccedilatildeo acadecircmica Tenho muito orgulho de citaacute-lo como um dos
maiores responsaacuteveis pela conclusatildeo deste trabalho Agradeccedilo pela confianccedila motivaccedilatildeo
inspiraccedilatildeo amizade e conselhos Um exemplo de dedicaccedilatildeo compreensatildeo e competecircncia
Preocupado natildeo soacute com a realizaccedilatildeo do trabalho mas principalmente com o ser humano
Enfim cumpriu o seu papel de forma brilhante Muitiacutessimo obrigada
Meu agradecimento aos docentes do curso pelos conhecimentos e competecircncias que me
transmitiram ao longo deste percurso acadecircmico Em especial agradeccedilo aos professores
Adriano Rodrigo Joseacute Geraldo Albens Acebal e Giovani pelas valiosas sugestotildees
Aos amigos colegas e funcionaacuterios que fizeram parte desta minha longa passagem pelo
CEFET Em especial Dr Nilmar o grande amigo que ganhei nesta caminhada
Ao Programa de Poacutes Graduaccedilatildeo em Modelagem Matemaacutetica Computacional
Ao CEFET-MG e agrave FAPEMIG pelo apoio financeiro
iii
Os sonhos natildeo determinam o lugar onde vo-cecircs vatildeo chegar mas produzem a forccedila neces-saacuteria para tiraacute-los do lugar em que vocecircs es-tatildeo Sonhem com as estrelas para que vocecircspossam pisar pelo menos na Lua Sonhemcom a Lua para que vocecircs possam pisar pelomenos nos altos montes Sonhem com os al-tos montes para que vocecircs possam ter digni-dade quando atravessarem os vales das per-das e das frustraccedilotildees Bons alunos aprendema matemaacutetica numeacuterica alunos fascinantesvatildeo aleacutem aprendem a matemaacutetica da emo-ccedilatildeo que natildeo tem conta exata e que rompea regra da loacutegica Nessa matemaacutetica vocecirc soacuteaprende a multiplicar quando aprende a di-vidir soacute consegue ganhar quando aprende aperder soacute consegue receber quando aprendea se doar
Sem sonhos a vida natildeo tem brilho Sem me-tas os sonhos natildeo tecircm alicerces Sem priori-dades os sonhos natildeo se tornam reais Sonhetrace metas estabeleccedila prioridades e corrariscos para executar seus sonhos Melhor eacuteerrar por tentar do que errar por se omitir
Augusto Cury
iv
Resumo
A teoria econocircmica claacutessica defende que os mercados satildeo eficientes que os preccedilos cami-
nham em direccedilatildeo a um ponto de equiliacutebrio no longo prazo e que natildeo haacute possibilidades de
arbitragens Para investigar esta Hipoacutetese de Mercado Eficiente (HME) definimos um mo-
delo de previsatildeo de tendecircncias de retornos de ativos financeiros baseado em um sistema
de equaccedilotildees diferenciais lineares acopladas discretizado Neste modelo consideramos que
as relaccedilotildees entre os desvios dos preccedilos das accedilotildees em relaccedilatildeo a um preccedilo considerado
justo traz informaccedilatildeo sobre a dinacircmica dos preccedilos das accedilotildees Tais desvios satildeo calculados
utilizando-se a diferenccedila logariacutetmica entre os preccedilos reais e os preccedilos justos modelados
por uma meacutedia moacutevel exponencial Visando a comparaccedilatildeo entre um mercado emergente e
um desenvolvido aplicamos o modelo para a bolsa de valores brasileira e norte-americana
A consistecircncia do modelo foi investigada comparando-se resultados em quadrimestres
diferentes A relaccedilatildeo entre a acuraacutecia do modelo e o expoente de Hurst foi estudada Paracirc-
metros de execuccedilatildeo do modelo tais como janela de ajuste nuacutemero de accedilotildees e frequecircncia
de amostragem dos dados satildeo explorados com o objetivo de encontrar uma combinaccedilatildeo
que apresente taxas de acuraacutecia relevantes Testes de hipoacuteteses foram aplicados aos
resultados da previsatildeo para investigar se o modelo tem uma taxa de acerto de tendecircncia de
preccedilos diferente de um processo totalmente aleatoacuterio Diante dos paracircmetros explorados
escolhemos um conjunto que apresentou resultados satisfatoacuterios e aplicamos o modelo em
simulaccedilatildeo realiacutestica do mercado utilizando uma plataforma de algotrading Na simulaccedilatildeo
definimos dois modelos de operaccedilatildeo para as estrateacutegias de negociaccedilatildeo MO1 e MO2 No
MO1 as operaccedilatildeo satildeo abertas de acordo com o sinal enviado pelo preditor e encerradas no
fechamento do mesmo candle Para MO2 as operaccedilotildees satildeo encerradas por meio de stops
Os resultados foram comparados levando em consideraccedilatildeo indicadores de desempenho
tais como risco de exposiccedilatildeo ao mercado retorno financeiro taxas operacionais e capital
alocado
Palavras-chave Equaccedilotildees Diferenciais Mercado de Accedilotildees Seacuteries Financeiras Hipoacutetese
de Mercado Eficiente Previsatildeo de Tendecircncias Simulaccedilatildeo Realiacutestica Expoente de Hurst
Modelo de previsatildeo
v
Abstract
The classical economic theory argues that markets are efficient that prices move towards a
long-term equilibrium and that there is no possibility of arbitrage To investigate this Efficient
Market Hypothesis (EMH) we defined a model for forecasting trends in financial asset
returns based on a discretized coupled linear differential equation system In this model
we consider that the relationship between stock price deviations from a price considered
fair provides information on the dynamics of stocks prices Such deviations are calculated
using the logarithmic difference between actual and fair prices modeled by an exponential
moving average To compare an emerging and a developed market we applied the model
to the Brazilian and North American stock exchanges The consistency of the model was
investigated by comparing results in different periods of four months The relationship
between model accuracy and Hurst exponent was studied The execution parameters of the
model such as the fitting window number of assets and frequency of data sampling are
explored in order to find a combination that presents relevant accuracy rates Hypothesis
tests were applied to the forecast results to investigate whether the model has a success
rate different than a completely random process Given the parameters explored we chose
a set that presented satisfactory results and applied the model in a realistic simulation
of the market using an algotrading platform In the simulation we defined two operating
models for the trading strategies MO1 and MO2 In MO1 the operations are opened
according to the signal sent by the predictor and closed at the closing of the same candle
For MO2 operations are closed using stops The results were compared taking into account
performance indicators such as risk of exposure to the market financial return operating
rates and allocated capital
Keywords Differential Equations Stock market Financial Series Efficient Market Hypothe-
sis Trend Forecasting Realistic Simulation Hurst exponent Forecasting Model
vi
Lista de Figuras
Figura 1 ndash Histoacuterico de perfil dos investidores pessoas fiacutesicas na Bovespa 4
Figura 2 ndash Organizaccedilatildeo do trabalho 12
Figura 3 ndash Candles do WINZ20 23
Figura 4 ndash Comparaccedilatildeo de preccedilos brutos meacutedias moacuteveis e preccedilos tratados 29
Figura 5 ndash Distribuiccedilatildeo das distacircncias entre as matrizes A em tempos adjacentes 33
Figura 6 ndash Acuraacutecia meacutedia para todas as n accedilotildees que compotildeem os iacutendices Dow
Jones e Ibovespa 39
Figura 7 ndash Acuraacutecia meacutedia para as 10 accedilotildees com maiores participaccedilotildees no
Ibovespa E Dow Jones 41
Figura 8 ndash Exemplo de um formato de um boxplot 43
Figura 9 ndash Boxplot da Acuraacutecia para todas as accedilotildees que compotildeem os iacutendices
Dow Jones e Ibovespa 44
Figura 10 ndash Acuraacutecia meacutedia para diferentes valores de n accedilotildees que compotildeem as
carteiras do Ibovespa e Dow Jones 46
Figura 11 ndash Expoente de Hurst para todas accedilotildees que compotildeem os iacutendices Dow
Jones e Ibovespa 49
Figura 12 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que com-
potildeem os iacutendices Dow Jones e Ibovespa Q1 50
Figura 13 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que com-
potildeem os iacutendices Dow Jones e Ibovespa Q2 51
Figura 14 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 55
Figura 15 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 58
Figura 16 ndash Acuraacutecias obtidas no primeiro quadrimestre de 2017 utilizando vota-
ccedilatildeo meacutedia e sem votaccedilatildeo 63
Figura 17 ndash Acuraacutecias obtidas no segundo quadrimestre de 2017 utilizando vota-
ccedilatildeo meacutedia e sem votaccedilatildeo 64
Figura 18 ndash Fluxograma das estrateacutegias 73
Figura 19 ndash Rendimentos esperados e os efetivamente obtidos para o ano de 2017 84
Figura 20 ndash Rendimentos esperados e os efetivamente obtidos para o ano de 2018 86
Figura 21 ndash Retornos e riscos do modelo de operaccedilatildeo 2 91
Figura 22 ndash Taxas anuais de crescimento do Ibovespa 122
vii
Lista de Tabelas
Tabela 1 ndash Perfil dos investidores pessoa fiacutesica na Bovespa 3
Tabela 2 ndash Coeficientes angulares (β) e os correspondentes coeficientes de
determinaccedilatildeo (r2) 40
Tabela 3 ndash Acuraacutecia do modelo aplicado a diferentes granularidades de tempo
para R = 500 47
Tabela 4 ndash Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo quadri-
mestres para as accedilotildees dos iacutendices Ibovespa e Dow Jones 54
Tabela 5 ndash Acuraacutecias do modelo no primeiro e segundo quadrimestres para a
combinaccedilatildeo das 10 accedilotildees com maiores pesos 57
Tabela 6 ndash Comparaccedilatildeo das acuraacutecias para todas as accedilotildees dos iacutendices Ibo-
vespa e Dow Jones 60
Tabela 7 ndash Acuraacutecias do modelo para as 10 accedilotildees dos iacutendices Ibovespa e Dow
Jones com os melhores a 61
Tabela 8 ndash Taxas de negociaccedilatildeo e de liquidaccedilatildeo da BOVESPA 71
Tabela 9 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2017 76
Tabela 10 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2018 76
Tabela 11 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2018 76
Tabela 12 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2018 77
Tabela 13 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas ano de 2017 78
Tabela 14 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas no ano de 2018 78
Tabela 15 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacio-
nais para o ano de 2017 78
Tabela 16 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacio-
nais para o ano de 2018 79
Tabela 17 ndash Rendimentos do MO1 no ano de 2017 83
Tabela 18 ndash Rendimentos do MO1 no ano de 2018 85
Tabela 19 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de
2017 92
Tabela 20 ndash Resultados da simulaccedilatildeo utilizando stop gain Sg (equaccedilatildeo 49) e loss
Sl (equaccedilatildeo 48) sem taxas para o ano de 2018 93
Tabela 21 ndash Resultados da simulaccedilatildeo utilizando stops com taxas para o ano de
2017 94
viii
Tabela 22 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de
2018 95
Tabela 23 ndash Meacutedia de preccedilos e retornos das accedilotildees 97
Tabela 24 ndash Lotes padratildeo no mercado real e na plataforma de simulaccedilatildeo no ano
de 2017 115
Tabela 25 ndash Lotes padratildeo no mercado real e na plataforma de simulaccedilatildeo no ano
de 2017 116
Tabela 26 ndash Composiccedilatildeo da carteira teoacuterica do Ibovespa 119
Tabela 27 ndash Composiccedilatildeo do iacutendice Dow Jones 120
ix
Lista de Abreviaturas e Siglas
HME Hipoacutetese de mercado eficiente
MO1 Modelo de operaccedilatildeo 1
MO2 Modelo de operaccedilatildeo 2
DFA Detrended fluctuation analysis
DMA Detrending moving average
x
Lista de Siacutembolos e Variaacuteveis
a Acuraacutecia do modelo
ρ Coeficiente de correlaccedilatildeo de Pearson
σ Desvio padratildeo
ε Erro associado
R Quantidade de pontos utilizados no ajuste
a Acuraacutecia meacutedia do modelo
σa Desvio padratildeo da acuraacutecia meacutedia
H Expoente de Hurst
Q Tamanho da janela para calculo de quartis
u4 Representa os dados do quarto quartil
n Nuacutemero de accedilotildees
nr Nuacutemero de retornos
N Nuacutemero de execuccedilotildees (previsotildees)
Nc Nuacutemero de execuccedilotildees (previsotildees) corretas
d Distacircncia
β Coeficiente angular da reta
r2 Coeficiente de determinaccedilatildeo
S Tamanho da janela para calcular meacutedia moacutevel
x Preccedilo bruto
qo Aproximaccedilatildeo para o preccedilo de abertura do candle
qc Aproximaccedilatildeo para o preccedilo de fechamento do candle
x Preccedilo justo
X Preccedilo tratado
xi
T Tendecircncia
ra Retorno (rendimento) acumulado
ra Retorno acumulado para o conjunto de accedilotildees
λ Quantidade de accedilotildees negociadas
∆x Retorno bruto da accedilatildeo
∆X Retorno tratado da accedilatildeo
∆x Retorno previsto bruto da accedilatildeo
∆X Retorno pervisto tratado da accedilatildeo
Sg Stop gain
Sl Stop loss
xii
Sumaacuterio
1 ndash Introduccedilatildeo 1
11 Objetivos 6
12 Organizaccedilatildeo do trabalho 7
2 ndash Delineamento Metodoloacutegico 8
21 Levantamento bibliograacutefico 8
22 Definiccedilatildeo do modelo 8
23 Dados utilizados 8
24 Tratamento dos dados 9
25 Exploraccedilatildeo do modelo 10
26 Simulaccedilatildeo 11
27 Avaliaccedilatildeo dos resultados do modelo 11
3 ndash Trabalhos relacionados 13
31 Hipoacutetese de Mercado Eficiente 13
32 Financcedilas comportamentais 15
33 Trabalhos aplicados em previsatildeo 16
34 Expoente de Hurst 18
4 ndash Fundamentaccedilatildeo teoacuterica 20
41 Fundamentaccedilatildeo teoacuterica em financcedilas 20
411 Indicadores utilizados nas estrateacutegias 24
5 ndash Modelos 27
51 Tratamento dos dados 27
52 Ajuste linear do dados 28
53 Modelo de previsatildeo 32
6 ndash Exploraccedilatildeo do modelo de previsatildeo 37
61 Variaccedilotildees do tamanho de R 37
62 Variaccedilotildees da quantidade de accedilotildees 45
63 Variaccedilatildeo da granularidade 47
64 Anaacutelise da acuraacutecia em funccedilatildeo do expoente de Hurst das seacuteries 48
65 Acuraacutecias em quadrimestres diferentes 52
651 Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo quadri-
mestres de 2017 52
xiii
652 Aplicaccedilatildeo do modelo utilizando a combinaccedilatildeo das 10 accedilotildees com
maiores pesos nos iacutendices Ibovespa e Dow Jones 56
653 Anaacutelise do desempenho do modelo aplicado agraves accedilotildees de melhor
acuraacutecia no quadrimestre precedente 59
66 Votaccedilatildeo 62
67 Consideraccedilotildees gerais 65
7 ndash Simulaccedilatildeo 67
71 Visatildeo geral dos modelos de operaccedilatildeo 68
72 Modelo de operaccedilatildeo 1 74
721 Acuraacutecias 75
722 Simulaccedilatildeo 77
723 Anaacutelise estatiacutestica de resultados financeiros relativos ao MO1 81
724 Consideraccedilotildees sobre MO1 87
73 Modelo de operaccedilatildeo 2 87
74 Consideraccedilotildees finais 96
8 ndash Conclusatildeo 98
81 Trabalhos Futuros 102
Referecircncias 103
Apecircndices 109
APEcircNDICE A ndash Estimaccedilatildeo da matriz de coeficientes pelo meacutetodo dos miacutenimos
quadrados 110
APEcircNDICE B ndash Tabelas lotes padratildeo das accedilotildees 115
Anexos 117
ANEXO A ndash Tabela de accedilotildees que participaram da carteira teoacuterica do Ibovespa
no primeiro quadrimestre de 2017 118
ANEXO B ndash Tabela de accedilotildees que participaram da carteira teoacuterica do Dow Jones
no primeiro quadrimestre de 2017 120
ANEXO C ndash Tabela das taxas anuais de crescimento do Ibovespa 121
xiv
Capiacutetulo 1
Introduccedilatildeo
A teoria econocircmica claacutessica defende que natildeo eacute possiacutevel obter informaccedilotildees de dados
baseando-se em informaccedilotildees passadas que levem a ganhos fora do padratildeo do mercado
(SAMUELSON 1965) Seus teoacutericos defendem que os mercados seriam assim eficientes
e que os preccedilos caminham em direccedilatildeo a um ponto de equiliacutebrio no longo prazo Esta
discussatildeo inclui a definiccedilatildeo da hipoacutetese de mercado eficiente (HME) (MALKIEL FAMA
1970 SHILLER 1980) Tal hipoacutetese considera que natildeo haacute possibilidades de arbitragem
que o mercado descobre o preccedilo correto dos ativos natildeo sendo possiacutevel ganhos acima
da meacutedia sem correr riscos acima da meacutedia Considera tambeacutem que os investidores
satildeo racionais e que toda informaccedilatildeo relevante eacute disponiacutevel e absorvida imediatamente
pelo mercado (MALKIEL FAMA 1970) No entanto um grande nuacutemero de analistas do
mercado especuladores e investidores fundamentalistas ou teacutecnicos estatildeo em busca de
tais informaccedilotildees (FENG et al 2012)
Investigaccedilotildees empiacutericas sobre a eficiecircncia do mercado tecircm sido realizadas em muitos con-
textos utilizando diversas ferramentas estatiacutesticas (BARKOULAS BAUM 1996 GRECH
MAZUR 2004 CAJUEIRO TABAK 2004 ZUNINO et al 2007 CHORDIA ROLL SU-
BRAHMANYAM 2008 BELAIRE-FRANCH OPONG 2010 CAGINALP DESANTIS 2011
CHARLES DARNEacute KIM 2012 AL-KHAZALI PYUN KIM 2012 LAZAR TODEA FILIP
2012 CHOUDHRY JAYASEKERA 2012 CHOUDHRY JAYASEKERA 2014 KATUSIIME
SHAMSUDDIN AGBOLA 2015 NTIM et al 2015 CURME STANLEY VODENSKA 2015
PODOBNIK et al 2006 RESENDE et al 2017) Pesquisas mostram que o mercado natildeo eacute
tatildeo eficiente em termos de absorccedilatildeo de informaccedilatildeo nem toda informaccedilatildeo relevante estaacute
disponiacutevel aos investidores (ROSS 1989 HEALY PALEPU 2001 BRUNNERMEIER 2005)
No estudo realizado por (CAJUEIRO TABAK 2004) os expoentes de Hurst das seacuteries
de paiacuteses desenvolvidos estatildeo bem proacuteximos de 0 5 Jaacute os valores obtidos para paiacuteses
emergentes se distanciam mais deste valor indicando que mercados emergentes satildeo
menos eficientes que mercados desenvolvidos A ineficiecircncia dos mercados emergentes
dentre outros fatores pode estar relacionada agrave baixa liquidez do mercado (CHORDIA ROLL
1
SUBRAHMANYAM 2008 CHUNG HRAZDIL 2010) e ao fluxo de informaccedilatildeo (ROSS 1989
HEALY PALEPU 2001 BRUNNERMEIER 2005) Tambeacutem haacute pesquisas no campo de
financcedilas comportamentais onde o comportamento natildeo racional eacute estudado em detalhes
(KAHNEMAN TVERSKY 1979 SHILLER FISCHER FRIEDMAN 1984) Em (CAGINALP
ERMENTROUT 1990) os autores desenvolveram um modelo utilizando equaccedilotildees dife-
renciais que incorpora o aspecto emocional dos investidores em um mercado financeiro
teoacuterico Indicam que fatores psicoloacutegicos satildeo capazes de influenciar a estabilidade dos
preccedilos evidenciando desvios da hipoacutetese de mercado eficiente
Algoritmos de automatizaccedilatildeo de estrateacutegias e operaccedilotildees tambeacutem tecircm sido foco de vaacuterias
pesquisas na aacuterea Muitos desses trabalhos utilizam redes neurais artificiais para a constru-
ccedilatildeo dos modelos de previsatildeo Em (NAMETALA et al 2016) os autores desenvolveram uma
estrateacutegia automatizada que combina redes neurais artificiais e preditores economeacutetricos
para gerar sinais de compra ou venda por meio de um modelo de negociaccedilatildeo incorporado
ao algoritmo
Pesquisas nestas aacutereas de automatizaccedilatildeo caracterizaccedilatildeo e modelagem de mercados
constituem-se relativamente novas e promissoras pois com o surgimento de novas tec-
nologias e diversas plataformas de negociaccedilatildeo o nuacutemero de pessoas atuando na bolsa
tem aumentado significativamente O cadastro de CPFs na Bolsa brasileira teve um grande
avanccedilo sendo que em maio de 2020 este nuacutemero chegou agrave marca de 2483286 O aumento
pode ainda estar relacionado dentre outros fatores agrave ampla divulgaccedilatildeo e tambeacutem agrave redu-
ccedilatildeo da taxa de juros do paiacutes tornando a renda variaacutevel uma atrativa fonte de investimento
As pessoas fiacutesicas representam 98 86 do total de investidores sendo destes 75 05
homens e 23 81 mulheres O valor investido pelas pessoas fiacutesicas eacute de 303 63 bilhotildees
de reais Ainda de acordo com o relatoacuterio disponibilizado pela Bolsa a maior parte dos
investimentos estaacute concentrada no estado de Satildeo Paulo Os dados com os nuacutemeros de
investidores bem como os valores por estado satildeo mostrados na tabela 1 que foi adaptada
de (BMampFBOVESPA 2020a)
A figura 1 apresenta a evoluccedilatildeo da distribuiccedilatildeo da participaccedilatildeo de homens e mulheres no
total de investidores pessoa fiacutesica na bolsa brasileira A curva azul corresponde aos CPFs
relacionados ao sexo masculino que em todo o periacuteodo apresentado se manteve acima
da curva vermelha que representa a participaccedilatildeo das mulheres na bolsa Para ambos
os perfis percebemos um aumento significativo dos investidores a partir do ano de 2018
Segundo dados da Bovespa (BMampFBOVESPA 2020a) o nuacutemero de CPFs cadastrados na
bolsa brasileira dobrou em 2019 saltando de 813291 para 1681033 O criteacuterio de contagem
considera o CPF cadastrado em cada agente de custoacutedia ou seja pode contabilizar o
mesmo investidor caso ele possua conta em mais de um corretora Entretanto este aumento
no nuacutemero de pessoas eacute bem relevante
2
Tabela 1 ndash Perfil dos investidores pessoa fiacutesica na Bovespa
EstadoContas Valor (R$ bilhotildees)
Homens Mulheres Total Homens Mulheres TotalSP 725848 245265 971113 11615 3426 15042 4954RJ 204690 70602 275292 3536 1212 4748 1564MG 182502 54644 237146 2538 424 2962 975RS 108117 30292 138409 1246 360 1606 529SC 91315 25268 116583 789 206 995 328PR 118032 33968 152000 1071 284 1355 446BA 59552 18373 77925 511 110 622 205DF 65687 23372 89059 620 119 739 243ES 39356 11092 50448 295 058 352 116PE 42806 12570 55376 280 075 355 117CE 36110 10321 46431 224 069 292 096GO 44555 13562 58117 222 046 268 088PB 16386 4761 21147 075 017 093 031MT 20172 5841 26013 113 020 133 044MS 17871 4995 22866 128 016 144 047PA 19571 6147 25718 101 022 123 041RN 17016 4454 21470 090 017 107 035AM 12893 4137 17030 075 014 088 029MA 13847 4135 17982 073 012 085 028AL 10212 2863 13075 047 008 055 018SE 9966 2801 12767 050 010 060 020PI 8512 2456 10968 039 007 046 015RO 7805 2339 10144 034 008 042 014AP 1921 616 2537 008 001 009 003AC 2557 802 3359 011 003 014 004RR 2204 712 2916 008 001 009 003TO 5693 1702 7395 017 003 020 006
Total 1885196 598090 2483286 23817 6546 30363Nota Os dados apresentados satildeo referentes ao perfil dos investidores pessoa fiacutesica naBovespa em 29052020 Os resultados foram segmentados por estados e mostram os
nuacutemeros de contas de pessoas fiacutesicas na Bovespa bem como o saldo financeiro Acontagem dos CPFs de investidores satildeo por agente de custoacutedia Adaptado do site de
serviccedilos da Bovespa Histoacuterico de perfil dos investidores pessoas fiacutesicas de Maio de 2020disponiacutevel em lthttpwwwb3combrpt_brmarket-data-e-indicesservicos-de-dados
market-dataconsultasmercado-a-vistahistorico-pessoas-fisicasgt
3
2002 2004 2006 2008 2010 2012 2014 2016 2018 2020
Anos
0
05
1
15
2
25
Con
tas
106
HomensMulheresTotal
Figura 1 ndash Histoacuterico de perfil dos investidores pessoas fiacutesicas na Bovespa Representaa evoluccedilatildeo do nuacutemero de investidores na Bovespa entre os anos de 2002 a 2020A curva na cor azul corresponde ao nuacutemero de CPFs de investidores do sexomasculino a curva na cor vermelha representa a evoluccedilatildeo da participaccedilatildeo demulheres na Bolsa e a curva na cor verde mostra o total de pessoas fiacutesicas aolongo do periacuteodo
Nem todos os agentes atuantes no mercado tecircm retornos positivos e muitos acabam fracas-
sando e desistindo do mercado uma vez que a renda variaacutevel depende de diversos fatores
tais como gerenciamento de risco definiccedilatildeo de estrateacutegia e ateacute mesmo controle emocional
Desta forma as estrateacutegias automatizadas podem facilitar o ingresso neste cenaacuterio de
grandes oscilaccedilotildees e incertezas com mais assertividade e precisatildeo nas operaccedilotildees Isto nos
incentiva a pesquisar e desenvolver ferramentas que auxiliem na tomada de decisatildeo
Neste contexto motivados pela lacuna deixada pela hipoacutetese de mercado eficiente sugerida
por modelos interessados na previsatildeo de dinacircmicas de mercados (ATSALAKIS K 2013
ATSALAKIS VALAVANIS 2009) e por modelos empenhados na previsatildeo do sinal de
retornos de ativos (NYBERG 2011 ANATOLYEV GOSPODINOV 2012 CHEVAPATRAKUL
2013 POumlNKAuml 2014) propomos tambeacutem um modelo de previsatildeo Este eacute baseado em um
sistema de equaccedilotildees diferenciais lineares acopladas Discretizando o sistema obtemos um
modelo que se assemelha a um modelo de regressatildeo linear multivariado
Neste modelo consideramos que os desvios dos preccedilos brutos das accedilotildees em relaccedilatildeo a um
preccedilo justo satildeo os fatores importantes na nossa anaacutelise Tais desvios seratildeo denominados
4
preccedilos tratados De fato sabemos que existem modelos para precificaccedilatildeo de ativos poreacutem
neste trabalho vamos utilizar meacutedias moacuteveis exponenciais como aproximaccedilatildeo para o preccedilo
justo Assim o preccedilo considerado justo seraacute denominado preccedilo de referecircncia O preccedilo
tratado seraacute dado pela diferenccedila logariacutetmica entre o preccedilo bruto e o preccedilo de referecircncia
Na investigaccedilatildeo utilizamos dados de todas as accedilotildees que compotildeem os iacutendices Dow Jones e
Ibovespa no ano de 2017 O Dow Jones eacute um iacutendice do mercado americano que representa
a negociaccedilatildeo das 30 maiores empresas de capital aberto negociadas neste mercado O
Ibovespa eacute o iacutendice composto em meacutedia por 58 accedilotildees negociadas na bolsa de valores
de Satildeo Paulo Para compor a carteira teoacuterica do Ibovespa as accedilotildees tecircm que atender a
criteacuterios estabelecidos pela BMampFBOVESPA1 relativos agrave liquidez volume de negociaccedilatildeo
participaccedilatildeo nos pregotildees de negociaccedilatildeo e outros As seacuteries utilizadas satildeo compostas por
dados de candles intraday2 onde maiores correlaccedilotildees satildeo esperadas (ALLEZ BOUCHAUD
2011) O iacutendice Ibovespa foi escolhido por ser de um mercado de paiacutes emergente onde
a ineficiecircncia tende a ser mais evidenciada possibilitando assim maiores oportunidades
de sucesso na previsatildeo de tendecircncias de retornos (CAJUEIRO TABAK 2004 ZUNINO et
al 2007) O mercado Americano foi escolhido para contrastar com este cenaacuterio e tambeacutem
devido agrave sua importacircncia
Os paracircmetros do modelo satildeo explorados de forma a definir-se uma combinaccedilatildeo ideal
que apresente resultados relevantes de acuraacutecia na previsatildeo de tendecircncia de retornos das
accedilotildees Nosso objetivo eacute mostrar que o modelo de previsatildeo de tendecircncia apresenta uma
taxa de acuraacutecia superior a um processo totalmente aleatoacuterio Para validar estes resultados
realizaremos anaacutelises estatiacutesticas A hipoacutetese de pesquisa a ser testada eacute que a acuraacutecia
do modelo eacute diferente de 0 5 evidenciando desvio da hipoacutetese de mercado eficiente
Diante dos paracircmetros definidos durante a exploraccedilatildeo do modelo vamos desenvolver
duas estrateacutegias de negociaccedilatildeo e aplicaacute-las no mercado real atraveacutes de uma plataforma
de simulaccedilatildeo Os resultados seratildeo comparados levando em consideraccedilatildeo as variaacuteveis
envolvidas na simulaccedilatildeo tais como risco de exposiccedilatildeo ao mercado retorno financeiro
taxas operacionais e capital alocado
Um problema desafiador que surge no acircmbito das pesquisas em mercados financeiros eacute a
possibilidade de se utilizar teacutecnicas e modelos matemaacuteticos para representar a dinacircmica
dos movimentos dos preccedilos O problema torna-se mais complexo quando envolve teacutecnicas
de previsatildeo de tais valores poreacutem um grande nuacutemero de agentes do mercado estatildeo em
busca destas informaccedilotildees Assim nosso problema neste trabalho eacute desenvolver um modelo
matemaacutetico-computacional para a previsatildeo de tendecircncia de preccedilos no mercado de accedilotildees
brasileiro e no mercado americano
1Bolsa de Valores Mercadorias e Futuros de Satildeo Paulo2Dados dentro de um periacuteodo regular da bolsa (dia)
5
Nesta perspectiva este trabalho Justifica-se como complementaccedilatildeo de outros estudos
que envolvem a combinaccedilatildeo de ferramentas estatiacutesticas redes neurais artificiais e outras
abordagens aplicadas para a modelagem de mercado de accedilotildees podendo assim ser
utilizado em pesquisas futuras
11 Objetivos
Este trabalho tem como objetivo geral apresentar um modelo de previsatildeo de tendecircncias de
preccedilos das accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa buscando oportunidades
em desvios da hipoacutetese de mercado eficiente A pesquisa iraacute contribuir para a compreensatildeo
da dinacircmica dos mercados de accedilotildees
Na decomposiccedilatildeo do objetivo geral destacam-se alguns dentre os principais objetivos
especiacuteficos
bull Desenvolver um modelo capaz de prever tendecircncias de preccedilos com taxas de acertos
superiores a um processo totalmente aleatoacuterio
bull Testar o niacutevel de eficiecircncia de dois mercados com caracteriacutesticas diferentes A investi-
gaccedilatildeo seraacute por meio da anaacutelise de resultados obtidos para Dow Jones e Ibovespa
bull Explorar o modelo de previsatildeo de tendecircncia com o objetivo de encontrar paracircmetros
que retornem os melhores resultados
bull Desenvolver estrateacutegias de negociaccedilatildeo aplicadas ao mercado real em periacuteodos
diferentes utilizando tais paracircmetros
De forma especiacutefica a principal contribuiccedilatildeo deste trabalho eacute favorecer a compreensatildeo
da dinacircmica do mercado de accedilotildees Jaacute sob o ponto de vista social diante do aumento do
nuacutemero de agentes atuando na Bolsa de valores e da queda na taxa de juros podemos
dizer que o mercado de renda variaacutevel tem se tornado atrativo para novos investimentos
impactando assim a forma como as pessoas aplicam as suas economias Por isso eacute
importante verificar a Hipoacutetese de Mercado Eficiente neste cenaacuterio
Neste contexto o modelo de operaccedilatildeo implementado depois de adaptado e validado tam-
beacutem pode contribuir para operaccedilotildees em outros cenaacuterios tais como mercados futuros(doacutelar
e iacutendices) e commodities3 (por exemplo milho feijatildeo cafeacute soja)
3Satildeo produtos de qualidade e caracteriacutesticas uniformes que funcionam como mateacuteria-prima produzidosem escala e que podem ser estocados sem perda de qualidade Seu preccedilo eacute definido de acordo com a ofertae demanda americana
6
12 Organizaccedilatildeo do trabalho
A tese estaacute estruturada em 8 capiacutetulos dois apecircndices e trecircs anexos
No capiacutetulo 1 que eacute o presente capiacutetulo apresentamos a introduccedilatildeo do trabalho Aqui satildeo
introduzidas as etapas e caracteriacutesticas do desenvolvimento da pesquisa
No capiacutetulo 2 descrevemos o delineamento da pesquisa o planejamento do modelo a
exploraccedilatildeo do modelo e a definiccedilatildeo dos dados utilizados nas anaacutelises
No capiacutetulo 3 apresentamos uma breve revisatildeo bibliograacutefica dos trabalhos referentes ao
tema da pesquisa
No capiacutetulo 4 descrevemos alguns conceitos necessaacuterios para a compreensatildeo do trabalho
e as ferramentas computacionais utilizadas
No capiacutetulo 5 apresentamos a formulaccedilatildeo do tratamento dos dados a apresentaccedilatildeo de um
modelo baseado em um sistema de equaccedilotildees diferenciais lineares e a sua adaptaccedilatildeo para
um novo modelo de ajuste de pontos bem como a definiccedilatildeo de um modelo de previsatildeo de
tendecircncia de preccedilos
No capiacutetulo 6 eacute apresentada a exploraccedilatildeo do modelo Neste analisamos os paracircmetros de
entrada com o objetivo de encontrar a combinaccedilatildeo que apresente as melhores acuraacutecias
do modelo na previsatildeo de tendecircncia dos preccedilos
No capiacutetulo 7 mostramos as estrateacutegias de negociaccedilatildeo aplicadas no mercado real Para
a simulaccedilatildeo utilizamos o modelo que retorna um sinal de compra venda ou natildeo opera
apresentado no capiacutetulo 5 Para calibrar o modelo de previsatildeo utilizamos os paracircmetros
explorados no Capiacutetulo 6
No capiacutetulo 8 descrevemos a conclusatildeo bem como os passos futuros do trabalho
O apecircndice A complementa a tese com a descriccedilatildeo da forma de estimar a matriz de
coeficientes por meio da teacutecnica de otimizaccedilatildeo matemaacutetica dos miacutenimos quadrados Jaacute o
apecircndice B conteacutem a tabela de lotes padratildeo de negociaccedilatildeo das accedilotildees na Bovespa
Os anexos A B e C mostram respectivamente a tabela das accedilotildees que participaram da
carteira teoacuterica do Ibovespa no primeiro quadrimestre de 2017 a tabela das accedilotildees que
participaram da carteira teoacuterica do iacutendice Dow Jones tambeacutem no primeiro quadrimestre de
2017 e a tabela das taxas anuais de crescimento do Ibovespa
7
Capiacutetulo 2
Delineamento Metodoloacutegico
Neste capiacutetulo vamos apresentar o delineamento da pesquisa o planejamento a exploraccedilatildeo
do modelo simulaccedilatildeo bem como a definiccedilatildeo dos dados utilizados nas anaacutelises
21 Levantamento bibliograacutefico
A etapa de levantamento bibliograacutefico tem como objetivo contextualizar a pesquisa dentro
do conjunto de atividades cientiacuteficas relacionadas a modelos de previsatildeo desenvolvidos
para o mercado de accedilotildees
22 Definiccedilatildeo do modelo
A definiccedilatildeo do modelo seraacute apresentada no capiacutetulo 5 O modelo de previsatildeo foi definido
baseando-se em um sistema de equaccedilotildees diferenciais lineares acopladas (RESENDE et al
2017) Este sistema foi discretizado de forma a se aproximar de um modelo de regressatildeo
linear multivariado De fato natildeo esperamos que um modelo linear seja capaz de representar
a dinacircmica do mercado financeiro Poreacutem a violaccedilatildeo ou natildeo das premissas de adequaccedilatildeo
a um modelo de regressatildeo natildeo inviabiliza o trabalho uma vez que o objetivo principal deste
eacute prever tendecircncias de preccedilos de accedilotildees A matriz de coeficientes do modelo obtida ateacute o
tempo t seraacute determinada com base em manipulaccedilotildees algeacutebricas expostas por (AGUIRRE
2007) e seraacute utilizada como instrumento para a previsatildeo da tendecircncia dos preccedilos no tempo
t+ 1 Trabalhamos aqui com a hipoacutetese de linearidade local na vizinhanccedila de t
23 Dados utilizados
Para a definiccedilatildeo e exploraccedilatildeo do modelo utilizamos preccedilos de fechamento das accedilotildees que
participaram da composiccedilatildeo da carteira teoacuterica dos iacutendices Dow Jones e Ibovespa com
frequecircncias de 5 10 15 20 e 30 minutos no primeiro e segundo quadrimestres de 2017
8
Na seccedilatildeo 63 vamos analisar todas estas granularidades de tempo e definir a amostra que
apresentar melhores resultados As seacuteries de dados utilizadas foram obtidas na plataforma
Bloomberg 1
Alteraccedilotildees na composiccedilatildeo da carteira do Ibovespa denominadas viradas satildeo realizadas a
cada quadrimestre As inclusotildees e exclusotildees de accedilotildees no iacutendice satildeo realizadas nos meses
de Janeiro Maio e Setembro utilizando como base o uacuteltimo dia de pregatildeo do mecircs anterior
A tabela 26 anexo A mostra as accedilotildees que participaram da carteira teoacuterica do Ibovespa no
primeiro quadrimestre de 2017 02012017 a 28042017 As accedilotildees estatildeo ordenadas de
acordo com a maior porcentagem de participaccedilatildeo no Ibovespa No quadrimestre 2 uma
nova accedilatildeo foi incluiacuteda na carteira alterando assim as porcentagens de participaccedilatildeo das
accedilotildees Poreacutem por simetria e comparaccedilatildeo de resultados decidimos manter as mesmas
accedilotildees e as porcentagens baseados no quadrimestre 1
O iacutendice Dow Jones eacute um dos principais indicadores do mercado americano A sua com-
posiccedilatildeo eacute definida pela meacutedia das 30 maiores e mais importantes empresas do mercado
As accedilotildees que compotildeem o iacutendice satildeo apresentadas na tabela 27 anexo B Alteraccedilotildees na
composiccedilatildeo do iacutendice Dow Jones satildeo pouco frequentes As alteraccedilotildees que aconteceram no
periacuteodo foram em relaccedilatildeo agrave ordem de peso de participaccedilatildeo na carteira Por isso decidimos
manter a ordem de participaccedilatildeo baseada no primeiro quadrimestre de 2017 A Tabela 27
anexo B apresenta as 30 accedilotildees que compotildeem o iacutendice Dow Jones ordenadas de acordo
com a sua porcentagem de participaccedilatildeo na carteira
Para a simulaccedilatildeo realiacutestica apresentada no capiacutetulo 7 utilizamos dados com frequecircncia
de cotaccedilatildeo de 5 minutos das 10 accedilotildees com maior liquidez na Bovespa nos anos de 2017 e
2018 A escolha do mercado brasileiro foi baseada no resultado da exploraccedilatildeo do modelo
(6) sendo este cenaacuterio o que apresentou melhores resultados
24 Tratamento dos dados
Na seccedilatildeo 51 eacute apresentado de forma detalhada o tratamento dos dados No modelo
analisado consideramos que os desvios dos preccedilos em relaccedilatildeo a um preccedilo considerado
justo traz informaccedilotildees sobre a dinacircmica dos preccedilos das accedilotildees Tais desvios satildeo calculados
utilizando-se a diferenccedila logariacutetmica entre o preccedilo bruto e o preccedilo de referecircncia Poreacutem
calcular o preccedilo referecircncia de cada accedilatildeo envolve diversas anaacutelises e variaacuteveis que natildeo
estatildeo no foco do trabalho Por isto utilizamos como alternativa para tal preccedilo uma meacutedia
moacutevel exponencial que seraacute considerada o preccedilo de referecircncia No caacutelculo da aproximaccedilatildeo
para o valor definimos uma janela moacutevel de tamanho 12 composta pelos dados observados
1A Bloomberg eacute uma empresa privada que oferece serviccedilos para profissionais do mercado com foco emsoftware dados e miacutedia financeira privada Foi fundada por Michael Bloomberg em 1981
9
da amostra analisada A escolha do valor de S = 12 foi baseada em aspectos experimentais
de trabalhos anteriores (RESENDE et al 2017) e tambeacutem considerando que em uma hora
de negociaccedilatildeo temos 12 candles com frequecircncia de cotaccedilatildeo de 5 minutos
25 Exploraccedilatildeo do modelo
No capiacutetulo 6 vamos explorar os diversos paracircmetros do modelo Poreacutem o objetivo principal
natildeo eacute encontrar paracircmetros oacutetimos mas sim selecionar uma combinaccedilatildeo que apresente
bons resultados de acuraacutecia2 na previsatildeo de tendecircncia Para isto exploramos as seguintes
combinaccedilotildees de paracircmetros do modelo
bull Variaccedilatildeo do tamanho da janela de pontos utilizada no ajuste
Aplicamos quantidades diferentes de pontos R ao ajuste e definimos baseados nos
resultados um valor considerado satisfatoacuterio como paracircmetro para ajustes futuros
bull Variaccedilatildeo da quantidade de accedilotildees Utilizando a quantidade de pontos definida no
item anterior variamos a quantidade n de accedilotildees envolvidas na anaacutelise O valor inicial
de n foi a combinaccedilatildeo miacutenima de 2 accedilotildees incrementando 1 accedilatildeo na ordem do seu
peso de participaccedilatildeo nas carteiras ateacute o valor maacuteximo de n = 30 para accedilotildees do Dow
Jones e n = 58 para as accedilotildees que compotildeem o Ibovespa
bull Variaccedilatildeo da granularidade dos dados
Analisamos as frequecircncias de cotaccedilotildees de 5 10 15 20 e 30 minutos para avaliar em
qual granularidade o modelo obteacutem as melhores taxas de previsatildeo de tendecircncia
Tambeacutem exploramos o modelo tendo em vista as seguintes anaacutelises
bull Taxas de acerto de tendecircncias em funccedilatildeo do expoente de Hurst
Nesta anaacutelise estamos interessados em estudar o comportamento de persistecircncia
e anti-persistecircncia das seacuteries de preccedilos brutos das accedilotildees e investigar se haacute uma
relaccedilatildeo entre os resultados e o poder de previsibilidade do modelo
bull Taxas de acerto de tendecircncias em quadrimestres diferentes
O intuito desta anaacutelise eacute investigar se as taxas de acertos obtidas no primeiro quadri-
mestre apresentam correlaccedilatildeo com as taxas relativas ao segundo quadrimestre de
2017 Isto nos possibilita verificar a consistecircncia do modelo em diferentes periacuteodos
bull Votaccedilatildeo
Uma votaccedilatildeo entre tendecircncias apontadas pelos ajustes utilizando diferentes quantida-
des de pontos R tambeacutem deve ser elaborada Nesta votaccedilatildeo consideraremos como a
tendecircncia prevista a direccedilatildeo apontada pela maioria dos votantes e empate entre os
votantes como sinal para natildeo abrir novas posiccedilotildees no momento
bull Validaccedilatildeo estatiacutestica dos resultados
Testes de hipoacuteteses seratildeo aplicados aos resultados de taxas de acertos obtidas pelo
2Capiacutetulo 5 equaccedilatildeo (30)
10
modelo A hipoacutetese a ser testada eacute que a acuraacutecia do modelo eacute estatisticamente
diferente de 0 5
26 Simulaccedilatildeo
Depois de explorados e definidos paracircmetros satisfatoacuterios para o modelo no capiacutetulo
de simulaccedilatildeo realiacutestica (capiacutetulo 7) desenvolveremos duas estrateacutegias de negociaccedilatildeo
utilizando tais paracircmetros Estas estrateacutegias seratildeo denominadas modelo de operaccedilatildeo 1
(MO1) e modelo de operaccedilatildeo 2 (MO2) As accedilotildees utilizadas nos modelos de operaccedilatildeo foram
as 10 accedilotildees com maior liquidez no ano de 2017 e 2018 As seacuteries de dados utilizadas foram
de candles de 5 minutos Em ambos os modelos de operaccedilatildeo as posiccedilotildees satildeo abertas
quando o modelo de previsatildeo de tendecircncia envia um sinal natildeo neutro De acordo com este
sinal as operaccedilotildees de compra ou venda descoberta satildeo abertas No modelo de operaccedilatildeo 1
(MO1) as operaccedilotildees satildeo fechadas a cada passo de tempo (fechamento do candle) Jaacute no
modelo de operaccedilatildeo 2 (MO2) as posiccedilotildees satildeo fechadas de acordo com valores de stop
gain e stop loss definidos
27 Avaliaccedilatildeo dos resultados do modelo
A anaacutelise dos resultados obtidos com os modelos de operaccedilatildeo nos permite avaliar as
caracteriacutesticas de cada estrateacutegia apontando as vantagens e desvantagens de cada uma
delas As variaacuteveis levadas em consideraccedilatildeo seratildeo baseadas em risco de exposiccedilatildeo ao
mercado retorno financeiro taxas operacionais e capital alocado A figura 2 mostra as
etapas e organizaccedilatildeo do trabalho descritas anteriormente
11
Tamanho de R
Numero de accedilotildees
Granularidade do dados
Quadrimestres
Expoente de Hurst
Votaccedilatildeo
Revisatildeo
bibliograacutefica
Simulaccedilatildeo
Exploraccedilatildeo do
modelo
Modelo Coleta de dadosTratamento dos
dados
Modelo de
previsatildeo
Resultados
Paracircmetros
MO1 MO2
Figura 2 ndash Organizaccedilatildeo geral do trabalho Na etapa de revisatildeo bibliograacutefica uma pesquisaeacute realizada para identificar o estado da arte do tema abordado bem como asteacutecnicas de previsatildeo utilizadas no mercado de accedilotildees Na parte do modeloapresentamos a formulaccedilatildeo do modelo baseado em um sistema de equaccedilotildeesdiferenciais lineares e a sua adaptaccedilatildeo para um novo modelo de ajuste de pontosa definiccedilatildeo e o tratamento dos dados bem como a definiccedilatildeo de um modelo deprevisatildeo de tendecircncia de preccedilos Na etapa de exploraccedilatildeo o modelo foi testadoem diferentes cenaacuterios investigando a influecircncia do tamanho de R nuacutemero deaccedilotildees granularidade dos dados e outros paracircmetros nos resultados do modeloNa simulaccedilatildeo desenvolvemos duas estrateacutegias de negociaccedilatildeo (MO1 e MO2)baseadas no modelo de previsatildeo e utilizando os paracircmetros definidos Na fasede resultados apresentamos a anaacutelise dos resultados obtidos com os modelosde operaccedilatildeo
12
Capiacutetulo 3
Trabalhos relacionados
Neste capiacutetulo vamos apresentar uma breve revisatildeo bibliograacutefica dos trabalhos relativos ao
tema da pesquisa Na seccedilatildeo 31 vamos relacionar os principais trabalhos sobre Hipoacutetese
de Mercado Eficiente (HME) Na seccedilatildeo 32 apresentaremos trabalhos que exploram a
racionalidade dos agentes do mercado por meio de estudos em financcedilas comportamentais
Nas seccedilotildees 33 e 34 descreveremos alguns trabalhos que investigam desvios da HME por
meio de modelos de previsatildeo e por anaacutelises utilizando algumas ferramentas estatiacutesticas
31 Hipoacutetese de Mercado Eficiente
Em um mercado eficiente os preccedilos dos ativos deveriam assimilar e refletir imediatamente
toda informaccedilatildeo relevante disponiacutevel Esta eacute a denominada Hipoacutetese de Mercado Eficiente
(HME)
De acordo com a HME o comportamento dos investidores eacute racional e natildeo existe memoacuteria
nas seacuteries de preccedilos que possibilite oportunidade de arbitragem A Hipoacutetese de Mercado
Eficiente foi apresentada matematicamente por (SAMUELSON 1965) mostrando que
as flutuaccedilotildees dos preccedilos acontecem de forma aleatoacuteria a expectativa para o preccedilo em
t + 1 eacute o preccedilo no tempo t Seus teoacutericos defendem que os preccedilos caminham para um
ponto de equiliacutebrio e com isso natildeo eacute possiacutevel obter ganhos demasiados sem correr
riscos proporcionais Defendem que toda informaccedilatildeo relevante estaacute disponiacutevel e que logo
eacute absorvida e processada pelo mercado sendo desta forma refletida nos valores dos
ativos (MANTEGNA STANLEY 1999) Os mercados seriam assim capazes de reunir a
sabedoria coletiva e precificar os ativos com precisatildeo
Trecircs formas diferentes de HME satildeo consideradas fraca semi-forte e forte Um mercado eacute
dito eficiente na forma fraca quando toda as informaccedilotildees puacuteblicas disponiacuteveis satildeo absorvidas
imediatamente
13
No niacutevel semi-forte considera-se que o mercado reflete toda a informaccedilatildeo publicamente
disponiacutevel incluindo informaccedilotildees obtidas atraveacutes de demonstraccedilotildees contaacutebeis publicadas
e informaccedilotildees histoacutericas A diferenccedila entre a eficiecircncia semi-forte e a eficiecircncia fraca eacute
que a semi-forte exige dos agentes uma anaacutelise completa de dados fundamentalistas das
empresas Esse tipo de anaacutelise requer um maior embasamento teoacuterico para avaliar com
propriedade empresas ou setores da economia Isso implica conhecimento tempo e custo
o que pode limitar a forma de eficiecircncia do mercado
Um mercado eacute eficiente no sentido forte quando reflete aleacutem das informaccedilotildees publicamente
disponiacuteveis e das histoacutericas de preccedilos as informaccedilotildees privadas Este niacutevel engloba as hipoacute-
teses fraca e semi-forte e considera que os preccedilos refletem imediatamente toda informaccedilatildeo
puacuteblica e privada inerente ao ativo
No entanto considerando todas as caracteriacutesticas um mercado dito eficiente na forma mais
estrita eacute um sistema idealizado Em mercados reais resiacuteduos de ineficiecircncia satildeo observa-
dos Mercados reais satildeo apenas uma aproximaccedilatildeo do mercado eficiente(MANTEGNA
STANLEY 1999) A eficiecircncia de mercado tem sido investigada em muitos contextos utili-
zando uma variedade de ferramentas estatiacutesticas (BARKOULAS BAUM 1996 GRECH
MAZUR 2004 CAJUEIRO TABAK 2004 ZUNINO et al 2007 CHORDIA ROLL SU-
BRAHMANYAM 2008 BELAIRE-FRANCH OPONG 2010 CAGINALP DESANTIS 2011
CHARLES DARNEacute KIM 2012 AL-KHAZALI PYUN KIM 2012 LAZAR TODEA FILIP
2012 CHOUDHRY JAYASEKERA 2012 CHOUDHRY JAYASEKERA 2014 KATUSIIME
SHAMSUDDIN AGBOLA 2015 NTIM et al 2015 CURME STANLEY VODENSKA 2015
PODOBNIK et al 2006) Analistas teacutecnicos tambeacutem acreditam que eacute possiacutevel obter in-
formaccedilatildeo sobre os preccedilos baseados em dados histoacutericos Em financcedilas comportamentais
o comportamento irracional dos investidores tambeacutem tem sido investigado (KAHNEMAN
TVERSKY 1979 SHILLER FISCHER FRIEDMAN 1984)
Desvios da Hipoacutetese de Mercado Eficiente tambeacutem tecircm sido associados a diversos fatores
tais como custos de operaccedilatildeo (LIU 2010) baixa liquidez (CHORDIA ROLL SUBRAH-
MANYAM 2008 CHUNG HRAZDIL 2010) limitaccedilotildees no fluxo de informaccedilatildeo (ROSS
1989 HEALY PALEPU 2001 BRUNNERMEIER 2005) intervenccedilotildees do banco central
(RAFFERTY TOMLJANOVICH 2002 BORDO LANDON-LANE 2013 ALONSO-RIVERA
CRUZ-AKEacute VENEGAS-MARTIacuteNEZ 2014 CHEN HUANG SU 2014) incertezas poliacuteticas
(PASQUARIELLO ZAFEIRIDOU 2014) e crises financeiras (LIM BROOKS KIM 2008)
No estudo realizado por (SHARMA BANERJEE 2015) nos variados setores da Bolsa
de valores de Bombaim1 (BSE) em um periacuteodo de 8 anos (abril 2006 a marccedilo 2014) os
resultados indicam que os dados natildeo satisfazem agrave suposiccedilatildeo de normalidade Mostram
que os retornos dos ativos analisados satildeo guiados por curvas assimeacutetricas e com caudas1Foi fundada em 1875 e eacute a principal bolsa de valores da Iacutendia
14
pesadas indicando tambeacutem que o mercado natildeo segue a hipoacutetese de random walk
Nas proacuteximas seccedilotildees vamos apresentar de forma sucinta alguns trabalhos no contexto
de investigaccedilatildeo de desvios da HME por meio de estudos em financcedilas comportamentais
modelos de previsatildeo e expoente de Hurst
32 Financcedilas comportamentais
No trabalho (KAHNEMAN TVERSKY 1979) Kahneman e Tversky se uniram e seus
estudos foram essenciais para quebrar os paradigmas que existiam em teoria de financcedilas
Satildeo considerados os precursores da chamada economia comportamental Eles estudaram
e exploraram os desvios e falhas de racionalidade na tomada de decisotildees por meio do
comportamento humano no mercado Em 1979 desenvolveram a Teoria da Perspectiva
tambeacutem conhecida como Teoria do Prospecto (Prospect Theory) As teorias racionais
consideram que agentes idealizados tomam decisotildees de forma racional jaacute a Teoria da
Perspectiva surge como um questionamento a esta completa racionalidade dos agentes o
que denominaram de racionalidade limitada
Na teoria apresentada os autores observaram que os agentes tomam suas decisotildees
baseados nos valores de perdas e ganhos e natildeo no resultado final Desta forma tentam
evitar perdas sendo este o foco principal De forma geral satildeo mais impactados pelas
perdas do que pelos ganhos Esta atitude estaacute associada agrave aversatildeo ao risco prolongando
posiccedilotildees em ativos perdedores para evitar assumir prejuiacutezo Diante disso formularam a
Teoria da Perspectiva que eacute uma criacutetica agrave Teoria da Utilidade (KAHNEMAN TVERSKY
1979) Em resumo a Teoria da Perspectiva tem como objetivo estudar o comportamento de
tomada de decisatildeo humana no mercado Jaacute a Teoria da Utilidade tem como objetivo mostrar
qual a melhor decisatildeo a ser tomada A Teoria da Perspectiva concebe que os agentes tecircm
mais aversatildeo ao risco sendo que tendem a evitar perder algo a ganhar sendo assimeacutetrica
a relaccedilatildeo ganho e perda Jaacute a Teoria da Utilidade considera que perdas e ganhos tecircm o
mesmo efeito e magnitude
A anaacutelise sugere que um agente que natildeo aceita a perda e tem uma falha de adaptaccedilatildeo
estaacute sujeito a aceitar apostas mais arriscadas que provavelmente natildeo seriam aceitas em
outras circunstacircncias (KAHNEMAN TVERSKY 1979) Na anaacutelise tambeacutem realizada por
(TVERSKY KAHNEMAN 1991) a aversatildeo agraves perdas (loss aversion) eacute investigada e sugere
que o impacto das desvantagens eacute maior que vantagens auferidas implicando aversatildeo
dos agentes a perdas e realccedilando a assimetria da funccedilatildeo de utilidade de ganhos e perdas
Outra observaccedilatildeo foi que quando o preccedilo estaacute aumentando o impacto na decisatildeo de
consumo eacute maior A relutacircncia para aceitar perdas foi observada nos agentes Um estudo
no mercado de accedilotildees mostrou que o nuacutemero de operaccedilotildees aumenta quando o mercado
15
estaacute em tendecircncia de alta sendo assim a propensatildeo a compras eacute maior quando o preccedilo
do ativo estaacute subindo (TVERSKY KAHNEMAN 1991)
Na mesma linha os autores de (MERKLE MUumlLLER-DETHARD WEBER 2020) desenvolve-
ram experimentos para analisar a exposiccedilatildeo ao risco depois de realizadas e natildeo realizadas
perdas e tambeacutem para investimentos com diferentes assimetrias O estudo explorava os
desvios e falhas de racionalidade na tomada de decisotildees Os resultados de tais experimen-
tos evidenciaram que os agentes se expotildeem a riscos menores depois de perdas realizadas
e mais riscos depois de perdas ainda natildeo realizadas definido como efeito de realizaccedilatildeo
No trabalho publicado por (KAHNEMAN et al 2016) os autores exploram o conceito de
ruiacutedos como fonte de inconsistecircncia e irracionalidade em resultados Argumentam que
algoritmos estatildeo menos propensos a apresentarem tais ruiacutedos e vieses nas tomadas de
decisotildees
No estudo (HOMMES KOPAacuteNYI-PEUKER SONNEMANS 2020) desenvolveram um experi-
mento com grupos de agentes do mercado e investigou-se a formaccedilatildeo de bolhas nos preccedilos
No experimento observaram que o contaacutegio atraveacutes de notiacutecias afeta o comportamento
de tais agentes Por outro lado no trabalho (FAN et al 2009) os autores desenvolveram
um modelo baseado em autocircmatos celulares para descrever a dinacircmica do mercado de
accedilotildees e investigar se o grau de imitaccedilatildeo entre os agentes influencia a complexidade e
estabilidade do mercado Os resultados obtidos com o mercado simulado sugerem que haacute
uma correlaccedilatildeo entre tais fatores Tambeacutem observaram que quando o comportamento dos
agentes eacute distribuiacutedo de forma aleatoacuteria o mercado tende a ser mais estaacutevel
Em (CAGINALP ERMENTROUT 1990) os autores desenvolveram um modelo utilizando
equaccedilotildees diferenciais que incorpora o aspecto emocional dos investidores em um mercado
financeiro teoacuterico Resultados indicaram que fatores psicoloacutegicos satildeo capazes de influenciar
a estabilidade dos preccedilos evidenciando desvios da hipoacutetese de mercado eficiente
33 Trabalhos aplicados em previsatildeo
Haacute na literatura uma abundacircncia de artigos interessados na previsatildeo da dinacircmica do
mercado Alguns dos trabalhos estudados utilizam teacutecnicas computacionais interessados
na possibilidade de explorar possiacuteveis desvios de eficiecircncia do mercado e com isso obter
estimativas razoaacuteveis para preccedilos futuros
No trabalho (CARBONE CASTELLI STANLEY 2004) os autores argumentam que a
modelagem para previsatildeo de retorno e volatilidade de preccedilos eacute a principal tarefa da pesquisa
financeira A atividade neste sentido tem sido mantida pela suposiccedilatildeo de que muitas
seacuteries financeiras temporais apresentam algum padratildeo de correlaccedilatildeo e pela oportunidade
16
de arbitragem Se correlaccedilatildeo de longo prazo estaacute presente nas seacuteries de retornos de
ativos financeiros entatildeo a hipoacutetese de que o preccedilo segue um caminho completamente
aleatoacuterio natildeo eacute vaacutelida (CAJUEIRO TABAK 2004) Podemos destacar algumas contribuiccedilotildees
relacionadas agrave aacuterea de previsatildeo realizada por (RECHENTHIN STREET 2013) e (OLIVEIRA
NOBRE ZARATE 2013) Na primeira contribuiccedilatildeo os autores realizam um estudo utilizando
probabilidade condicional para identificar continuidade e reversatildeo de tendecircncias de preccedilos
em dados de negociaccedilotildees em alta frequecircncia O estudo eacute realizado para os dados dos
preccedilos do fundo de accedilotildees do SampP 500 para as frequecircncias de cotaccedilotildees de 1 3 5 10 e 20
segundos e 1 5 e 30 minutos Os autores concluem que o mercado apresenta ineficiecircncia
ateacute aproximadamente 30 minutos Para intervalos maiores o mercado analisado caminha em
direccedilatildeo a se tornar mais eficiente Jaacute na contribuiccedilatildeo (OLIVEIRA NOBRE ZARATE 2013)
os autores desenvolveram um modelo baseado em redes neurais artificiais As entradas da
rede satildeo alguns indicadores teacutecnicos e fundamentalistas juntamente com a seacuterie de preccedilos
da accedilatildeo preferencial da Petrobraacutes (PETR4) e a saiacuteda da rede eacute o preccedilo previsto As taxas
de acerto do preccedilo e de sua tendecircncia para as configuraccedilotildees das redes e os periacuteodos
apresentados satildeo satisfatoacuterias
Na referecircncia (ATSALAKIS VALAVANIS 2009) os autores realizam uma revisatildeo de artigos
baseados em modelos que utilizam teacutecnicas derivadas de redes neurais e fuzzy aplicadas na
previsatildeo de valores de mercados Nesta contribuiccedilatildeo satildeo apresentados diversos trabalhos
que satildeo classificados de acordo com o tipo de processamento de dados as variaacuteveis de
entrada tamanho da amostra tipo e caracteriacutestica da teacutecnica de implementaccedilatildeo bem como
meacutetodo de treinamento e validaccedilatildeo Os artigos aplicam os diferentes modelos na previsatildeo
de accedilotildees especiacuteficas portfoacutelios e iacutendices de mercados desenvolvidos e emergentes Os
autores encontraram dificuldades na definiccedilatildeo dos modelos em relaccedilatildeo agrave estrutura das
redes no que se refere agrave quantidade de camadas neurocircnios e outras paracircmetros
Na referecircncia (ATSALAKIS K 2013) o autor analisa 150 artigos cientiacuteficos que utilizam
teacutecnicas de previsatildeo de mercados de accedilotildees baseadas em modelos autoregressivos (AR)
meacutedia moacutevel (MA) autoregressivo com meacutedia moacutevel (ARMA) autoregressivo integrado com
meacutedia moacutevel (ARIMA) autoregressivo generalizado condicional (GARCH) dentre outros
Na revisatildeo satildeo observadas as teacutecnicas de processamento e tratamento dos dados bem
como os resultados e anaacutelise estatiacutestica dos modelos
No trabalho (GARCIA et al 2020) os autores natildeo argumentam que o mercado pode ser
representado por uma dinacircmica linear mas baseiam-se na suposiccedilatildeo de que possa existir
componentes lineares na dinacircmica das seacuteries Baseados nisso propotildeem um modelo para
capturar tal comportamento atraveacutes de um oscilador harmocircnico amortecido em que tentam
descrever a dinacircmica das oscilaccedilotildees de preccedilos comumente observadas no mercado pela
suposiccedilatildeo de que os preccedilos retornam a um preccedilo justo assimilando a restauraccedilatildeo das
17
forccedilas Os paracircmetros obtidos na janela analisada satildeo utilizados como estimativas para
fazer a previsatildeo dos preccedilos futuros adjacentes
Na referecircncia (MEI et al 2017) os autores realizam um estudo para investigar a melhora
na previsatildeo de volatilidade do mercado de accedilotildees utilizando dados de alta frequecircncia e
incorporando assimetria e curtose como variaacuteveis adicionais aos modelos de volatilidade
comuns Argumentam que o uso de dados de alta frequecircncia permite melhor compreensatildeo
da dinacircmica dos preccedilos facilitando a previsatildeo de volatilidade e com isso melhorando a
alocaccedilatildeo de portfoacutelio e o gerenciamento de risco
No trabalho apresentado em (NELSON PEREIRA OLIVEIRA 2017) os autores estudam o
uso de redes neurais recorrentes em particular a rede LSTM (Long-Short term memory)
para a previsatildeo de tendecircncias de preccedilos de accedilotildees utilizando dados histoacutericos e tambeacutem
a combinaccedilatildeo de indicadores da anaacutelise teacutecnica A investigaccedilatildeo foi realizada no mercado
brasileiro para dados com frequecircncia de cotaccedilatildeo de 15 minutos para as accedilotildees que compotildeem
o iacutendice Ibovespa no periacuteodo avaliado As acuraacutecias obtidas satildeo avaliadas de acordo com
meacutetricas estabelecidas e comparadas com outros modelos de previsatildeo tradicionais que
tambeacutem utilizam redes neurais De acordo com os autores os resultados satildeo promissores
Algoritmos de automatizaccedilatildeo de estrateacutegias e operaccedilotildees tambeacutem tecircm sido foco de vaacuterias
pesquisas na aacuterea Muitos destes trabalhos utilizam redes neurais artificiais para a constru-
ccedilatildeo dos modelos de previsatildeo Em (NAMETALA et al 2016) os autores desenvolveram uma
estrateacutegia automatizada que combina redes neurais artificiais e preditores economeacutetricos
para gerar sinais de compra ou venda por meio de um modelo de negociaccedilatildeo incorporado
ao algoritmo
A previsatildeo da direccedilatildeo dos preccedilos de ativos em mercados de accedilotildees eacute uma tarefa complicada
e tem sido um grande desafio mas que tem chamado a atenccedilatildeo de pesquisadores e agentes
de mercado tornando-se um campo de pesquisas promissoras Assim as pesquisas natildeo se
limitam apenas a estes trabalhos citados aqui Um amplo conjunto de teacutecnicas e modelos
de vaacuterias aacutereas tem sido empregado neste cenaacuterio com o objetivo de entender e modelar o
movimento deste sistema dinacircmico e complexo que eacute o mercado
34 Expoente de Hurst
O expoente de Hurst foi resultado de estudos realizados pelo hidroacutelogo britacircnico Harold
Edwin Hurst para o projeto de uma represa em meados 1951 Neste ele verificou que
alguns fenocircmenos da natureza natildeo se comportavam de maneira aleatoacuteria Tais fenocircmenos
observados possuiacuteam uma dependecircncia dentre eles as flutuaccedilotildees do rio Nilo e a partir
disso ele criou o meacutetodo para verificar a dependecircncia de longo alcance
18
Os modelos econocircmicos apresentados nos artigos (CARBONE CASTELLI STANLEY
2004) e (CAJUEIRO TABAK 2004) testam a hipoacutetese de mercado eficiente utilizando a
metodologia do expoente de Hurst O expoente de Hurst eacute calculado utilizando dados de
seacuteries temporais com o objetivo de observar o seu comportamento O resultado assume
valores entre 0 e 1 Valores proacuteximos de 1 indicam persistecircncia valores proacuteximos de zero
indicam anti-persistecircncia e valores proacuteximos de 0 5 indicam que a seacuterie natildeo possui tendecircn-
cia Uma vez que o meacutetodo DFA objetiva retirar tendecircncias das seacuteries quando ele eacute usado
a interpretaccedilatildeo sobre persistecircncia e anti persistecircncia vale para as seacuteries sem tendecircncia No
artigo (CARBONE CASTELLI STANLEY 2004) os autores calcularam o expoente de Hurst
para seacuteries artificiais de fractais e em seacuteries dos log retornos do DAX2 e BOBL 3 utilizando
o meacutetodo DFA (detrended fluctuation analysis) e DMA (detrending moving average) Para
as seacuteries de preccedilos reais de ativos encontraram valores fora da faixa de variabilidade local
indicando que o mercado natildeo segue o movimento browniano Este resultado contraria a
Hipoacutetese de Mercado Eficiente onde os expoentes devem ser proacuteximos de 0 5 Jaacute no
artigo (CAJUEIRO TABAK 2004) com o objetivo de mostrar que mercados emergentes
satildeo menos eficientes que mercados desenvolvidos os autores calculam o expoente de
Hurst das seacuteries dos iacutendices de 11 mercados emergentes e de 2 paiacuteses desenvolvidos
Como resultado encontraram que a dinacircmica do expoente de Hurst para paiacuteses desen-
volvidos se aproxima de passeio aleatoacuterio sem vieacutes flutuando em torno do valor 0 5 Nos
paiacuteses emergentes os valores dos expoentes apresentam uma maior variaccedilatildeo indicando
certos niacuteveis de ineficiecircncia com predominacircncia de persistecircncia Ainda de acordo com
(CAJUEIRO TABAK 2004) a maior ineficiecircncia em mercados emergentes pode estar
relacionada a algumas caracteriacutesticas que os diferenciam dos mercados desenvolvidos
relacionadas agrave velocidade de propagaccedilatildeo de informaccedilotildees ao fluxo de capitais e agrave eficiecircncia
no processo de negociaccedilatildeo Na mesma linha os autores do artigo (CAGINALP DESANTIS
2011) afirmam que em um paiacutes em desenvolvimento em um mercado de accedilotildees em iniacutecio
de implantaccedilatildeo pode ser esperada ineficiecircncia devida agrave dificuldade de capitalizaccedilatildeo dos
ativos ao menor nuacutemero e agrave falta de experiecircncia dos investidores Quanto agrave ineficiecircncia
atribuiacuteda agrave quantidade de capital disponiacutevel resultados experimentais mostram que um
desbalanceamento entre a quantidade de capital e de ativos pode levar o mercado a preccedilos
incorretos (CAGINALP 2002) Esse resultado sugere que o preccedilo negociado no mercado eacute
reflexo tambeacutem do fluxo de recursos e natildeo apenas do preccedilo verdadeiro do ativo Outros
resultados experimentais que indicam a ineficiecircncia de mercado podem ser encontrados
em (CAGINALP PORTER SMITH 2000)
2Iacutendice que representa as 30 maiores empresas de capital aberto da Alemanha3Tiacutetulo do governo federal alematildeo
19
Capiacutetulo 4
Fundamentaccedilatildeo teoacuterica
Neste capiacutetulo vamos descrever de forma sucinta alguns conceitos de financcedilas necessaacuterios
para a compreensatildeo do trabalho O mercado de capitais eacute um amplo sistema financeiro que
envolve diversas variaacuteveis que natildeo seratildeo contempladas neste trabalho Vamos concentrar
nossos estudos no mercado de accedilotildees por isso vamos estender as discussotildees para
definiccedilotildees relacionados a este mercado
41 Fundamentaccedilatildeo teoacuterica em financcedilas
O mercado financeiro eacute um extenso sistema que envolve diversos tipos de mercados dentre
eles o mercado de renda variaacutevel que eacute aquele em que natildeo se pode dimensionar os
resultados do investimento no momento da aplicaccedilatildeo As accedilotildees satildeo tiacutetulos especiacuteficos
deste mercado de renda variaacutevel Satildeo fraccedilotildees do capital social de uma empresa de capital
aberto (sociedade anocircnima) Cada empresa tem o seu coacutedigo de negociaccedilatildeo na bolsa
que no Brasil geralmente eacute dado por quatro letras seguidas de um nuacutemero Podem ser
negociadas em lotes padratildeo ou fracionaacuterio Elas podem ser do tipo ordinaacuterias (ON) ou
preferenciais (PN) As principais diferenccedilas entre os dois tipos eacute que a preferencial tem
preferecircncia no recebimento de proventos e tambeacutem preferecircncia e reembolso de capital em
caso de liquidaccedilatildeo da empresa jaacute a ordinaacuteria concede direito a voto nas assembleacuteias de
acordo com o volume de participaccedilatildeo em ativos A remuneraccedilatildeo aos acionistas eacute dada por
meio de proventos como dividendos juros sobre capital proacuteprio bonificaccedilotildees e direito de
subscriccedilatildeo Os dividendos correspondem ao valor de parte do lucro obtido pela empresa
que eacute distribuiacutedo aos acionistas Juros sobre capital proacuteprio satildeo valores pagos em dinheiro
poreacutem deduzido do lucro tributaacutevel da empresa Do ponto de vista do acionista a diferenccedila
do recebimento entre os dois eacute que os dividendos natildeo tem incidecircncia de imposto de renda jaacute
os juros sobre capital proacuteprio tem uma aliacutequota de 15 sobre o valor recebido A bonificaccedilatildeo
eacute quando a empresa distribui a cada acionista uma quantidade de accedilotildees proporcional
agraves possuiacutedas em custoacutedia A subscriccedilatildeo confere ao acionista o direito de adquirir uma
20
quantidade proporcional agraves suas a um preccedilo preestabelecido pela empresa
As negociaccedilotildees em accedilotildees no Brasil satildeo realizadas na B3 comumente conhecida como
Bovespa que eacute a bolsa de Valores Mercadorias e Futuros de Satildeo Paulo que atua no
segmento BMampFBOVESPA A B3 administra uma uacutenica plataforma de negociaccedilatildeo multiativos
ndash o PUMA Trading System Atraveacutes deste sistema satildeo realizadas as operaccedilotildees com ativos
de renda variaacutevel renda fixa derivativos e commodities (BMampFBOVESPA 2020b) Os
custos transacionais para operar accedilotildees na B3 satildeo taxa de corretagem e emolumentos que
satildeo divididos em taxa de liquidaccedilatildeo negociaccedilatildeo e registro O imposto de renda eacute cobrado
sobre o valor do ganho nas operaccedilotildees sendo 20 para day trade e 15 em operaccedilotildees
comuns
O Ibovespa eacute o principal iacutendice de accedilotildees da B3 Eacute composto por uma carteira teoacuterica
contendo em meacutedia sessenta principais accedilotildees listadas na bolsa sendo um importante indi-
cador de desempenho destas empresas A cada quatro meses a composiccedilatildeo eacute reavaliada
e as accedilotildees satildeo incluiacutedas (excluiacutedas) de acordo com os criteacuterios descritos na sua metodo-
logia de seleccedilatildeo levando em consideraccedilatildeo o nuacutemero de negoacutecios e o volume financeiro
(BMampFBOVESPA 2015) A composiccedilatildeo do Ibovespa em janeiro de 2017 eacute apresentada
na tabela 26 anexo A Jaacute o Dow Jones tambeacutem referenciado como Dow Jones Industrial
Average eacute um iacutendice do mercado americano que representa a negociaccedilatildeo das 30 maiores e
mais importantes empresas de capital aberto negociadas A sua composiccedilatildeo em janeiro de
2017 eacute apresentada na tabela 27 anexo B O Dow Jones eacute um dos principais indicadores
do movimento do mercado americano e tem grande influecircncia sobre outros mercados tal
como o mercado brasileiro
As negociaccedilotildees no mercado de accedilotildees satildeo realizadas por meio de ordens lanccediladas na
corretora e que posteriormente satildeo enviadas agrave bolsa As ordens podem ser enviadas
atraveacutes do home broker que eacute uma plataforma oferecida pelas corretoras para possibilitar
a conexatildeo e o envio de ordens agrave bolsa ou atraveacutes de outras plataformas de negociaccedilatildeo
contratadas pelos agentes As ordens enviadas podem ser do tipo a mercado ordem limite
ou ordem stop Na ordem a mercado a operaccedilatildeo eacute realizada no preccedilo atual do ativo Na
ordem limite o preccedilo eacute definido e a operaccedilatildeo soacute ocorreraacute se o valor for atingido ou em casos
especiacuteficos em um preccedilo melhor do que o definido Jaacute na ordem stop eacute possiacutevel enviar
ordens com valores de ganhos (perdas) preacute definidos para uma operaccedilatildeo Nesta opccedilatildeo
as ordens soacute seratildeo disparadas quando o preccedilo for atingido Os stops satildeo ferramentas
de seguranccedila utilizadas para controlar a perda maacutexima aceitaacutevel (stop loss) e o ganho
almejado (stop gain) definido para uma estrateacutegia O perfil do investidor pode ser definido
como conservador moderado ou agressivo (arrojado) de acordo com a sua toleracircncia a
riscos
As operaccedilotildees no mercado de accedilotildees brasileiro podem ser classificadas com base na
21
frequecircncia em que realizam-se as transaccedilotildees Day trade eacute uma estrateacutegia de curta duraccedilatildeo
em que as posiccedilotildees em ativos satildeo abertas e fechadas em um mesmo dia Swing trade eacute
modalidade em que as operaccedilotildees satildeo fechadas em intervalos menores de dias geralmente
de dois a cinco dias Jaacute em operaccedilotildees de position trade as transaccedilotildees satildeo realizadas em
frequecircncias maiores pensando em longo prazo
No mercado de accedilotildees o retorno eacute dado pela diferenccedila percentual entre o preccedilo no tempo
t e t minus 1 Eacute usual considerar-se retornos logariacutetmicos que satildeo dados pela diferenccedila dos
logaritmos dos preccedilos no tempo t e tminus 1 A volatilidade estaacute relacionada agrave amplitude de
variaccedilatildeo destes retornos Quanto mais os preccedilos de um ativo variam em um intervalo de
tempo maiores as possibilidades de ganhos ou perdas em operaccedilotildees Em alguns modelos
a volatilidade eacute utilizada como medida de risco da estrateacutegia Jaacute a liquidez de um ativo
refere-se agrave capacidade deste converter-se em dinheiro sem perdas em relaccedilatildeo a isso
Quanto maior a liquidez menor a diferenccedila (spread) do preccedilo entre as ofertas de compra e
venda de um ativo
Seacuterie temporal eacute um conjunto de observaccedilotildees (dados) armazenadas ao longo de um
intervalo de tempo No mercado de accedilotildees as seacuteries podem ser compostas por valores de
fechamento abertura maacuteximo miacutenimo volume e outros dados de ativos Satildeo importantes
para a realizaccedilatildeo de backtests anaacutelises empiacutericas e caracterizaccedilatildeo de movimento e
oscilaccedilatildeo do mercado Tambeacutem satildeo utilizadas por analistas teacutecnicos na composiccedilatildeo de
graacuteficos
No mercado de accedilotildees existem duas metodologias de anaacutelises amplamente utilizadas e
que satildeo comumente chamada de escolas de anaacutelises teacutecnicas e fundamentalistas Anaacutelise
teacutecnica baseia-se na suposiccedilatildeo de que preccedilos passados podem ajudar a prever o movimento
futuro e para tanto utilizam-se graacuteficos para definir a dinacircmica dos preccedilos dos ativos Natildeo
leva em consideraccedilatildeo informaccedilotildees fundamentalistas das empresas pois acredita que o
graacutefico jaacute estaacute precificado com tais informaccedilotildees O candle (candlestick ) eacute a ferramenta da
anaacutelise teacutecnica mais utilizada no mercado de accedilotildees Representa graficamente a variaccedilatildeo do
preccedilo em um determinado intervalo de tempo Eacute formado por um corpo e sombras inferior e
superior sendo possiacutevel representar o preccedilo de abertura fechamento maacuteximo e miacutenimo na
frequecircncia analisada Na figura 3 mostramos os candles diaacuterios para o contrato futuro de
mini iacutendice no mecircs de outubro de 2020 Os candles na cor vermelha indicam que a abertura
foi maior que o fechamento sendo um candle de baixa Os candles na cor verde indicam
que a abertura foi menor que o fechamento sendo assim de alta As sombras inferiores
(superiores) tambeacutem denominadas pavios representam os valores miacutenimos (maacuteximos) na
frequecircncia analisada
22
0 2 4 6 8 10 12 14 16 18 20 22
Dias
93
94
95
96
97
98
99
10
101
102
103P
onto
s104
Figura 3 ndash Candles do WINZ20 Representa os dados da seacuterie de pontos diaacuterios do contratofuturo do mini iacutendice no mecircs de outubro de 2020 Os candles na cor vermelhaindicam que a abertura foi maior que o fechamento Candles na cor verde indicamque a abertura foi menor que o fechamento As sombras inferiores (superiores)indicam o valor miacutenimo (maacuteximo) do intervalo
A anaacutelise fundamentalista leva em consideraccedilatildeo vaacuterias informaccedilotildees financeiras para projetar
resultados futuros no meacutedio e longo prazo As projeccedilotildees satildeo baseadas principalmente em
interpretaccedilotildees de dados e indicadores disponibilizados atraveacutes de balanccedilos da empresa
Em ambas as anaacutelises eacute possiacutevel desenvolver um modelo e realizar um backtest utilizando
dados histoacutericos relevantes O backtest serve para testar a estrateacutegia e verificar como
ela se comportou em dados passados e com base nestes resultados tentar aplicar em
dados futuros com a perspectiva de que os resultados seratildeo aproximadamente replicados
Algumas plataformas que possibilitam o backtest apresentam certas limitaccedilotildees tais como
natildeo considerar execuccedilatildeo de ordem no preccedilo pior do que o esperado (slippage) natildeo simular
a fila do livro de ofertas natildeo replicar momentos de grande volatilidade e liquidez do ativo
bem como natildeo considerar a diferenccedila vigente entre o menor preccedilo de venda e o maior
preccedilo de compra (spread) Outro problema do backtest eacute a super otimizaccedilatildeo (overfit) que
23
consiste em trabalhar em um certo periacuteodo e otimizar todos os paracircmetros da estrateacutegia
para obter uma boa condiccedilatildeo naquele intervalo poreacutem em periacuteodos diferentes a estrateacutegia
natildeo apresenta bons resultados
Na nossa simulaccedilatildeo utilizamos alguns indicadores retornados pela plataforma de simulaccedilatildeo
que geralmente satildeo utilizados para avaliar o desempenho dos investimentos Estes seratildeo
descritos na seccedilatildeo seguinte
411 Indicadores utilizados nas estrateacutegias
Nesta seccedilatildeo vamos descrever os indicadores utilizados para medir o desempenho das
estrateacutegias que seratildeo apresentadas no capiacutetulo 7 Os caacutelculos dos indicadores econocircmicos
financeiros satildeo baseados principalmente nos valores de retorno e de capital inicial (Ci) e
final (Cf ) Os indicadores aqui apresentados satildeo os que a plataforma de simulaccedilatildeo retorna
e alguns casos satildeo ligeiramente diferentes dos usualmente utilizados no mercado
bull Perdas e ganhos - PNL
Mostra o resultado financeiro (lucro ou prejuiacutezo) apoacutes a execuccedilatildeo da estrateacutegia Eacute a
diferenccedila entre o capital possuiacutedo ao final da execuccedilatildeo da estrateacutegia e o capital inicial
investido
PNL = Cf minus Ci (1)
bull Retorno acumulado - ra
O retorno acumulado obtido com a estrateacutegia ao final da execuccedilatildeo eacute dado pelo razatildeo
entre o capital final possuiacutedo Cf e o capital inicial investido Ci
ra =CfCi (2)
bull Retorno anual esperado - EAR
Retorno estimado que a estrateacutegia alcanccedilaraacute em um periacuteodo de um ano mantendo a
mesma performance Eacute medido utilizando a inclinaccedilatildeo da regressatildeo linear da curva
de retorno acumulado por dia (slope)
EAR = 252times slope (3)
bull Estabilidade - R2
Mostra a estabilidade da estrateacutegia atraveacutes do coeficiente de determinaccedilatildeo R2 da
seacuterie de retornos acumulados O valor do coeficiente varia entre 0 e 1 Quanto maior
o valor de R2 maior a capacidade do modelo se ajustar agrave amostra
24
bull Volatilidade - V olatilidade
Mostra a volatilidade anualizada da estrateacutegia que eacute baseada no desvio padratildeo
dos retornos diaacuterios σr extrapolado para o periacuteodo de um ano Neste caacutelculo satildeo
considerados apenas os dias uacuteteis (252)
V olatilidade = σrradic
252 (4)
bull Sharpe - IS
Eacute um indicador utilizado para avaliar a relaccedilatildeo entre o risco e o retorno de um
investimento Mostra o retorno r acima de uma taxa livre de risco rf ajustado pela
volatilidade (risco) σ Quanto maior o Sharpe maior a expectativa de retorno frente ao
risco associado Eacute dado por
IS =r minus rfσ
(5)
bull Sortino - ISO
Eacute um indicador que como o iacutendice Sharpe avalia a relaccedilatildeo entre o risco e o retorno
de um investimento Poreacutem o Sortino leva em consideraccedilatildeo apenas a volatilidade
negativa σd anulando os desvios dos retornos positivos
ISO =r minus rfσd
(6)
bull Max Drawdown - MDD
Retrata a maior perda percentual que a estrateacutegia teve durante sua execuccedilatildeo
bull Beta - β
Eacute uma medida de volatilidade da estrateacutegia em relaccedilatildeo a um benchmark1 Mede o
quanto o desempenho da estrateacutegia segue o da economia em geral eacute dado por
β =cov(r rb)
var(rb) (7)
onde r eacute o retorno da estrateacutegia e rb o retorno do benchmark
bull Alpha - α
Este paracircmetro estima o quanto a estrateacutegia se destacou positivamente dos retornos
retratados pelo benchmark selecionado ou seja tenta mensurar quanto retorno a
estrateacutegia gerou acima do crescimentodecrescimento natural da economia
α = rd minus βrb (8)
onde rd eacute a meacutedia dos retornos diaacuterios da estrateacutegia rb eacute o retorno do benchmark e β
o coeficiente calculado1Paracircmetro utilizado como orientaccedilatildeo para avaliar o desempenho de um investimento
25
bull Value at Risk - V aR
Este paracircmetro estima o risco potencial de uma perda maacutexima de um ativo ou portfoacutelio
em um horizonte de tempo definido e com um determinado niacutevel de confianccedila Na
plataforma seu caacutelculo pelo meacutetodo parameacutetrico eacute feito assumindo a distribuiccedilatildeo
normal nos retornos diaacuterios de toda a carteira e considerando um niacutevel de confianccedila
de 95
V aR = ppf(0 05 rd σrd) (9)
onde ppf eacute a funccedilatildeo de densidade de probabilidade gaussiana rd eacute a meacutedia dos retor-
nos diaacuterios e σrd eacute o desvio padratildeo dos retornos diaacuterios O ponto de 5 corresponde
aproximadamente a 1645 desvios agrave esquerda da meacutedia dos retornos
26
Capiacutetulo 5
Modelos
Neste capiacutetulo vamos mostrar a formulaccedilatildeo do tratamento dos dados que seratildeo
utilizados nas etapas seguintes do trabalho a apresentaccedilatildeo de um modelo baseado
em um sistema de equaccedilotildees diferenciais lineares e a sua adaptaccedilatildeo para um novo
modelo de ajuste de pontos bem como a definiccedilatildeo de um modelo de previsatildeo de
tendecircncia de preccedilos
51 Tratamento dos dados
O preccedilo bruto de cada uma das n accedilotildees no tempo t isin Z1 eacute representado por xk(t)
(k = 1 2 middot middot middot n) Neste trabalho vamos utilizar dados com preccedilos tratados que
consistem nos desvios destes preccedilos brutos xk(t) em relaccedilatildeo a preccedilos considerados
justos Contudo determinar o preccedilo justo de cada accedilatildeo envolve diversas variaacuteveis que
natildeo estatildeo no foco do estudo Uma forma que estabelecemos como aproximaccedilatildeo para
o caacutelculo foi utilizar uma meacutedia moacutevel exponencial xk (t) calculada em um periacuteodo
precedente ao preccedilo bruto analisado definida como
xk (t) = (xk (tminus 1)minus xk (tminus 1))times 2
(S + 1)+ xk (tminus 1) (10)
onde S eacute um paracircmetro relacionado ao peso dado ao uacuteltimo valor xk(t) no caacutelculo e
xk (tminus 1) eacute a meacutedia moacutevel exponencial calculada no periacuteodo anterior2 Quanto maior o
tamanho de S menor o peso dado ao uacuteltimo preccedilo Neste trabalho utilizamos S = 12
1Embora t seja usualmente utilizado para definir tempo contiacutenuo no trabalho vamos utilizar para represen-tar tempo discreto
2A Eq (10) tem caracteriacutestica recursiva ou seja o caacutelculo de xk (t) depende de um valor de xk (t0) inicialDesta forma para o primeiro caacutelculo foi utilizada uma meacutedia simples calculada em uma janela de pontosprecedentes ao preccedilo analisado escolhida com tamanho S
xk(0) =1
S
t0minus1sumt=t0minusS
xk (t) (11)
27
para o caacutelculo das meacutedias moacuteveis que foram utilizadas como aproximaccedilatildeo para os
preccedilos justos Com isto a nova seacuterie de preccedilos tratados seraacute dada pela diferenccedila
entre o logaritmo dos preccedilos brutos e o logaritmo dos preccedilos considerados justos
definida como
Xk (t) = ln xk (t)minus ln xk (t) (12)
Consideramos que os desvios dos preccedilos brutos em relaccedilatildeo aos preccedilos justos eacute que
satildeo importantes para a representaccedilatildeo da dinacircmica das seacuteries Desta forma a partir
deste ponto em nossas anaacutelises utilizaremos as novas seacuteries de preccedilos tratados
Para ilustrar o comportamento das seacuteries construiacutemos a figura 4 que mostra o
logaritmo da seacuterie de preccedilos brutos x1 e da seacuterie de meacutedias moacuteveis x1 (em (a)) bem
como o logaritmo da seacuterie de preccedilos tratados X1 para a accedilatildeo ITUB4 (em (b)) A
escolha da seacuterie foi justificada por ser ITUB4 a accedilatildeo que tem a maior porcentagem
de participaccedilatildeo na carteira teoacuterica do Ibovespa do primeiro quadrimestre de 2017
Podemos observar que a curva das meacutedias moacuteveis representada pela linha pontilhada
eacute mais suave que a curva dos valores brutos Tambeacutem observamos que a curva de
preccedilos tratados X1 tende a se aproximar da origem apoacutes as variaccedilotildees observadas
52 Ajuste linear do dados
O modelo de equaccedilotildees diferenciais lineares que propusemos em (RESENDE et al
2017) eacute dado na formad
dtXa (t) = BXa (t) (13)
onde
Xa(t) =
X1(tminus n+ 1) middot middot middot X1(tminus 1) X1(t)
X2(tminus n+ 1) middot middot middot X2(tminus 1) X2(t)
Xn(tminus n+ 1) middot middot middot Xn(tminus 1) Xn(t)
e
B =
B11 B12 middot middot middot B1n
B21 B22 middot middot middot B2n
Bn1 Bn2 middot middot middot Bnn
A equaccedilatildeo (13) equivale a n equaccedilotildees do tipo
d
dt
X1(τ)
X2(τ)
Xn(τ)
= B
X1(τ)
X2(τ)
Xn(τ)
(14)
28
357
358
359
36
361
362lnx1lnx1
0 100 200 300 400 500minus002
minus001
0
001
002
003
t
lnX
1
(a)
(b)
Figura 4 ndash Comparaccedilatildeo de preccedilos brutos meacutedias moacuteveis e preccedilos tratados da seacuterieda ITUB4 (k = 1) A figura mostra 500 pontos com granularidade de 5 minutospara a accedilatildeo com maior participaccedilatildeo na carteira teoacuterica do Ibovespa no primeiroquadrimestre de 2017 (a) A linha contiacutenua representa a evoluccedilatildeo do logaritmodos preccedilos brutos lnx1 e a linha pontilhada descreve as meacutedias moacuteveis ln x1 (b)Representa os preccedilos tratados lnX1
com tminus n+ 1 le τ le t
Neste modelo consideramos que os desvios dos preccedilos brutos em relaccedilatildeo aos
preccedilos considerados justos satildeo os elementos importantes para a caracterizaccedilatildeo das
dinacircmicas das seacuteries
Discretizando o modelo de equaccedilotildees diferenciais representado pela equaccedilatildeo (13)
obtemos
Xa(t)minusXa(tminus 1)
∆t= BXa(t) (15)
equivalente a
29
Xa(tminus 1) = Xa(t)minus∆tBXa(t) (16)
= (Iminus∆tB)Xa(t)
onde I eacute a matriz identidade ntimesn Assumindo que Aa = (Iminus∆tB)minus1 existe podemos
escrever
Xa(t) = AaXa(tminus 1) (17)
No modelo apresentado acima se existir a inversa de Xa(tminus 1) podemos encontrar
as matrizes Aa perfeitamente ajustadas para a equaccedilatildeo (17) isto eacute o sistema definido
desta maneira apresenta soluccedilotildees que passam em todos os pontos no intervalo [tminusn
t] Agora adaptaremos o modelo buscando matrizes Aa que satildeo aproximadamente
ajustadas em intervalos maiores Para a definiccedilatildeo suponha que a evoluccedilatildeo dos preccedilos
tratados ainda possa ser expressa pela combinaccedilatildeo linear das n accedilotildees analisadas
sendo
X(t) = AX(tminus 1) + ε (18)
onde
X(t) =
X1(tminusR + 1) X1(tminus 1) X1(t)
X2(tminusR + 1) X2(tminus 1) X2(t)
Xn(tminusR + 1) Xn(tminus 1) Xn(t)
X(tminus 1) =
X1(tminusR) X1(tminus 2) X1(tminus 1)
X2(tminusR) X2(tminus 2) X2(tminus 1)
Xn(tminusR) Xn(tminus 2) Xn(tminus 1)
A =
A(1 1) A(1 nminus 1) A(1 n)
A(2 1) A(2 nminus 1) A(2 n)
A(n 1) A(n nminus 1) A(n n)
ε =
ε1(tminusR + 1) ε1(tminus 1) ε1(t)
ε2(tminusR + 1) ε2(tminus 1) ε2(t)
εn(tminusR + 1) εn(tminus 1) εn(t)
ε eacute o erro associado ao ajuste R eacute a quantidade de pontos utilizados no ajuste e n
a quantidade de accedilotildees analisadas Os diferentes valores que R pode assumir seratildeo
testados e apresentados mais detalhadamente na seccedilatildeo 61
30
Observe que a equaccedilatildeo (18) eacute diferente da equaccedilatildeo (17) uma vez que existe um erro
associado ao ajuste aproximado e tambeacutem pelo fato de que Xa(t)(Xa(tminus 1)) eacute ntimes ne X(t)(X(tminus 1)) eacute da ordem ntimesR e consequentemente a matriz de coeficientes A
eacute diferente de B
Expandindo a equaccedilatildeo (18) para tminusR + 1 le τ le t o sistema fica na formaX1(τ) = A(1 1)X1(τ minus 1) + A(1 2)X2(τ minus 1) + A(1 n)Xn(τ minus 1) + ε1(τ)
X2(τ) = A(2 1)X1(τ minus 1) + A(2 2)X2(τ minus 1) + A(2 n)Xn(τ minus 1) + ε2(τ)
Xn(τ) = A(n 1)X1(τ minus 1) + A(n 2)X2(τ minus 1) + A(n n)Xn(τ minus 1) + εn(τ)
(19)
A equaccedilatildeo (18) se assemelha a um modelo de regressatildeo linear multivariado En-
tretanto a sua validaccedilatildeo como tal modelo depende da capacidade do mesmo em
representar a dinacircmica que produziu os dados A possiacutevel violaccedilatildeo das premissas
de um modelo de regressatildeo natildeo invalida o nosso modelo Como veremos adiante
estamos interessados nos resultados de acerto de tendecircncia que seratildeo analisados
com rigor estatiacutestico De fato natildeo esperamos que um modelo linear seja capaz de
representar a dinacircmica do mercado financeiro O que eacute refletido na distribuiccedilatildeo dos
erros que natildeo atendem as premissas de independecircncia e normalidade Contudo
as matrizes apresentaram melhores resultados em termos computacionais e de
qualidade das soluccedilotildees que os obtidos com o meacutetodo do gradiente explorado em
trabalhos anteriores (RESENDE et al 2017)
Na equaccedilatildeo (18) desconsiderando o erro a partir dos X(t) e X(t minus 1) podemos
definir a matriz de coeficientes A de forma anaacuteloga agrave descrita por (AGUIRRE 2007)
Como a matriz X(t minus 1) natildeo eacute quadrada ela natildeo pode ser invertida Entretanto
podemos multiplicar a equaccedilatildeo (18) em ambos os lados por X(t minus 1)T e obter A
fazendo
X(t)X(tminus 1)T = AX(tminus 1)X(tminus 1)T
A(X(tminus 1)X(tminus 1)T )(X(tminus 1)X(tminus 1)T )minus1 = X(t)X(tminus 1)T (X(tminus 1)X(tminus 1)T )minus1
A = (X(t)X(tminus 1)T )(X(tminus 1)X(tminus 1)T )minus1 (20)
Para as manipulaccedilotildees algeacutebricas consideramos a existecircncia da inversa de (X(tminus1)X(t minus 1)T ) Outra forma para estimar a matriz A eacute atraveacutes do meacutetodo dos miacuteni-
mos quadrados conforme descrito por (AGUIRRE 2007) A teacutecnica da otimizaccedilatildeo
matemaacutetica eacute apresentada no apecircndice A para complementar o trabalho
31
A matriz A pode variar de acordo com a escolha de t conforme a equaccedilatildeo (20)
Deste modo usaremos a notaccedilatildeo A(t) para a denotar a matriz A calculada utilizando
pontos do tempo tminusR ateacute o tempo t
Com a matriz X(t) e X(tminus 1) podemos calcular a variaccedilatildeo nos preccedilos das accedilotildees
que eacute a diferenccedila do preccedilo da accedilatildeo no periacuteodo t em relaccedilatildeo ao periacuteodo anterior tminus 1
Esta variaccedilatildeo do preccedilo ∆X(t) eacute denominada retorno do ativo definida por
∆X(t) =
∆X1(t)
∆X2(t)
∆Xn(t)
(21)
sendo
∆Xk(t) = Xk(t)minusXk(tminus 1) (22)
= log
(xk(t)
xk(t)
)minus log
(xk(tminus 1)
xk(tminus 1)
)
onde usamos no passo final a equaccedilatildeo (12)
53 Modelo de previsatildeo
Para tentar prever o preccedilo no tempo t + 1 vamos utilizar como paracircmetro a matriz
A(t) Para tanto eacute desejaacutevel que A(t) varie pouco no tempo sendo A(t) proacutexima a
A(tminus 1) Trabalhamos com a hipoacutetese de linearidade local na vizinhanccedila de t Para
analisar esta variaccedilatildeo da matriz A(t) no tempo definimos a distacircncia
d (A(t)A(tminus 1)) =
radicradicradicradic nsumi=1
nsumj=1
|A(t)ij minus A(tminus 1)ij|2 (23)
onde A(t)ij (A(tminus 1)ij) eacute o elemento da matriz A(t) (A(tminus 1)) na linha i e coluna j
entre as matrizes adjacentes A(t) e A(tminus 1) para vaacuterios valores de R e mostramos
os resultados na figura 5
32
0
5
10
15
20
25
30
200 400 600 800 1000minus05
0
05
1
15
0
2
4
6
8
d
200 400 600 800 1000minus05
0
05
1
R
(a) (c)
(d)(b)
Figura 5 ndash Distribuiccedilatildeo das distacircncias entre as matrizes A em tempos adjacentespara valores de R variando de 100 a 1000 Foram realizadas 5 000 execuccedilotildeespara as accedilotildees do Ibovespa e 3 900 para as accedilotildees que compotildeem o Dow JonesUtilizamos seacuteries de preccedilos com granularidade de 5 minutos no periacuteodo de020117 a 280417 (primeiro quadrimestre de 2017) A linha contiacutenua representaa meacutedia das distacircncias e a linha pontilhada mostra a meacutedia de dplusmn os desvios (a)Calculamos a distacircncia entre as matrizes adjacentes obtidas para todas as accedilotildeesdo iacutendice Dow Jones (b) Distacircncia das matrizes adjacentes obtidas utilizando as10 accedilotildees com maiores participaccedilotildees no iacutendice Dow Jones (c) Distacircncia entreas matrizes adjacentes calculadas utilizando todas as accedilotildees que compotildeem acarteira teoacuterica do Ibovespa (d) Distacircncia entre as matrizes obtidas utilizando as10 accedilotildees com maiores pesos de participaccedilatildeo na composiccedilatildeo do Ibovespa
33
Analisando os resultados da figura 5 obtidos com a Eq (20) percebemos que agrave
medida em que aumentamos o valor de R as distacircncias entre as matrizes calculadas
em tempos adjacentes diminuiacuteram Anaacutelises da quantidade de accedilotildees tamanho de R
e outras seratildeo exploradas no Cap 6
Com a perspectiva de que a matriz A(t) calculada utilizando-se R + 1 preccedilos passa-
dos varie pouco e com isso seja uma boa estimativa para A(t+ 1) a empregamos
como instrumento para o modelo de previsatildeo Este modelo seraacute baseado na equaccedilatildeo
(18) definido por
X(t+ 1) = A(t)Xc(t) (24)
onde A(t) foi obtida com os R + 1 preccedilos ateacute o tempo t
X(t+ 1) =
X1(t+ 1)
X2(t+ 1)
Xn(t+ 1)
eacute a matriz com preccedilos previstos das accedilotildees no tempo t+ 1 e
Xc =
X1(t)
X2(t)
Xn(t)
eacute uma matriz coluna com os valores dos preccedilos tratados no tempo t
Mesmo que haja pouca variaccedilatildeo entre as matrizes A(t) e A(t+1) eacute natural obtermos
um erro associado agrave previsatildeo
O retorno previsto das accedilotildees eacute dado por
∆X(t+ 1) =
∆1X(t+ 1)
∆2X(t+ 1)
∆nX(t+ 1)
(25)
onde
∆Xk(t+ 1) = Xk(t+ 1)minusXk(t) (26)
Os retornos reais ∆X(t+1) e os previstos ∆X(t) dos ativos satildeo referentes a retornos
de preccedilos tratados A partir destes valores podemos definir tendecircncias poreacutem para
analisar a direccedilatildeo destes preccedilos eacute preciso analisar dados de preccedilos brutos x(t) e natildeo
mais os preccedilos tratados X(t) Para o caacutelculo com estes dados brutos eacute preciso fazer
a operaccedilatildeo para reverter os dados tratados que foram utilizados ateacute este ponto do
34
trabalho Para o tratamento inicial dos dados utilizamos a equaccedilatildeo (12) reproduzida
abaixo
Xk (t) = ln xk (t)minus ln xk (t) (27)
onde Xk(t) eacute o preccedilo tratado de fechamento da accedilatildeo k no tempo t xk(t) eacute o preccedilo
bruto de fechamento da accedilatildeo k no tempo t e xk eacute a meacutedia moacutevel calculada utilizando
dados precedentes a xk(t)
Para transformar os preccedilos tratados em preccedilos brutos partimos da equaccedilatildeo (12) e
obtemos
xk(t) = xk(t) lowast eXk(t) (28)
Evidentemente os preccedilos brutos reais satildeo conhecidos e este procedimento eacute impor-
tante para calcularmos preccedilos brutos previstos Assim podemos definir os retornos
de preccedilos brutos reais ∆x(t) e os previstos ∆x(t) utilizando as equaccedilotildees 22 e 26
respectivamente
A partir da variaccedilatildeo do preccedilo no periacuteodo podemos definir o vetor de tendecircncia
T =
T1(t)
T2(t)
Tn(t)
(29)
onde T assume os valores minus1 0 e 1 sendo minus1 associado agrave tendecircncia de baixa 0
sinal neutro e 1 agrave tendecircncia de alta do preccedilo Deste ponto em diante do trabalho
estamos interessados apenas na tendecircncia e natildeo no valor do preccedilo previsto Assim o
bom resultado do modelo ocorreraacute quando a tendecircncia do preccedilo previsto for igual a
tendecircncia observada do preccedilo real Deste modo o desempenho do modelo seraacute dado
pela acuraacutecia
a =Nc
N (30)
onde Nc eacute o nuacutemero de previsotildees de tendecircncias corretas e N eacute o nuacutemero total de
previsotildees executadas pelo modelo de previsatildeo
Nos resultados que apresentamos em (RESENDE et al 2017) mostramos que o
tamanho do retorno previsto traz informaccedilatildeo sobre a tendecircncia Logo dividimos o
conjunto de retornos previstos U em 4 subconjuntos U1 U2 U3 e U4 de forma que
cada subconjunto contenha um quarto dos retornos previstos Os maiores retornos
(em moacutedulo) estatildeo em U4 seguidos pelos retornos em U3 U2 e U1 nesta ordem Os
melhores resultados em (RESENDE et al 2017) foram obtidos para o subconjunto
U4 Portanto neste trabalho vamos analisar apenas as tendecircncias previstas obtidas
com retornos previstos em U4 Para verificar se os retornos previstos estatildeo em U4
considerado o quarto quartil utilizamos uma janela de tamanho Q = 100 pontos A
35
janela Q eacute ordenada e 25 dos maiores valores satildeo armazenados em U4 Desta
forma a primeira operaccedilatildeo soacute poderaacute ocorrer a partir do (Q+1)-eacutesimo sinal produzido
Antes disso o modelo sempre retornaraacute sinais neutros Para verificar se o (Q+ 1)-
eacutesimo sinal estaacute em U4 comparamos se o seu valor eacute maior que o sinal armazenado
na posiccedilatildeo 75 da janela Q de retornos precedentes dispostos em ordem crescente
Se a condiccedilatildeo eacute satisfeita o modelo envia um sinal vaacutelido caso contraacuterio um sinal
neutro eacute enviado
36
Capiacutetulo 6
Exploraccedilatildeo do modelo de previsatildeo
O modelo apresentado na seccedilatildeo 52 conforme a equaccedilatildeo (18) foi utilizado para
desenvolver o modelo de previsatildeo representado pela equaccedilatildeo (24) Neste capiacutetulo
vamos explorar algumas das possibilidades de combinaccedilotildees de paracircmetros para
ajustar este modelo de forma a obter melhores acuraacutecias Entretanto encontrar a
combinaccedilatildeo oacutetima de paracircmetros envolve anaacutelises que natildeo estatildeo no foco do trabalho
O capiacutetulo seraacute organizado no seguinte modo na seccedilatildeo 61 investigaremos se haacute uma
relaccedilatildeo entre a acuraacutecia a e a variaccedilatildeo da quantidade de pontos R utilizados para
calcular a matriz de coeficientes A Na seccedilatildeo 62 vamos investigar se a quantidade
de accedilotildees interfere na acuraacutecia do modelo Na seccedilatildeo 63 analisaremos a relaccedilatildeo da
acuraacutecia do modelo com a granularidade dos dados Na seccedilatildeo 64 calcularemos
os expoentes de Hurst das seacuteries de preccedilos das accedilotildees e analisaremos se haacute uma
relaccedilatildeo entre as acuraacutecias obtidas e os seus expoentes de Hurst Jaacute na seccedilatildeo 65
vamos investigar se as taxas de acuraacutecia calculadas em um quadrimestre se mantecircm
no quadrimestre seguinte Com esta anaacutelise estamos interessados em verificar se o
modelo se mantecircm para outro periacuteodo Tambeacutem vamos selecionar quais as accedilotildees que
apresentam melhores acuraacutecias no primeiro quadrimestre e investigar as acuraacutecias
do modelo para estas accedilotildees no segundo quadrimestre Na seccedilatildeo 66 vamos elaborar
uma votaccedilatildeo em relaccedilatildeo agrave tendecircncia entre diferentes tamanhos de R
61 Variaccedilotildees do tamanho de R
O objetivo do modelo eacute prever a tendecircncia do preccedilo no tempo t + 1 Para isto ele
utiliza a matriz de coeficientes A que minimiza a diferenccedila quadraacutetica entre a matriz
de preccedilos reais X(t+ 1) e a matriz de preccedilos previstos X(t+ 1) Para calcular esta
matriz A eacute preciso R+ 1 pontos Natildeo sabemos o tamanho ideal de R logo definimos
a quantidade de pontos baseados em alguns testes baacutesicos de acuraacutecia do modelo
na previsatildeo de tendecircncia de preccedilos No Capiacutetulo 5 Eq (30) reproduzida abaixo
37
definimos a acuraacutecia para cada accedilatildeo como
a =Nc
N (31)
onde Nc eacute o nuacutemero de previsotildees corretas e N eacute o nuacutemero total de previsotildees
Como estamos analisando diferentes tamanhos de R para vaacuterias accedilotildees vamos definir
a acuraacutecia meacutedia
a =
nsumk
ak
n(32)
e o desvio padratildeo
σa =
radicradicradicradicradic nsumk
(ak minus a)2
nminus 1 (33)
onde ak eacute a acuraacutecia a para cada accedilatildeo k e n eacute o nuacutemero total de accedilotildees analisadas
Nesta anaacutelise uma acuraacutecia meacutedia a envolvendo todas as k accedilotildees eacute calculada para
cada tamanho de R A figura 6 mostra a acuraacutecia meacutedia a e plusmnσa do modelo para
todas as accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa Os dados analisados
satildeo referentes ao primeiro quadrimestre de 2017 Utilizamos diferentes tamanhos de
R variando de 100 a 1100 com incremento de 10 pontos a cada nova execuccedilatildeo do
programa O objetivo desta figura eacute sinalizar o momento em que natildeo haacute mais ganhos
significativos na acuraacutecia agrave medida que aumentamos o tamanho de R
38
048
05
052
054
056
100 200 300 400 500 600 700 800 900 1000048
05
052
054
056
macr a
(a)
(b)
R
Figura 6 ndash Acuraacutecia meacutedia para todas as n accedilotildees que compotildeem os iacutendices Dow Jo-nes e Ibovespa Os dados analisados satildeo referentes agraves seacuteries de preccedilos comgranularidade de 5 minutos no periacuteodo de 020117 a 280417 (primeiro quadri-mestre de 2017) Foram utilizados diferentes tamanhos de R Com valor inicialde R = 100 com incremento de 10 Para cada valor de R foram realizadas 5000execuccedilotildees para a seacuterie do Ibovespa e 3900 para Dow Jones (a) A linha contiacutenuarepresenta a acuraacutecia meacutedia a obtida para todas as accedilotildees do iacutendice Dow JonesA linha pontilhada representa a acuraacutecia meacutedia a plusmnσa das acuraacutecias obtidas (b)A linha contiacutenua mostra a acuraacutecia meacutedia a de todas as accedilotildees que compotildeema carteira teoacuterica do iacutendice Ibovespa A linha pontilhada apresenta a acuraacuteciameacutedia a plusmnσa
39
Podemos observar na figura 6 que para valores maiores de R a curva da acuraacutecia
meacutedia a tende a quase se estabilizar poreacutem ainda podemos perceber um leve cres-
cimento Para analisar se ainda haacute ganhos na acuraacutecia para valores de R gt 500
calculamos o coeficiente angular β e os coeficientes de determinaccedilatildeo r 2 da reta de
ajuste aos pontos com valores de R superiores a 500 Os coeficientes angulares β
para todas as accedilotildees dos igravendices Dow Jones e Ibovespa calculados para o intervalo
500 le R le 1000 foram β = 5 63 times 10minus5 e β = 1 24 times 10minus5 respectivamente
Embora pequenos natildeo satildeo irrelevantes observe que numa variaccedilatildeo de 0 02 na
acuraacutecia (o que eacute significativo) entre R = 500 e R = 1000 temos coeficiente angular
4times 10minus5 ou seja na ordem dos observados Os coeficientes de determinaccedilatildeo foram
r 2 = 0 2905 para todas as accedilotildees do iacutendice Dow Jones e r 2 = 0 6295 para todas
as accedilotildees do Ibovespa Eles indicam que o ajuste linear natildeo eacute satisfatoacuterio Contudo
isto natildeo eacute relevante aqui uma vez que estamos interessados sobretudo no caraacuteter
crescente das curvas Os valores de β e r2 obtidos satildeo apresentados na tabela 2
Valores dos coeficientes angulares β calculados para o intervalo 500 le R le 1000
pequenos poreacutem positivos indicam crescimento da curva e nos motivam a investigar
o comportamento do graacutefico para valores de R maiores que 1000
Tabela 2 ndash Coeficientes angulares (β) e os correspondentes coeficientes de determinaccedilatildeo(r 2) para o ajuste linear das curvas de acuraacutecias meacutedias a para diferentes valoresde R das Fig 6 e 7
Todas Accedilotildees (Fig 6) 10 Accedilotildees + (Fig 7)
Dow Jonesβ 5 63times 10minus5 9 79times 10minus5
r2 02905 062953
Ibovespaβ 1 24times 10minus4 9 98times 10minus5
r2 0 6970 0 7629
Nota Para a Fig 6 que analisa o conjunto de todas as accedilotildees que compotildeem os iacutendices Dow Jones eIbovespa os coeficientes β e r2 foram calculados para o intervalo de 500 le R le 1000 Jaacute na Fig 7os coeficientes β e r2 foram calculados para o intervalo de 1000 le R le 2000 Todos os coeficientes
β satildeo positivos indicando que as evoluccedilotildees das curvas ainda satildeo positivas
Para cada tamanho de R satildeo realizadas 5000 execuccedilotildees para as accedilotildees do Ibovespa
e 3900 para as accedilotildees do Dow Jones A diferenccedila na quantidade de execuccedilotildees entre
Dow Jones e Ibovespa eacute devida ao menor tempo diaacuterio de permanecircncia do pregatildeo
de negociaccedilatildeo do Dow Jones em relaccedilatildeo ao Ibovespa Com isso as quantidades
de dados disponiacuteveis nas amostras satildeo diferentes Ainda assim o nuacutemero de exe-
cuccedilotildees para cada valor de R eacute grande Como estamos interessados em analisar
mais tamanhos diferentes de R vamos diminuir o nuacutemero de accedilotildees envolvidas nos
testes O criteacuterio para escolha destas accedilotildees eacute selecionar as 10 accedilotildees com maiores
pesos nos iacutendices Ibovespa e Dow Jones As composiccedilotildees e as ordens de pesos das
participaccedilotildees nos iacutendices Ibovespa e Dow Jones satildeo apresentadas nas tabelas 26 e
27 respectivamente
40
Nesta anaacutelise utilizando valores maiores de pontos nos ajustes vamos explorar R
variando de 10 a 2000 com incremento de 10 pontos a cada nova execuccedilatildeo do
programa Para cada execuccedilatildeo foram realizadas 3000 e 2000 previsotildees para as
10 accedilotildees com maiores pesos de participaccedilatildeo nos iacutendices Ibovespa e Dow Jones
respectivamente A figura 7 apresenta as acuraacutecias meacutedias a linha contiacutenua e a plusmnσalinha pontilhada obtidos na anaacutelise
10 200 400 600 800 1000 1200 1400 1600 1800 2000045
05
055
06
R
a
045
05
055
06
(a)
(b)
Figura 7 ndash Acuraacutecia meacutedia para as 10 accedilotildees com maiores participaccedilotildees na carteirateoacuterica do Ibovespa E Dow Jones Os dados analisados satildeo referentes agravesseacuteries de preccedilos de fechamento com granularidade de 5 minutos no periacuteodode 020117 a 280417 (primeiro quadrimestre de 2017) Foram utilizados 200diferentes tamanhos de R Com o valor inicial de R = 10 com incremento de10 Para cada valor de R foram realizadas 3000 execuccedilotildees com as seacuteries dasaccedilotildees do Ibovespa e 2000 com a seacuteries do Dow Jones (a) A linha contiacutenuarepresenta a acuraacutecia meacutedia obtida para as 10 accedilotildees com maior participaccedilatildeo doiacutendice Dow Jones A linha pontilhada representa a meacutedia plusmnσa que eacute o desviopadratildeo das acuraacutecias obtidas (b) A linha contiacutenua mostra a acuraacutecia meacutedia paraas 10 as accedilotildees com maior peso de participaccedilatildeo na carteira teoacuterica do iacutendiceIbovespa A linha pontilhada apresenta a acuraacutecia meacutedia plusmnσa
Analisando a figura 7 percebemos que agrave medida que aumentamos os valores de R a
curva da acuraacutecia meacutedia tende a oscilar menos Isso acontece devido ao incremento de
41
10 novos pontos serem cada vez menos significativos agrave medida em que aumentamos a
quantidade de pontos na janela O efeito eacute mais evidente ao compararmos os valores
de R proacuteximos a 10 com aqueles no final da seacuterie
A figura 7 sugere que a acuraacutecia para as accedilotildees do iacutendice Dow Jones tende a se
estabilizar para valores de R ge 400 pontos Poreacutem a curva ainda mostra um leve
crescimento dos resultados Para as accedilotildees do iacutendice Ibovespa eacute evidente que a
curva de acuraacutecia apresenta ganhos significativos agrave medida em que aumentamos o
tamanho de R Estas observaccedilotildees satildeo evidenciadas pelos valores dos coeficientes
angulares apresentados na tabela 2 Desta forma na aplicaccedilatildeo do modelo seria ideal
utilizar tamanhos maiores de R mas esta quantidade de pontos definida para o ajuste
afeta diretamente o tamanho da amostra restante para fazer as N previsotildees a cada
execuccedilatildeo do programa Por isto definimos baseados nas figuras 6 e 7 um valor de R
que natildeo comprometa a acuraacutecia e nem o tamanho da amostra Uma escolha coerente
da quantidade de pontos para utilizar no ajuste eacute R = 1000
As figuras 6 e 7 nos mostram as acuraacutecias meacutedias a Como estes resultados se
referem agraves meacutedias das acuraacutecias a de todas as accedilotildees para cada valor de R natildeo po-
demos visualizar o comportamento individual das accedilotildees para os diferentes tamanhos
de R Com isto para mostrar a dispersatildeo das acuraacutecias da accedilotildees para cada valor de
R construiacutemos os boxplots1 dos resultados A dispersatildeo localizaccedilatildeo e simetria das
acuraacutecias podem ser representadas pela figura 9 As caixas contecircm 50 dos dados
sendo o primeiro quartil (Q1) a mediana e o terceiro quartil (Q3) A altura da caixa eacute a
amplitude interquartil (AIQ) que eacute dada pela distacircncia entre Q1 e Q3 A linha superior
eacute traccedilada iniciando em Q3 ateacute o maior valor observado dentro da faixa com o conjunto
de pontos que vai de Q3 ateacute o valor do limite superior (Ls) calculado utilizando 1 5
vezes o valor do interquartil AIQ
Ls = Q3 + 1 5AIQ (34)
A linha inferior eacute traccedilada iniciando-se em Q1 ateacute o menor valor que eacute encontrado
dentro da faixa que comeccedila em Q1 e se estende ateacute o valor do limite inferior (Li)
calculado utilizando 1 5 do valor do interquartil AIQ
Li = Q1minus 1 5AIQ (35)
Os pontos fora destas linhas traccediladas satildeo chamados outliers (MONTGOMERY 2008)
A figura 8 mostra as caracteriacutesticas do boxplot Como esperado a figura 9 mostra que
as accedilotildees que compotildeem o iacutendice Ibovespa apresentam mais outliers com altas taxas
de acuraacutecia quando comparadas agraves accedilotildees do iacutendice Dow Jones
1Diagrama de caixa Eacute uma apresentaccedilatildeo graacutefica que descreve simultaneamente vaacuterias caracteriacutesticasde um conjunto de dados observados(MONTGOMERY 2008)
42
049
05
051
052
053
054
055
056
1
Terceiro quartil
Mediana
Valor Miacutenimo
Valor Maacuteximo
Outlier
Quarto quartil
Figura 8 ndash Exemplo de um formato de um boxplot
43
0 10 20 30 40 50 60 70 80 90 100
05
055
06
065
07
045
05
055 (a)
(b)
Figura 9 ndash Boxplot da Acuraacutecia para todas as accedilotildees que compotildeem os iacutendices DowJones e Ibovespa Os dados utilizados foram preccedilos de fechamento das accedilotildeesque compotildeem os iacutendices Dow Jones e Ibovespa com granularidade de 5 minutosno periacuteodo de 020117 a 280417 (primeiro quadrimestre de 2017) Foramanalisados 100 diferentes tamanhos de R Para cada valor de R foram realizadas3900 execuccedilotildees para as accedilotildees do iacutendice Dow Jones e 5000 execuccedilotildees paraas accedilotildees que compotildeem a carteira teoacuterica do Ibovespa (a) Boxplots com asacuraacutecias para todas as accedilotildees do Dow Jones (b) Acuraacutecias para todas as accedilotildeesdo iacutendice Ibovespa
44
62 Variaccedilotildees da quantidade de accedilotildees
Um ponto a ser questionado refere-se agrave quantidade de accedilotildees n que devemos usar
para calibrar o modelo de forma a obter a melhor acuraacutecia Para investigar a influecircncia
deste valor n nos resultados do modelo desenvolvemos uma anaacutelise que consiste
em executar o modelo com o nuacutemero miacutenimo de combinaccedilotildees n = 2 e expandir
ateacute o nuacutemero maacuteximo de accedilotildees que compotildeem os iacutendices Ibovespa e Dow Jones
O valor de n aumenta seguindo a ordem decrescente do peso de participaccedilatildeo das
accedilotildees nos iacutendices Para esta anaacutelise utilizamos os dados de preccedilos de fechamento
das accedilotildees com granularidade de 5 minutos no periacuteodo de 020117 a 280417 que se
refere ao primeiro quadrimestre de 2017 A quantidade de pontos utilizada no ajuste
foi R = 1000 pontos Para cada combinaccedilatildeo de n accedilotildees realizamos N = 3000
previsotildees para as seacuteries do Ibovespa e N = 2000 previsotildees para as seacuteries do Dow
Jones A figura 10 mostra a acuraacutecia meacutedia a e plusmnσa para diferentes combinaccedilotildees de
quantidades de accedilotildees envolvidas no modelo
45
2 5 10 15 20 25046
048
050
052
054
056
2 5 10 15 20 25 30 35 40 45 50 55045
050
055
06(b)
(a)
Figura 10 ndash Acuraacutecia meacutedia para diferentes valores de n accedilotildees que compotildeem ascarteiras do Ibovespa e Dow Jones O valor de n aumenta seguindo aordem decrescente do peso de participaccedilatildeo das accedilotildees nos iacutendices Os dadosanalisados satildeo referentes agraves seacuteries de preccedilos de fechamento com granularidadede 5 minutos no periacuteodo de 020117 a 280417 (primeiro quadrimestre de2017) A quantidade de pontos utilizados no ajuste foi R = 1000 Foramrealizadas 3000 previsotildees com as seacuteries das accedilotildees do Ibovespa e 2000 comas seacuteries do Dow Jones (a) A linha contiacutenua representa a acuraacutecia meacutediaobtida para n variando de 2 a 30 accedilotildees que compotildeem o iacutendice Dow Jones Alinha pontilhada representa a meacutedia plusmnσa que eacute o desvio padratildeo das acuraacuteciasobtidas (b) A linha contiacutenua mostra a acuraacutecia meacutedia para n variando de 2 a 58accedilotildees que compotildeem a carteira teoacuterica do iacutendice Ibovespa A linha pontilhadaapresenta a acuraacutecia meacutedia plusmnσa
46
Na figura 10 percebemos uma variaccedilatildeo maior nas acuraacutecias meacutedias a para as
combinaccedilotildees de n accedilotildees do Ibovespa quando comparadas agraves acuraacutecias obtidas
com as accedilotildees do iacutendice Dow Jones Este resultado eacute mais evidente para valores
menores de n As combinaccedilotildees de n accedilotildees do iacutendice Dow Jones satildeo mais estaacuteveis
e como esperado apresentam valores de acuraacutecias meacutedias a menores quando
comparados aos resultados das combinaccedilotildees das accedilotildees do Ibovespa uma vez que a
bolsa americana eacute mais eficiente que a brasileira Para as combinaccedilotildees das accedilotildees
do Ibovespa observamos um pico maior em torno de n = 10 e depois uma certa
estabilizaccedilatildeo de a Isto nos ajuda a definir a quantidade de accedilotildees que devemos usar
para calibrar o modelo
63 Variaccedilatildeo da granularidade
Nesta seccedilatildeo vamos analisar as acuraacutecias para dados com granularidade de 51015
20 e 30 minutos Para simetria das anaacutelises definimos que o modelo deve ser aplicado
em um mesmo intervalo de tempo Com isto agrave medida em que aumentamos a
granularidade das seacuteries diminuiacutemos a quantidade de dados da amostra Assim
nesta anaacutelise natildeo utilizamos o valor de R definido da seccedilatildeo 61 O intervalo de
negociaccedilatildeo tambeacutem foi alterado para um periacuteodo referente a 2 quadrimestres A
quantidade de dados utililizada no ajuste foi R = 500 e o periacuteodo de negociaccedilatildeo foi
de 020117 a 310817 (primeiro e segundo quadrimestres de 2017) Baseados na
seccedilatildeo 62 aleacutem da composiccedilatildeo total do iacutendice uma nova combinaccedilatildeo quantidade de
accedilotildees n = 10 tambeacutem foi analisada A tabela 3 mostra as meacutedias das acuraacutecias a
para os paracircmetros definidos
Tabela 3 ndash Acuraacutecia do modelo aplicado a diferentes granularidades de tempo para R = 500
Iacutendice n 5rsquo 10rsquo 15rsquo 20rsquo 30rsquo
Dow Jones30 05079 (00092) 05065 (00090) 05012 (00162) 05052 (00255) 05022 (00309)10 05132 (00116) 05062 (00136) 05143 (00178) 05061 (00201) 04976 (00337)
Ibovespa58 05216 (00260) 05222 (00287) 05185 (00271) 05215 (00276) 05143 (00338)10 05316 (00294) 05196 (00200) 05187 (00186) 05033 (00268) 05021 (00251)
Nota Os resultados satildeo referentes agraves meacutedias e os desvios das acuraacutecias do modelo de todas as accedilotildees quecompotildeem os iacutendices Dow Jones (30 accedilotildees) e Ibovespa (58 accedilotildees) Tambeacutem analisamos as 10 accedilotildees com
maiores participaccedilotildees nesses iacutendices Os dados analisados satildeo referentes aacutes seacuteries de preccedilos defechamento com granularidades de 5 10 15 20 e 30 minutos no periacuteodo de 02-01-17 a 31-08-17 (primeiro e
segundo quadrimestres de 2017) A quantidade de pontos utilizada no ajuste foi R = 500
Analisando a tabela 3 percebemos que natildeo haacute grandes oscilaccedilotildees nas acuraacutecias
meacutedias a quando variamos a granularidade da base de dados Menores variaccedilotildees da
acuraacutecia meacutedia a satildeo observadas quando aplicamos o modelo para todas as accedilotildees
do iacutendice Dow Jones Para a combinaccedilatildeo das 10 accedilotildees com maiores pesos um
moderado aumento nas acuraacutecias foi obtido para as granularidades de 5 e 15 minutos
47
Para as accedilotildees do Ibovespa maiores oscilaccedilotildees foram observadas principalmente
para a combinaccedilatildeo das 10 accedilotildees com maiores participaccedilotildees no iacutendice A maior
acuraacutecia meacutedia obtida foi para a granularidade de 5 minutos a = 0 5316 Em linhas
gerais observamos uma discreta tendecircncia que a acuraacutecia diminua com o aumento
da granularidade dos dados para as accedilotildees do Ibovespa Para as accedilotildees do iacutendice Dow
Jones natildeo observamos tendecircncia alguma
64 Anaacutelise da acuraacutecia em funccedilatildeo do expoente de Hurst
das seacuteries
O expoente de Hurst (H) aplicado a seacuteries de preccedilos de accedilotildees nos permite visualizar
o comportamento dos dados em relaccedilatildeo agrave memoacuteria de longo prazo Nas nossas
anaacutelises vamos utilizar o meacutetodo alternativo DFA introduzido por (PENG et al 1994)
que tambeacutem foi explorado por (HU et al 2001) e (CHEN et al 2002) Para realizar o
caacutelculo consideramos uma seacuterie de retornos ∆x(i) (i = 1 2 middot middot middot Nmax) Integrando
tal seacuterie obtemos
y(j) =
jsumi=1
(∆x(i)minus 〈∆x〉) (36)
onde 〈∆x〉 eacute a meacutedia
〈∆x〉 =1
Nmax
Nmaxsumj=1
∆x(i) (37)
A nova seacuterie eacute dividida em janelas de tamanho igual m Em cada uma dessas janelas
ajustamos a seacuterie integrada encontrando a funccedilatildeo polinomial Yfit Esta funccedilatildeo indica
a tendecircncia local que haacute em cada intervalo O grau do polinocircmio utilizado pode em
princiacutepio ser qualquer O meacutetodo DFA-l eacute aquele em que o grau l eacute escolhido
Na seacuterie temporal dividida em janelas de tamanho m subtraiacutemos a tendecircncia local
Yfit em cada das janelas Em seguida calculamos a funccedilatildeo de flutuaccedilatildeo
F (m) =
radicradicradicradic 1
Nmax
Nmaxsumi=1
(y(i)minus Yfit)2 (38)
Todo o caacutelculo acima eacute repetido para janelas de diferentes tamanhos m para obter-se
uma relaccedilatildeo entre F (m) e m e os dados satildeo dispostos em um graacutefico log minus log Uma
relaccedilatildeo de lei de potecircncia entre F (m) e a janela de tamanho m indica a presenccedila
de escala logF (m) sim= logmH ( F (m) sim= mH) Neste caso o paracircmetro H dado pelo
coeficiente angular da reta que ajusta os pontos (mF (m)) eacute chamado de expoente de
escala ou expoente de correlaccedilatildeo e eacute a generalizaccedilatildeo do expoente de Hurst Valores
de H lt 0 5 indicam anti-persistecircncia da seacuterie valores de H gt 0 5 indicam que a
48
seacuterie tem persistecircncia e valores de H = 0 5 indicam que as seacuteries natildeo possuem
tendecircncia Com o intuito de analisar se os dados passados fornecem informaccedilotildees
sobre dados futuros calculamos os expoentes de Hurst das seacuteries com preccedilos brutos
x de todas as accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa Os valores de
H obtidos satildeo mostrados na figura 11
1 5 10 15 20 25 30 35 40 45 50 55 5802
03
04
05
06
Accedilatildeo
H 1 5 10 15 20 25 3004
045
05
055
06
065
Figura 11 ndash Expoente de Hurst para todas accedilotildees que compotildeem os iacutendices Dow Jonese Ibovespa Os dados analisados satildeo referentes agraves seacuteries de preccedilos brutoscom granularidade de 5 minutos no periacuteodo de 020117 a 280417 (primeiroquadrimestre de 2017) (a) Representa os coeficientes de Hurst para as accedilotildeesdo iacutendice Dow Jones Foram utilizados 6276 pontos para o caacutelculo (b) Mostraos coeficientes de Hurst utilizando l = 1 para as accedilotildees que compotildeem o iacutendiceIbovespa Foram utilizados 7370 pontos para o caacutelculo
Analisando a figura 11 percebemos que a maioria dos resultados se concentram na
faixa de 0 45 le H le 0 55 Assim natildeo percebemos forte tendecircncia a persistecircncia ou
anti-persistecircncia das seacuteries analisadas
Na anaacutelise seguinte vamos investigar a relaccedilatildeo entre os resultados dos expoentes de
Hurst e as acuraacutecias obtidas pelo modelo As seacuteries de preccedilos ainda satildeo as referentes
aos preccedilos de fechamento de todas as accedilotildees que compotildeem os iacutendices Dow Jones
e Ibovespa A Fig 12 mostra a acuraacutecia meacutedia a de cada uma destas accedilotildees que
49
compotildeem os iacutendices para 100 diferentes valores de R e os expoentes de Hurst das
seacuteries de preccedilos brutos x destas accedilotildees
1 5 10 15 20 25 3004
045
05
055
06
065
1 5 10 15 20 25 30 35 40 45 50 55 58 Accedilotildees
02
03
04
05
06
07
Figura 12 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que compotildeem osiacutendices Dow Jones e Ibovespa Os dados analisados satildeo referentes agraves seacuteriesde preccedilos brutos com granularidade de 5 minutos no periacuteodo de 020117 a280417 (primeiro quadrimestre de 2017) Para o caacutelculo da acuraacutecia meacutediaforam utilizados 100 tamanhos diferentes de R para cada accedilatildeo A linha tracejadarepresenta os coeficientes de Hurst H e a linha contiacutenua a acuraacutecia meacutedia apara cada accedilatildeo utilizando 100 valores diferentes de R no ajuste O valor deR inicial foi 100 com incremento de 10 pontos a cada nova execuccedilatildeo (a)Representa a acuraacutecia meacutedia e os coeficientes de Hurst para as accedilotildees doiacutendice Dow Jones Foram utilizados 6276 pontos para o caacutelculo do expoente deHurst (b) Mostra a acuraacutecia meacutedia e os coeficientes de Hurst para as accedilotildeesque compotildeem o iacutendice Ibovespa Foram utilizados 7370 pontos para o caacutelculodos coeficientes
Analisando visualmente a figura 12 natildeo percebemos padrotildees para as accedilotildees que
compotildeem o iacutendice Dow Jones As suas taxas de acuraacutecia meacutedia a bem como os
valores de H estatildeo proacuteximos de 0 5 Jaacute as accedilotildees que compotildeem o iacutendice Ibovespa
apresentaram maiores taxas de acuraacutecia meacutedia a e tambeacutem maiores oscilaccedilotildees nos
valores dos expoentes de Hurst H A figura nos sugere ainda que os valores menores
deH resultam em maiores valores de a indicando que o modelo tem maior capacidade
50
de previsatildeo para seacuteries de preccedilos de accedilotildees que apresentam anti-persistecircncia Os
resultados mais discrepantes foram obtidos para a accedilatildeo 32 com a = 0 68 e H = 0 28
Para melhor visualizaccedilatildeo destes resultados construiacutemos a figura 13 que mostra a
concentraccedilatildeo dos expoentes de Hurst H em funccedilatildeo da acuraacutecia meacutedia a obtidos para
cada uma das accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa representados
pelos pontos nas cores verde e vermelha respectivamente
025 03 035 04 045 05 055 06 065046
048
05
052
054
056
058
06
062
064
066
H
a
Expoente de Hurst DOW JONESExpoente de Hurst IBOVESPA
Figura 13 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que compotildeem osiacutendices Dow Jones e Ibovespa Os dados analisados satildeo referentes agraves seacuteriesde preccedilos brutos com granularidade de 5 minutos no periacuteodo de 020117 a280417 (primeiro quadrimestre de 2017) Para o caacutelculo da acuraacutecia meacutedia aforam utilizados 100 tamanhos diferentes de R para cada accedilatildeo Com valor inicialde R = 100 com incremento de 10 pontos a cada nova execuccedilatildeo Os pontosna cor vermelha representam os expoentes H em funccedilatildeo da acuraacutecia a paraas accedilotildees do Ibovespa Os pontos na cor verde representam os coeficientes deHurst H em funccedilatildeo da acuraacutecia meacutedia a para cada accedilatildeo do iacutendice Dow JonesPara as accedilotildees do iacutendice Dow Jones utilizamos 6276 pontos para o caacutelculo de HPara as accedilotildees que compotildeem o iacutendice Ibovespa foram utilizados 7370 pontospara o caacutelculo dos coeficientes de Hurst
Pela figura 13 fica mais evidente que as taxas de acuraacutecia meacutedia a satildeo maiores para
as accedilotildees que compotildeem o iacutendice Ibovespa quando comparadas agraves accedilotildees do iacutendice
Dow Jones Observamos tambeacutem que os maiores desvios de H foram obtidos para
51
a seacuterie do Ibovespa Estes resultados vatildeo ao encontro dos estudos de (CAJUEIRO
TABAK 2004) onde os paiacuteses emergentes apresentam valores de H mais distantes
de 05 sugerindo que mercado de paiacuteses emergentes satildeo mais ineficientes que os
de paiacuteses desenvolvidos
Outra investigaccedilatildeo relevante foi baseada no caacutelculo da correlaccedilatildeo linear das acuraacutecias
obtidas em cada quadrimestre com os expoentes de Hurst calculados nos respectivos
quadrimestres Para tanto calculamos o coeficiente de correlaccedilatildeo linear de Pearson
ρ2 O coeficiente ρ obtido quando analisada a correlaccedilatildeo das acuraacutecias e os expoentes
de Hurst calculados no quadrimestre 1 foi ρ = minus0 3791 (pminus valor = 0 0388) para as
accedilotildees que compotildeem o iacutendice Dow Jones e para as accedilotildees do Ibovespa no mesmo
quadrimestre o resultado foi ρ = minus0 4622 (p minus valor = 2 6 times 10minus4) A correlaccedilatildeo
entre as acuraacutecias e os coeficientes de Hurst das seacuteries de preccedilos calculados no
segundo quadrimestre de 2017 foi ρ = minus0 6966 (pminus valor = 1 2571times 10minus9) para as
accedilotildees do Ibovespa e ρ = minus0 1743 (pminus valor = 0 3568) para as accedilotildees do Dow Jones
Estes resultados indicam que haacute uma anti-correlaccedilatildeo entre as acuraacutecias obtidas e os
expoentes H das seacuteries analisadas (COHEN 1977)
Baseados nestes resultados em etapas futuras da tese vamos aprofundar mais as
anaacutelises dos valores de H e a explorando as questotildees de memoacuteria das seacuteries de
preccedilos de accedilotildees e investigando ateacute que ponto informaccedilotildees dos dados passados
interferem na acuraacutecia do modelo de previsatildeo
65 Acuraacutecias em quadrimestres diferentes
Nas subseccedilotildees seguintes vamos aplicar o modelo em dados de quadrimestres di-
ferentes com o objetivo de investigar a consistecircncia das previsotildees em diferentes
periacuteodos
651 Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo qua-
drimestres de 2017
Nesta anaacutelise aplicamos o modelo utilizando as seacuteries de preccedilos tratados com
granularidade de 5 minutos do primeiro e segundo quadrimestres de 2017 de todas
as accedilotildees que integraram os iacutendices Ibovespa e Dow Jones no primeiro quadrimestre
de 2017 A tabela 4 mostra as acuraacutecias obtidas nos quadrimentres 1 e 2 do ano de
2017 Para a execuccedilatildeo do modelo foi utilizado como tamanho de ajuste R = 1000 A
coluna rsquoAcuraacutecia Q1rsquo refere-se agraves acuraacutecias obtidas no quadrimestre 1 Analogamente
a coluna denominada rsquoAcuraacutecia Q2rsquo refere-se agraves acuraacutecias no quadrimestre 2 Os
resultados estatildeo dispostos na ordem da porcentagem de peso de participaccedilatildeo de
2Mede o grau da correlaccedilatildeo (minus1 le ρ le 1) e a direccedilatildeo dessa correlaccedilatildeo (+ ou -) entre duas variaacuteveis
52
cada accedilatildeo nos seus respectivos iacutendices Os valores em negrito indicam que a acuraacutecia
da accedilatildeo obtida no quadrimestre 2 foi maior em relaccedilatildeo agrave mesma no quadrimestre
1 Este aumento de ganhos do quadrimestre 2 em relaccedilatildeo ao quadrimestre 1 foi em
53 30 das accedilotildees que compotildeem o Dow Jones e 60 30 das accedilotildees do Ibovespa
53
Tabela 4 ndash Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo quadrimestres paraas accedilotildees dos iacutendices Ibovespa e Dow Jones
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q1 Acuraacutecia Q2 Accedilatildeo Acuraacutecia Q1 Acuraacutecia Q2
1 05183 05223 1 04912 049482 04833 05329 2 04577 053403 05054 05427 3 05195 051264 05363 05510 4 05207 050425 05130 05296 5 05016 050796 05363 05268 6 05208 048137 04965 04974 7 05341 051178 05188 05203 8 05011 052309 05226 04840 9 05097 04995
10 05541 06053 10 05103 0515911 04862 05597 11 05087 0512412 05362 05578 12 05000 0489313 05147 05493 13 04894 0501114 05097 05070 14 04839 0498915 05449 05349 15 05178 0490716 05072 05479 16 05138 0505817 05320 04852 17 05218 0479318 05260 05283 18 05021 0495219 05350 04968 19 05175 0514220 05266 05262 20 05049 0531821 05208 05166 21 04843 0512822 05270 05138 22 04807 0496423 05100 05180 23 05089 0521724 05208 05210 24 05256 0482925 05057 05028 25 04904 0482126 05142 05167 26 05023 0508427 05018 05120 27 05222 0522428 05138 05169 28 05230 0520429 05142 05465 29 05061 0527230 05043 05020 30 04710 0511331 05201 0535332 06810 0741833 05414 0537934 05458 0509835 05362 0596436 05053 0516537 04968 0552238 05055 0543139 05494 0516540 04969 0509041 05230 0512542 05018 0523043 05288 0503544 05396 0518945 05048 0531846 05467 0530447 05181 0521348 05122 0505149 05385 0522550 05457 0556551 05227 0549452 05845 0580253 05214 0522554 05197 0530455 05229 0533956 05651 0551457 05612 0611058 05121 05205
Nota As acuraacutecias estatildeo representadas de acordo com a ordem decrescente da porcentagem de participaccedilatildeo das accedilotildeesnos iacutendices Dow Jones e Ibovespa Os resultados das 10 accedilotildees com maiores pesos estatildeo delimitados na tabela Os
valores em negrito indicam que a acuraacutecia aumentou no segundo quadrimentre em relaccedilatildeo ao primeiro 60 3 dos casospara o iacutendice Ibovespa e 53 3 dos casos para o iacutendice Dow Jones
54
A figura 14 mostra o panorama das acuraacutecias apresentadas na tabela 4 A linha
traccedilada no graacutefico delimita as 10 accedilotildees que apresentaram as melhores acuraacutecias
em cada quadrimestre Estas accedilotildees satildeo esboccediladas na cor vermelha Os pontos na
cor vermelha e circulados indicam que aleacutem de estarem entre as 10 accedilotildees que
apresentaram as melhores acuraacutecias no quadrimestre 1 tambeacutem estatildeo entre as 10
accedilotildees que apresentaram as melhores taxas no quadrimestre 2 O nuacutemero destas
accedilotildees foi maior para as accedilotildees do Ibovespa
046
048
05
052
054
056
045
05
055
06
065
07
1 10 20 30 40 50 5804
05
06
07
08
Accedilotildees1 5 10 15 20 25 30
046
048
05
052
054
056
a
(a) (c)
(d)(b)
Figura 14 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 Os resul-tados satildeo referentes agraves acuraacutecias do modelo de todas as accedilotildees que compotildeemos iacutendices Dow Jones e Ibovespa Os dados analisados satildeo referentes agraves seacute-ries de preccedilos de fechamento com granularidades de 5 minutos no periacuteodo de020117 a 310817 (primeiro e segundo quadrimestres de 2017) O tamanhodo ajuste utilizado foi R = 1000 A linha traccedilada sobre a figura delimita as10 accedilotildees que apresentaram as melhores acuraacutecias no quadrimestre em ques-tatildeo mostradas na cor vermelha Os pontos circulados indicam que as accedilotildeesapresentaram acuraacutecias entre as 10 melhores no quadrimestre 1 e tambeacutem noquadrimestre 2 (a) Representa as acuraacutecias de todas accedilotildees que compotildeem oiacutendice Dow Jones no primeiro quadrimestre (b) Mostra as acuraacutecias obtidasno segundo quadrimestre para todas as accedilotildees do iacutendice Dow Jones (c) e(d) Representam as acuraacutecias obtidas no primeiro e segundo quadrimestresrespectivamente para todas as accedilotildees que compotildeem o iacutendice Ibovespa
55
Se a presenccedila entre as accedilotildees com 10 maiores acuraacutecias for completamente alea-
toacuteria a chance de uma accedilatildeo que estaacute nesta situaccedilatildeo repetir o comportamento no
quadrimestre seguinte eacute 10n
onde n eacute o nuacutemero total de accedilotildees no grupo analisado
Assim o nuacutemero meacutedio de accedilotildees que aparecem em dois quadrimestres consecutivos
entre aqueles com as 10 maiores acuraacutecias eacute 10times 10n
Para as accedilotildees que compotildeem
o iacutendice Dow Jones esse nuacutemero eacute 103
para as accedilotildees que compotildeem o Ibovespa eacute10058
Na figura 14 observamos 3 accedilotildees nessa situaccedilatildeo para o Dow Jones sugerindo
a completa aleatoriedade Jaacute para o Ibovespa a figura 14 mostra 6 accedilotildees nessa
situaccedilatildeo um nuacutemero 348 vezes maior que o esperado indicando que o processo
natildeo deve ser completamente aleatoacuterio Estudos envolvendo um maior nuacutemero de
quadrimestres seriam interessantes para validaccedilatildeo estatiacutestica
O coeficiente de correlaccedilatildeo linear de Pearson ρ foi calculado para mostrar a relaccedilatildeo
entre as acuraacutecias obtidas no quadrimestre 1 e 2 para ambos mercados O coeficiente
ρ obtido quando analisada a correlaccedilatildeo das acuraacutecias no quadrimestre 1 e 2 para
as accedilotildees que compotildeem o Dow Jones foi ρ = minus01493 (p minus valor = 0 4311) Jaacute
para as accedilotildees que compotildeem o Ibovespa a correlaccedilatildeo entre as acuraacutecias obtidas
nos quadrimestres 1 e 2 foi ρ = 07156 (p minus valor = 2 7521 times 10minus10) O resultado
indica que haacute uma correlaccedilatildeo significativa entre as acuraacutecias obtidas para as accedilotildees
do Ibovespa
652 Aplicaccedilatildeo do modelo utilizando a combinaccedilatildeo das 10 accedilotildees com
maiores pesos nos iacutendices Ibovespa e Dow Jones
Na subseccedilatildeo 651 apresentamos as acuraacutecias obtidas com a combinaccedilatildeo de todas
as accedilotildees dos iacutendices no modelo Aqui estamos interessados em investigar o resultado
da combinaccedilatildeo linear apenas das 10 accedilotildees com maiores pesos de participaccedilatildeo nos
iacutendices Para tanto vamos executar o programa utilizando os mesmos paracircmetros
da anaacutelise anterior A tabela 5 mostra os resultados de acuraacutecias obtidos A coluna
denominada rsquoAcuraacutecia Q1rsquo mostra as acuraacutecias obtidas no quadrimestre 1 e a coluna
rsquoAcuraacutecia Q2rsquo mostra as acuraacutecias do quadrimestre 2 Os valores em negrito indicam
que a acuraacutecia aumentou no quadrimestre 2 em relaccedilatildeo ao quadrimestre 1 70 dos
casos do Ibovespa e 60 para o Dow Jones
56
Tabela 5 ndash Acuraacutecias do modelo no primeiro e segundo quadrimestres para a combinaccedilatildeodas 10 accedilotildees com maiores participaccedilotildees nos iacutendices Ibovespa e Dow Jones
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q1 Acuraacutecia Q2 Accedilatildeo Acuraacutecia Q1 Acuraacutecia Q2
1 05417 05630 1 04857 051892 05142 05293 2 04706 049693 05604 05496 3 05142 050544 05445 05770 4 05096 052075 05197 05336 5 04867 050186 05299 05226 6 05369 050507 05089 05354 7 05547 053028 04897 05430 8 04853 049819 05258 05212 9 05322 0540510 06155 06689 10 05113 05022
Nota Os valores em negrito indicam que a acuraacutecia aumentou no segundo quadrimentreem relaccedilatildeo ao primeiro Percebemos que os resultados satildeo melhores no segundo
quadrimestre para as accedilotildees dos dois iacutendices analisados A relaccedilatildeo de melhoria da acuraacuteciafoi de 70 para as accedilotildees do Ibovespa e 60 para as accedilotildees do Dow Jones
Analisando de forma geral as tabelas 4 e 5 natildeo eacute perceptiacutevel se houve ou natildeo
ganhos quando combinadas todas as accedilotildees que compotildeem os iacutendices em relaccedilatildeo a
quando combinamos apenas as 10 accedilotildees com maiores pesos nestes mesmos iacutendices
Para facilitar a anaacutelise construiacutemos a figura 15 que mostra as acuraacutecias obtidas no
primeiro e segundo quadrimestres de 2017 quando combinamos todas as accedilotildees dos
iacutendices Dow Jones e Ibovespa e tambeacutem quando combinamos apenas a 10 accedilotildees
com maiores participaccedilotildees nestes iacutendices O eixo das ordenadas do graacutefico se refere
agraves acuraacutecias obtidas no quadrimestre 2 jaacute o eixo das abscissas se refere agraves acuraacutecias
no quadrimestre 1
57
046
048
05
052
054
056
046 048 05 052 054 056046
048
05
052
054
056 a Q
2
05
06
07
08
05 055 06 065 07 a Q1
05
06
07
08
(c)
(d)(b)
(a)
Figura 15 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 Osresultados satildeo referentes agraves acuraacutecias do modelo para o primeiro e segundoquadrimestres de 2017 aplicado a todas as accedilotildees que compotildeem os iacutendicesDow Jones e Ibovespa e tambeacutem para as 10 accedilotildees com maiores pesos nestesiacutendices Os dados analisados satildeo referentes agraves seacuteries de preccedilos de fechamentocom granularidades de 5 minutos no periacuteodo de 020117 a 310817 (primeiroe segundo quadrimestres de 2017) O tamanho do ajuste utilizado foi R = 1000(a) Representa as acuraacutecias para a combinaccedilatildeo de todas accedilotildees que compotildeem oiacutendice Dow Jones no primeiro e segundo quadrimestres (b) mostra as acuraacuteciasobtidas no primeiro e segundo quadrimestres para a combinaccedilatildeo das 10 accedilotildeesdo iacutendice Dow Jones com maiores participaccedilotildees no iacutendice (c) Representa asacuraacutecias obtidas no primeiro e segundo quadrimestres para a combinaccedilatildeode todas as accedilotildees que compotildeem o iacutendice Ibovespa (d) Mostra as acuraacuteciasdo primeiro e segundo quadrimestres para a combinaccedilatildeo das 10 accedilotildees doIbovespa com maiores pesos no iacutendice
58
Analisando os pontos obtidos na figura 15 natildeo podemos concluir que a combinaccedilatildeo
das 10 accedilotildees com maiores pesos nos iacutendices melhora as acuraacutecias obtidas quando
comparadas com as taxas obtidas combinando todas as accedilotildees que compotildeem os
iacutendices
653 Anaacutelise do desempenho do modelo aplicado agraves accedilotildees de melhor
acuraacutecia no quadrimestre precedente
A tabela 6 mostra as acuraacutecias obtidas para todas as accedilotildees que compotildeem os iacutendices
Ibovespa e Dow Jones As acuraacutecias obtidas satildeo para R = 1000 e estatildeo ordenadas
do maior para a menor valor Destacamos os 10 melhores resultados de a As cores
semelhantes mostram as accedilotildees que participaram do conjunto com os melhores resul-
tados no quadrimestre 1 e tambeacutem apareceram entre as 10 accedilotildees com os melhores
resultados no quadrimestre 2 Os valores em negrito indicam que a accedilatildeo apresentou
maior acuraacutecia no quadrimestre 2 em relaccedilatildeo ao quadrimestre 1 Pela tabela 6 e
figura 14 podemos observar que as 10 melhores acuraacutecias obtidas conjuntamente
em ambos os quadrimestres natildeo satildeo necessariamente as accedilotildees com maiores partici-
paccedilotildees nos iacutendices exceto a accedilatildeo 10 do Ibovespa Isso nos motiva a investigar se
obtemos melhores acuraacutecias combinando no modelo a cada quadrimestre apenas
as 10 accedilotildees que apresentaram melhores resultados no quadrimestre anterior
Os resultados da anaacutelise satildeo mostrados na tabela 7 e comparados a resultados
de acuraacutecias obtidas tambeacutem no mesmo quadrimestre poreacutem utilizando dados de
todas as accedilotildees dos respectivos iacutendices (n = 30 Dow Jones e n = 58 Ibovespa)
Os valores em negrito indicam que a combinaccedilatildeo das 10 accedilotildees eacute melhor quando
comparada agraves acuraacutecias obtidas utilizando todas as accedilotildees dos iacutendices Utilizando o
primeiro quadrimestre para selecionar accedilotildees a investir no segundo quadrimestre natildeo
utilizamos dados futuros na anaacutelise Para as accedilotildees do Ibovespa a meacutedia das acuraacutecias
obtida para a combinaccedilatildeo de todas as accedilotildees foi 0 5737 e para a combinaccedilatildeo das 10
melhores accedilotildees do quadrimestre anterior foi 0 5746 A meacutedia para o iacutendice Dow Jones
foi 0 5019 para a combinaccedilatildeo de todas as accedilotildees e 0 5017 para a combinaccedilatildeo das
10 melhores accedilotildees do quadrimestre anterior Estes valores se referem agrave meacutedia das
acuraacutecias das 10 accedilotildees analisadas Pela proporccedilatildeo dos valores obtida natildeo podemos
concluir que haacute ganhos significativos aplicando esta metodologia
59
Tabela 6 ndash Comparaccedilatildeo das acuraacutecias para todas as accedilotildees dos iacutendices Ibovespa e DowJones no primeiro e segundo quadrimestres
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q1 Accedilatildeo Acuraacutecia Q2 Accedilatildeo Acuraacutecia Q1 Accedilatildeo Acuraacutecia Q2
32 06810 32 07417 7 05341 2 0533952 05844 57 06109 24 05256 20 0531856 05650 10 06053 28 05229 29 0527257 05612 35 05963 27 05221 8 0522910 05541 52 05802 17 05218 27 0522339 05493 11 05596 6 05207 23 0521746 05467 12 05578 4 05207 28 0520434 05458 50 05565 3 05194 10 0515950 05457 37 05521 15 05177 19 0514115 05448 56 05513 19 05174 21 0512733 05413 4 05510 16 05138 3 0512644 05395 51 05494 10 05102 11 0512349 05384 13 05493 9 05097 7 051164 05362 16 05478 23 05089 30 051126 05362 29 05465 11 05086 26 05084
35 05362 38 05430 29 05060 5 0507912 05361 3 05427 20 05048 16 0505719 05350 33 05379 26 05023 4 0504117 05320 31 05353 18 05021 13 0501043 05288 15 05349 5 05016 9 0499422 05270 55 05339 8 05010 14 0498920 05265 2 05329 12 05000 22 0496418 05259 45 05318 1 04912 18 0495141 05229 46 05304 25 04903 1 0494755 05229 54 05303 13 04893 15 0490751 05227 5 05295 21 04843 12 048939 05226 18 05282 14 04839 24 04829
53 05213 6 05268 22 04806 25 0482024 05208 20 05261 30 04710 6 0481221 05207 42 05229 2 04577 17 0479231 05200 49 0522554 05196 53 052248 05187 1 052231 05183 47 05212
47 05181 24 0521013 05147 58 0520529 05141 8 0520326 05141 44 0518928 05137 23 051805 05129 28 0516848 05121 26 0516658 05121 21 0516623 05100 36 0516514 05097 39 0516416 05072 22 0513725 05057 41 0512438 05055 27 051203 05053 34 05097
36 05052 40 0508945 05047 14 0506930 05042 48 0505042 05018 43 0503427 05017 25 0502740 04968 30 0501937 04967 7 049737 04964 19 0496811 04861 17 048512 04833 9 04840
Nota As acuraacutecias estatildeo em ordem decrescente Os 10 melhores resultados estatildeo delimitados na tabela As coresequivalentes indicam que a accedilatildeo tem o valor de acuraacutecia dentre os 10 melhores resultados no quadrimestre 1 e tambeacutemse manteve entre as 10 melhores no quadrimestre 2 Os valores em negrito indicam que aleacutem da accedilatildeo estar entre as 10
melhores nos 2 quadrimestres a acuraacutecia aumentou no segundo quadrimentre
60
Tabela 7 ndash Acuraacutecias do modelo para a combinaccedilatildeo das 10 accedilotildees dos iacutendices Ibovespa eDow Jones com os melhores resultados no primeiro quadrimestre
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q2
n = 58Acuraacutecia Q2n = 10
Accedilatildeo Acuraacutecia Q2n = 30
Acuraacutecia Q2n = 10
32 07418 07707 7 05117 0499652 05802 05800 24 04829 0503256 05514 05438 28 05204 0517457 06110 06050 27 05224 0524310 06053 05811 17 04793 0496039 05165 05174 6 04813 0494146 05304 05326 4 05042 0496634 05098 05253 3 05126 0484250 05565 05545 15 04907 0503415 05349 05363 19 05142 04986
Nota Para Ibovespa na coluna com n = 58 todas as accedilotildees do iacutendice foram utilizadas pelomodelo na coluna com n = 10 somente as accedilotildees com as 10 melhores acuraacutecias no
quadrimeste 1 foram empregadas pelo modelo Analogamente para Dow Jones Os valoresem negrito indicam que a acuraacutecia aumentou no segundo quadrimestre utilizando a
combinaccedilatildeo das 10 melhores accedilotildees no quadrimestre 1 em relaccedilatildeo ao segundoquadrimestre utilizando a combinaccedilatildeo de todas as accedilotildees dos iacutendices Natildeo observamos
ganhos nos resultados quando utilizamos apenas a combinaccedilatildeo das 10 melhores accedilotildees emrelaccedilatildeo ao modelo que utiliza a combinaccedilatildeo de todas as accedilotildees dos iacutendices
61
Diante das acuraacutecias obtidas na tabela 6 investigamos se haacute uma correlaccedilatildeo entre
estes valores de a Para isso calculamos o coeficiente de correlaccedilatildeo linear de Pearson
ρ O resultado do caacutelculo do coeficiente de correlaccedilatildeo entre as acuraacutecias das accedilotildees
do iacutendice Ibovespa obtidas no primeiro e segundo quadrimestre foi ρ = 0 7156
(pminus valor = 2 7521times 10minus10) e para as accedilotildees do iacutendice Dow Jones foi ρ = minus0 1493
Este resultado indica que para as accedilotildees do Ibovespa quando o modelo teve um bom
resultado no quadrimestre ele tende a ter bons resultados no quadrimestre seguinte
Como esperado o mesmo natildeo acontece para as accedilotildees do iacutendice Dow Jones em
que o coeficiente de correlaccedilatildeo ρ = minus0 1493 (p minus valor = 0 4311) indica uma
pequena anti-correlaccedilatildeo dos acertos de tendecircncias A accedilatildeo 32 do iacutendice Ibovespa
apresentou uma acuraacutecia alta em ambos quadrimestres Assim para evitar resultados
tendenciosos ela foi retirada do caacutelculo da correlaccedilatildeo Com a retirada destes valores
o coeficiente de correlaccedilatildeo das acuraacutecias das accedilotildees do iacutendice Ibovespa foi menor
ρ = 0 3894 (pminus valor = 0 0028) mas ainda significante (COHEN 1977)
66 Votaccedilatildeo
Uma votaccedilatildeo entre tendecircncias previstas foi utilizada com o intuito de melhorar a
consistecircncia da acuraacutecia do modelo e aumentar o tamanho da amostra A metodologia
da teacutecnica consiste em fazer vaacuterias previsotildees utilizando diferentes tamanhos de R
e posteriormente fazer a votaccedilatildeo levando em consideraccedilatildeo a direccedilatildeo de tendecircncia
de preccedilos apontada por cada modelo e o tamanho em moacutedulo do retorno previsto
Apenas os ajustes que tecircm previsotildees no conjunto U4 que se referem aos maiores
retornos previstos em moacutedulo entram na votaccedilatildeo Nesta votaccedilatildeo consideramos como
a decisatildeo de tendecircncia prevista a direccedilatildeo apontada pela maioria dos votantes e
empate entre os votantes como sinal para manter a posiccedilatildeo no tempo t + 1 (natildeo
operar)
Podemos variar diversos paracircmetros de entrada na votaccedilatildeo tais como quantidade
de votantes tamanho inicial de R incremento da quantidade de pontos a cada nova
iteraccedilatildeo accedilotildees que participam da combinaccedilatildeo linear e quantidade de votos que
decidem a previsatildeo Nas figuras 16 e 17 mostramos os resultados das acuraacutecias
obtidas para todas as accedilotildees dos iacutendices Dow Jones e Ibovespa no primeiro e segundo
quadrimestres de 2017 Nesta anaacutelise utilizamos 10 votantes um valor inicial de
R = 1000 incremento de 100 pontos a cada nova execuccedilatildeo e a diferenccedila acima de 1
voto jaacute decide direccedilatildeo da tendecircncia prevista que seraacute considerada
A figura 16 mostra os resultados obtidos para a amostra com os dados referentes ao
primeiro quadrimestre de 2017 A curva na cor vermelha eacute referente agraves acuraacutecias a
obtidas sem a votaccedilatildeo utilizando apenas um valor de R = 1000 A curva na cor azul
refere-se agrave meacutedia das acuraacutecias a obtidas utilizando 10 diferentes tamanhos de R
62
com o valor inicial de R = 1000 com incremento de 100 pontos a cada nova execuccedilatildeo
do modelo A curva na cor verde mostra a acuraacutecia a obtida com a votaccedilatildeo entre os
10 diferentes tamanhos de R
1 5 10 15 20 25 30045
05
055
06VotaccedilatildeoMeacutediaSem votaccedilatildeo
1 5 10 15 20 25 30 35 40 45 50 55 58 accedilotildees
045
05
06
07
(a)
(b)
Figura 16 ndash Acuraacutecias obtidas no primeiro quadrimestre de 2017 utilizando Votingmeacutedia e sem votaccedilatildeo A curva na cor vermelha representa a acuraacutecia autilizando apenas um valor de R = 1000 A curva na cor verde mostra aacuraacutecia a utilizando a votaccedilatildeo de 10 diferentes valores de R O valor inicialeacute R = 1000 com incremento de 100 pontos a cada nova execuccedilatildeo A curvaazul define a meacutedia da acuraacutecia a de todos os 10 tamanhos de R utilizados navotaccedilatildeo Os dados analisados satildeo referentes agraves seacuteries de preccedilos de fechamentocom granularidades de 5 minutos no periacuteodo de 020117 a 280417 (primeiroquadrimestre de 2017) (a) Acuraacutecias de todas as accedilotildees que compotildeem o iacutendiceDow Jones Foram realizadas 2200 execuccedilotildees para cada tamanho de R (b)Acuraacutecias obtidas para todas as accedilotildees que compotildeem o iacutendice Ibovespa Paracada tamanho de R realizamos 3300 execuccedilotildees
A figura 17 mostra os resultados obtidos para a amostra composta pelos dados
referentes ao segundo quadrimestre de 2017 Anaacuteloga agrave figura 16 os paracircmetros
utilizados satildeo os mesmos estabelecidos anteriormente
63
1 5 10 15 20 25 30046
048
05
052
054
056
1 5 10 15 20 25 30 35 40 45 50 55 58 Accedilotildees
04
05
06
07
08VotaccedilatildeoMeacutediaSem votaccedilatildeo
(b)
(a)
Figura 17 ndash Acuraacutecias obtidas no segundo quadrimestre de 2017 utilizando votaccedilatildeomeacutedia e sem votaccedilatildeo A curva na cor verde mostra a acuraacutecia a utilizando avotaccedilatildeo entre os 10 diferentes valores de R O valor inicial eacute R = 1000 comincremento de 100 pontos a cada nova execuccedilatildeo A curva azul representa ameacutedia da acuraacutecia a para todos os tamanhos de R utilizados na votaccedilatildeo Acurva em vermelho descreve a acuraacutecia a obtida para um valor de R = 1000Os dados analisados satildeo referentes agraves seacuteries de preccedilos de fechamento comgranularidades de 5 minutos no periacuteodo de 020517 a 310817 (segundoquadrimestre de 2017) (a) Acuraacutecias de todas as accedilotildees que compotildeem o iacutendiceDow Jones Foram realizadas 2700 execuccedilotildees para cada tamanho de R (b)Representam as acuraacutecias obtidas para todas as accedilotildees que compotildeem o iacutendiceIbovespa Para cada valor de R foram realizadas 3300 execuccedilotildees
64
Analisando as figuras 16 e 17 visualmente natildeo percebemos ganhos de acuraacutecia a
quando comparada agrave teacutecnica de votaccedilatildeo com os outros meacutetodos aplicados Como
mencionado anteriormente neste trabalho utilizamos apenas dados com maiores
retornos previstos em moacutedulo que se referem agraves tendecircncias previstas que estatildeo no
conjunto do quarto quartil U4 Assim a vantagem da votaccedilatildeo em relaccedilatildeo agrave utilizaccedilatildeo
de meacutedias ou de um valor fixo de R eacute a possibilidade de aumento na quantidade de
previsotildees uma vez que sem a votaccedilatildeo utilizamos em meacutedia apenas 14
dos dados
para as previsotildees no quarto quartil Por outro ladoa presenccedila de um ou mais votantes
em U4 jaacute eacute suficiente para que a votaccedilatildeo ocorra levando o nuacutemero de previsotildees a
crescer substancialmente
67 Consideraccedilotildees gerais
Na seccedilatildeo 61 investigamos a relaccedilatildeo da variaccedilatildeo do tamanho de R no resultado final
da acuraacutecia a Nesta anaacutelise observamos que para valores maiores de R os valores
de a tendem a aumentar Poreacutem utilizar valores grandes de R estaacute diretamente ligado
a perda de dados da amostra Assim eacute preciso definir uma quantidade de pontos
para o ajuste que apresente uma boa acuraacutecia sem comprometer o volume de dados
Baseados nas figuras 7 e 6 definimos que nas etapas de aplicaccedilatildeo e simulaccedilatildeo a
quantidade de pontos utilizados no ajuste seraacute R = 1000
Na seccedilatildeo 62 investigamos se a quantidade de accedilotildees interfere na acuraacutecia do modelo
A figura 10 sugere uma moderada melhora nos resultados das acuraacutecias em torno da
combinaccedilatildeo de 10 accedilotildees
Na seccedilatildeo 63 analisamos a relaccedilatildeo da acuraacutecia do modelo com a granularidade
dos dados Para as accedilotildees do iacutendice Dow Jones natildeo notamos diferenccedilas quando
combinamos todas as accedilotildees que compotildeem o iacutendice Um leve ganho no resultado foi
observado quando combinamos as 10 accedilotildees com maiores participaccedilotildees no iacutendice
Para as accedilotildees que compotildeem a carteira teoacuterica do Ibovespa a melhor acuraacutecia obtida
foi para os dados com frequecircncia de cotaccedilatildeo de 5 minutos quando combinadas
as 10 accedilotildees com maiores participaccedilotildees no iacutendice Desta forma a amostra com
granularidade de 5 minutos eacute a que seraacute utilizada em aplicaccedilotildees futuras do modelo de
previsatildeo
Na seccedilatildeo 64 investigamos se haacute uma relaccedilatildeo entre as acuraacutecias obtidas e os
expoentes de Hurst das seacuteries analisadas Em geral natildeo encontramos padrotildees
relacionados agraves acuraacutecias e os expoentes H Um caso atiacutepico foi a acuraacutecia e o
expoente de Hurst relacionado agrave accedilatildeo 32 do iacutendice Ibovespa Para esta accedilatildeo o
expoente foi H = 0 2816 e a taxa de acuraacutecia a = 68 10 Este resultado sugere que
para a seacuterie com anti-persistecircncia o modelo obteacutem melhores taxas de acerto Os
65
outros expoentes ficaram na faixa de variabilidade de 0 45 le H le 0 55 Com isso
natildeo podemos afirmar que haacute um padratildeo relacionando as acuraacutecias e os expoentes
de Hurst das seacuteries analisadas
Na seccedilatildeo 65 investigamos se as taxas de acuraacutecia calculadas em um quadrimestre
se mantecircm no quadrimestre seguinte Nas anaacutelises investigamos qual o nuacutemero
das accedilotildees que apareceram entre as 10 melhores acuraacutecias no quadrimestre 1 e
tambeacutem no quadrimestre 2 Na figura 14 observamos que para as accedilotildees do iacutendice
Dow Jones o nuacutemero de accedilotildees que estavam presentes entre as 10 que apresentaram
melhores acuraacutecias nos quadrimestres 1 e 2 foi 3 Este resultado sugere a completa
aleatoriedade Jaacute para as accedilotildees que compotildeem o Ibovespa a figura 14 mostra 6 accedilotildees
nessa condiccedilatildeo indicando que o processo natildeo deve ser completamente aleatoacuterio
Ainda na seccedilatildeo 65 outra anaacutelise foi baseada na quantidade e em quais accedilotildees que
devemos combinar para aplicar o modelo Baseados nas meacutedias das acuraacutecias obtidas
natildeo encontramos grandes variaccedilotildees nos valores quando utilizamos no modelo todas
as accedilotildees quando combinamos as 10 accedilotildees com maiores pesos e ainda quando
utilizamos a combinaccedilatildeo das 10 accedilotildees que apresentaram as melhores acuraacutecias
no quadrimestre anterior Em geral as anaacutelises desta seccedilatildeo nos mostraram que o
modelo tende a manter as taxas de acuraacutecia quando utilizamos diferentes accedilotildees e
quando variamos a sua quantidade As taxas tambeacutem se mantecircm para diferentes
quadrimestres indicando consistecircncia das previsotildees
Na seccedilatildeo 66 desenvolvemos uma teacutecnica de votaccedilatildeo em relaccedilatildeo agrave direccedilatildeo da ten-
decircncia prevista Nessa anaacutelise 10 diferentes valores de R participaram da votaccedilatildeo
Em geral os resultados obtidos com a teacutecnica natildeo foram melhores quando compa-
rados com a meacutedia das acuraacutecias obtida utilizando os 10 valores de R Em meacutedia
os resultados da votaccedilatildeo tambeacutem se equipararam aos resultados obtidos utilizando
um valor uacutenico de R = 1000 A vantagem do uso da teacutecnica estaacute na possibilidade de
aumento do tamanho da amostra
Na proacutexima etapa do trabalho vamos fazer simulaccedilotildees do modelo combinando os
melhores paracircmetros explorados neste capiacutetulo
66
Capiacutetulo 7
Simulaccedilatildeo
No Capiacutetulo 6 exploramos algumas das possibilidades de combinaccedilotildees de paracircmetros
que podem ser utilizadas para ajustar o modelo de previsatildeo de forma a obter uma
melhor acuraacutecia Na seccedilatildeo 61 investigamos a relaccedilatildeo entre a variaccedilatildeo do tamanho de
R e o resultado final da acuraacutecia para definirmos um valor razoaacutevel para ser utilizado
na etapa de aplicaccedilatildeo do modelo Na seccedilatildeo 62 investigamos o quanto o nuacutemero
de accedilotildees utilizadas como entrada para o modelo impactava as acuraacutecias Na seccedilatildeo
63 analisamos a relaccedilatildeo da acuraacutecia do modelo com a granularidade dos dados e
percebemos uma moderada melhora nos resultados para os dados com frequecircncia
de cotaccedilatildeo de 5 minutos Na seccedilatildeo 64 investigamos se haacute uma relaccedilatildeo entre as
acuraacutecias obtidas e os expoentes de Hurst das seacuteries Diante destas possibilidades
ajustamos o modelo de previsatildeo utilizando as combinaccedilotildees de paracircmetros mais
adequadas a cada anaacutelise Natildeo podemos afirmar que a combinaccedilatildeo escolhida eacute a
combinaccedilatildeo oacutetima poreacutem no Capiacutetulo 6 foram os paracircmetros que apresentaram as
melhores acuraacutecias Assim nesta etapa estas satildeo as entradas do modelo que seratildeo
utilizadas na simulaccedilatildeo
Neste capiacutetulo vamos mostrar as estrateacutegias de negociaccedilatildeo baseadas no modelo
que retorna um sinal de compra venda ou natildeo opera apresentado no capiacutetulo 5 Para
calibrar o modelo de previsatildeo utilizamos os paracircmetros explorados no Capiacutetulo 6
Os criteacuterios para definir uma compra ou venda dependem da tendecircncia prevista do
preccedilo de fechamento da accedilatildeo Os dados utilizados para a execuccedilatildeo do modelo de
previsatildeo para gerar o sinal da operaccedilatildeo satildeo os preccedilos tratados X(t) definidos na
seccedilatildeo 51 Na etapa de aplicaccedilatildeo e anaacutelise de ganhos financeiros vamos utilizar os
preccedilos brutos de fechamento x(t) definidos como
x(t) =
x1(t)
x2(t)
xn(t)
(39)
67
onde xk(t) eacute o preccedilo bruto da accedilatildeo k no tempo t
Na proacutexima seccedilatildeo vamos descrever o fluxo das estrateacutegias as bases de dados e as
configuraccedilotildees aplicadas nas simulaccedilotildees Nas seccedilotildees 72 e 73 vamos apresentar as
caracteriacutesticas de cada uma das estrateacutegias bem como os seus resultados obtidos
com a simulaccedilatildeo
71 Visatildeo geral dos modelos de operaccedilatildeo
Para a simulaccedilatildeo desenvolvemos duas estrateacutegias com caracteriacutesticas diferentes
uma que de acordo com o sinal enviado pelo modelo executa a operaccedilatildeo e desfaz
no passo seguinte (modelo de operaccedilatildeo 1 - MO1) e outra que executa a operaccedilatildeo e
desfaz somente quando atingir os valores dos stops definidos (modelo de operaccedilatildeo 2
- MO2) Nesta seccedilatildeo vamos apresentar o fluxo geral das estrateacutegias e nas seccedilotildees 72
e 73 cada uma delas seraacute apresentada de forma detalhada
A simulaccedilatildeo da negociaccedilatildeo no mercado real foi baseada em backtest1 disponibilizado
pelo portal dedicado ao desenvolvimento de algoritmos de investimento (algotrading)
Stratsphera BETA Na plataforma de algotrading as estrateacutegias foram desenvolvidas
utilizando a linguagem de programaccedilatildeo Python numa estrutura baseada em eventos
A plataforma foi descontinuada em Julho de 2019
Durante a simulaccedilatildeo o modelo de previsatildeo utiliza os candles disponiacuteveis ateacute o tempo
t para gerar um sinal indicando a tendecircncia do preccedilo de fechamento no tempo t+ 1
Baseados neste sinal podemos realizar operaccedilotildees de compra ou venda a mercado
De posse deste sinal que utiliza o uacuteltimo preccedilo de fechamento do candle o ideal seria
executar imediatamente a ordem na abertura do proacuteximo candle poreacutem por limitaccedilotildees
da plataforma de simulaccedilatildeo natildeo conseguimos realizar as operaccedilotildees exatamente no
preccedilo de abertura mas sim em um preccedilo aproximado de abertura
qo = po + (pc minus po)ε1 (40)
onde po eacute o preccedilo de abertura do candle pc eacute o preccedilo de fechamento do candle e ε1foi escolhido ε1 = 1
60
Para a estrateacutegia que utiliza fechamento de candle para zerar a posiccedilatildeo (MO1)
consideramos a aproximaccedilatildeo do preccedilo de fechamento
qc = po + (pc minus po)ε2 (41)
com ε2 = 1415
Valores menores de ε1 e maiores de ε2 levavam a operaccedilotildees que natildeo
aconteciam dentro do candle esperado Nas etapas seguintes do trabalho quando
1Execuccedilatildeo de uma estrateacutegia com uso de dados histoacutericos
68
referirmos a preccedilos de abertura e fechamento de candle utilizados em operaccedilotildees
consideraremos estas aproximaccedilotildees aqui definidas
Analogamente aos capiacutetulos anteriores somente retornos previstos que estatildeo no
quarto quartil (ver seccedilatildeo 53) satildeo considerados para a operaccedilatildeo Deste modo se
o preccedilo de fechamento previsto no tempo t + 1 for maior (menor) que o preccedilo real
no tempo t a tendecircncia prevista eacute de alta (baixa) Assim durante a simulaccedilatildeo a
cada novo evento (que corresponde a um novo candle) analisamos se o retorno
previsto para cada valor de R estaacute no quarto quartil e se esta condiccedilatildeo for satisfeita
o sinal correspondente eacute considerado em uma votaccedilatildeo (ver seccedilatildeo 66) De acordo
com o sinal da votaccedilatildeo realizamos uma nova operaccedilatildeo de compra (long) ou venda
descoberta (short) a mercado As posiccedilotildees de cada uma das operaccedilotildees satildeo fechadas
de forma independente
Para fechar as posiccedilotildees de compra ou venda descoberta de cada operaccedilatildeo definimos
dois modelos de operaccedilatildeo o modelo de operaccedilatildeo 1 (MO1) e o modelo de operaccedilatildeo 2
(MO2) O MO1 sempre desfaz a operaccedilatildeo no candle seguinte atraveacutes de uma contra
ordem O MO2 desfaz as posiccedilotildees baseado em stops As caracteriacutesticas de cada uma
das estrateacutegias seratildeo detalhadas nas seccedilotildees 72 e 73
Nas simulaccedilotildees utilizamos 3 tamanhos diferentes de R Para cada valor de R o
modelo gera um sinal de tendecircncia prevista sendo possiacutevel realizar a votaccedilatildeo entre
estes sinais gerados Nas execuccedilotildees seguintes a cada chegada de um novo candle
a janela eacute atualizada com o novo valor e descarta-se o dado mais antigo Os dados
utilizados para a simulaccedilatildeo das estrateacutegias foram preccedilos de abertura e fechamento
das 10 accedilotildees com maior liquidez na Bovespa nos anos de 2017 e 2018 Informaccedilotildees
de volume tambeacutem foram utilizadas para anaacutelise dos experimentos Esta reduccedilatildeo
no nuacutemero de accedilotildees analisadas eacute devida a limitaccedilotildees da plataforma em relaccedilatildeo ao
custo de execuccedilatildeo e tambeacutem pelo fato de diminuir execuccedilotildees parciais devido ao
volume reduzido de candles de accedilotildees com menor liquidez A frequecircncia dos candles
utilizados eacute de 5 minutos Os tamanhos das janelas de dados utilizadas foram R = 500
R = 1000 e R = 1500
Diante de cada novo candle disponiacutevel o modelo utiliza a janela de dados para tratar o
preccedilo conforme a seccedilatildeo 51 e calcular o novo sinal naquele instante para cada valor
de R Uma votaccedilatildeo eacute realizada entre os sinais retornados para cada R Conforme o
resultado obtido a ordem eacute enviada pela plataforma de acordo com o sinal de compra
venda ou natildeo opera retornado pelo modelo (ver seccedilatildeo 66) O modelo prevecirc o preccedilo
de fechamento no tempo t+ 1 por isso o ideal seria realizar a operaccedilatildeo no mesmo
preccedilo que foi utilizado para fazer a previsatildeo poreacutem natildeo eacute possiacutevel executar a ordem
neste preccedilo de fechamento pc(t)2 Desta forma configuramos as funccedilotildees agendadas
2pc(t) coincide com os preccedilos brutos x(t) definidos em 39
69
da plataforma para que o preccedilo de execuccedilatildeo fique o mais proacuteximo possiacutevel do preccedilo
de abertura do candle seguinte po(t+ 1) Como discutido anteriormente a plataforma
natildeo permite a negociaccedilatildeo exatamente com esse preccedilo sendo realizada no preccedilo
q0(t + 1) conforme a equaccedilatildeo 40 Ou seja utilizamos o preccedilo de fechamento no
tempo t para gerar o sinal e realizamos a operaccedilatildeo num preccedilo proacuteximo ao de abertura
po(t+ 1) do candle seguinte
Para uma dada accedilatildeo a estrateacutegia soacute recebe um sinal de compravenda quando
o modelo prevecirc retornos que estatildeo no quarto quartil (veja seccedilatildeo 53) Em caso
contraacuterio o modelo envia um sinal neutro para que natildeo execute operaccedilotildees naquele
momento Para verificar se os retornos previstos estatildeo no quarto quartil utilizamos
uma janela de tamanho Q = 100 pontos Desta forma a primeira operaccedilatildeo soacute poderaacute
ocorrer a partir do (Q + 1)-eacutesimo sinal produzido Antes disso o modelo sempre
retornaraacute sinais neutros Dado o sinal natildeo neutro uma ordem de compra ou venda
descoberta eacute submetida A venda descoberta eacute feita quando o modelo retorna um
sinal indicando que o preccedilo poderaacute cair Neste caso acreditando que o preccedilo da
accedilatildeo iraacute baixar vendemos a accedilatildeo a descoberto e de acordo com o criteacuterio de cada
estrateacutegia compramos a accedilatildeo para repor a venda em tempos seguintes A sequecircncia
da simulaccedilatildeo eacute apresentada na figura 18
Para padronizar utilizamos os mesmos paracircmetros na configuraccedilatildeo da plataforma
para as duas estrateacutegias O capital inicial utilizado em ambas foi de R$1000000 00 A
quantidade de cada uma das accedilotildees negociadas a cada ordem foi 10 vezes o tamanho
do lote padratildeo Na plataforma as accedilotildees soacute satildeo negociadas em lotes padratildeo natildeo
sendo permitidas negociaccedilotildees no mercado fracionaacuterio3 A quantidade de accedilotildees no
lote padratildeo definido na plataforma em alguns casos difere da quantidade definida no
mercado real conforme apresentado nas tabelas 24 e 25 disponiacuteveis no apecircndice
B Como exemplo temos a accedilatildeo do Bradesco (BBDC4) que tem na composiccedilatildeo de
seu lote padratildeo 145 accedilotildees enquanto no mercado real o lote padratildeo desta accedilatildeo eacute
composto por 100 accedilotildees
As configuraccedilotildees de custos satildeo utilizadas para incluir custos transacionais durante
a execuccedilatildeo da estrateacutegia As configuraccedilotildees de custo aplicadas na simulaccedilatildeo foram
baseadas no cenaacuterio brasileiro Aplicamos as taxas cobradas pela Bovespa conforme
a tabela 8 e consideramos as operaccedilotildees atraveacutes de corretoras que oferecem taxas
zero para negociaccedilotildees no mercado agrave vista Os custos transacionais foram aplicados
de acordo com o volume financeiro negociado Para comparaccedilatildeo as simulaccedilotildees foram
realizadas com taxas e sem taxas
No mercado real eacute possiacutevel que as ordens lanccediladas sejam executadas parcialmente
Isso acontece devido ao volume da ordem e agrave liquidez do ativo Na simulaccedilatildeo aqui
3No mercado fracionaacuterio satildeo negociadas fraccedilotildees do lote padratildeo das accedilotildees
70
Tabela 8 ndash Taxas de negociaccedilatildeo e de liquidaccedilatildeo da BOVESPA
Volume daytrade (R$ milhotildees)Negociaccedilatildeo Liquidaccedilatildeo TotalPessoa fiacutesica Pessoa juriacutedica
Ate 4 Ateacute 20 0004245 0020000 0024245De 4 ateacute 125 De 20 ateacute 50 0003000 0020000 0023000
De 125 ateacute 25 De 50 ateacute 250 0000500 0019500 0020000De 25 ateacute 50 De 250 ateacute 500 0000500 0017500 0018000Mais de 50 Mais de 500 0000500 0015500 0016000
Nota Os valores satildeo para operaccedilotildees de day trade e foram obtidos no site da BOVESPAdisponiacutevel em httpwwwb3combrpt_brprodutos-e-servicostarifaslistados-a-vista-e-
derivativosrenda-variaveltarifas-de-acoes-e-fundos-de-investimentoa-vista
descrita configuramos para que o volume da ordem lanccedilada seja executado totalmente
na simulaccedilatildeo Poreacutem em alguns casos em accedilotildees com menor liquidez o volume do
candle disponiacutevel seraacute menor que o tamanho da ordem submetida e neste caso a
ordem seraacute executada parcialmente ateacute o limite maacuteximo do candle disponiacutevel Por
isso para evitarmos estas execuccedilotildees parciais utilizamos as accedilotildees com maior liquidez
na Bovespa De fato as ordens que submetemos tecircm volume bem menor do que o
dos candles Portanto acreditamos que a aproximaccedilatildeo que usamos (volume total da
ordem negociado) natildeo leva a importantes distorccedilotildees
A plataforma permite alocar o capital parado durante a estrateacutegia em uma aplicaccedilatildeo
tal como CDI4 Nas simulaccedilotildees definimos que o capital parado natildeo seraacute remune-
rado Com isso evitamos interferecircncia em nossos resultados de remuneraccedilotildees natildeo
advindas da estrateacutegia
Nas proacuteximas seccedilotildees vamos apresentar as duas estrateacutegias diferentes No modelo
de operaccedilatildeo 1 (MO1) vamos abrir a posiccedilatildeo de compra ou venda no instante de
tempo analisado e fechar a posiccedilatildeo no instante seguinte Jaacute no modelo de operaccedilatildeo 2
(MO2) uma ordem de compra ou venda eacute enviada e executada e a posiccedilatildeo referente
a esta ordem soacute seraacute zerada quando o stop definido for atingido
Para ilustrar as etapas das estrateacutegias desenvolvemos a figura 18 que apresenta as
principais fases da execuccedilatildeo Na etapa de configuraccedilatildeo dos paracircmetros definimos os
dados que seratildeo utilizados na simulaccedilatildeo tais como a frequecircncia dos candles e as
accedilotildees escolhidas Nesta etapa tambeacutem configuramos os custos operacionais capital
que seraacute alocado para a execuccedilatildeo e as variaacuteveis de controle de risco da estrateacutegia
dentre outras configuraccedilotildees possiacuteveis
Na coleta inicial de dados uma janela de dados histoacutericos de tamanho R eacute arma-
zenada para o caacutelculo da primeira matriz inicial Estes dados satildeo enviados para o
4Certificados de Depoacutesitos Interbancaacuterios satildeo tiacutetulos emitidos para a realizaccedilatildeo de operaccedilotildees de empreacutes-timo ou captaccedilatildeo de recursos financeiros entre os bancos
71
modelo de previsatildeo (MP) onde satildeo tratados Com a matriz de dados tratados X eacute
possiacutevel executar o modelo e gerar um sinal de previsatildeo Este sinal eacute aplicado de
acordo com cada estrateacutegia No modelo de operaccedilatildeo MO1 ao receber o sinal uma
posiccedilatildeo de compra ou venda eacute aberta o status da ordem eacute atualizado e a ordem
anterior se existir posiccedilatildeo aberta eacute zerada atraveacutes de uma contra ordem Jaacute na
estrateacutegia MO2 os stops satildeo calculados e a operaccedilatildeo eacute aberta Nesta estrateacutegia as
operaccedilotildees satildeo zeradas quando atingem os valores de stop loss ou stop gain Todo o
procedimento eacute repetido a cada chegada de um novo candle
72
MP
MO2
MO1
Configuraccedilatildeo
de
paracircmetros
Zera posiccedilatildeo
Calcula stops
Abre operaccedilatildeo
Gera sinal
Abre Posiccedilatildeo
Tratamento dos
dadosNovo candle
Coleta inicial
de dados
Atualiza estado
do sistema
Figura 18 ndash Fluxograma das estrateacutegias Principais fases de execuccedilatildeo do modelo deoperaccedilatildeo 1 (MO1) e do modelo de operaccedilatildeo 2 (MO2) Na etapa de configuraccedilatildeode paracircmetros satildeo definidas as caracteriacutesticas gerais das simulaccedilotildees Na etapade coleta inicial de dados uma sequecircncia de tamanho R de dados histoacutericosdas accedilotildees eacute armazenada para o caacutelculo da primeira matriz No modelo deprevisatildeo (MP) os dados satildeo tratados e enviados para que o modelo gere umsinal de previsatildeo de tendecircncia Para MO1 dado o sinal de previsatildeo natildeo neutrouma posiccedilatildeo de compravenda eacute aberta o estado do sistema eacute atualizado e aposiccedilatildeo anterior eacute zerada Jaacute em MO2 o valor do stop eacute calculado e a operaccedilatildeoeacute aberta associada aos valores de stop gain e stop loss A cada novo dadodisponiacutevel (novo candle) o modelo de previsatildeo eacute computado e todo o processoeacute repetido
73
Para quantificar o desempenho das estrateacutegias utilizamos os indicadores calculados
pela plataforma durante a execuccedilatildeo das simulaccedilotildees A descriccedilatildeo completa de cada
uma destes indicadores foi apresentada na seccedilatildeo 411 Os principais indicadores
utilizados foram
Retorno acumulado que mostra o retorno obtido com a estrateacutegia ao final da
execuccedilatildeo Eacute dado pela razatildeo entre o capital final possuiacutedo e o inicial investido
Volatilidade eacute o indicador retornado pela plataforma que representa a volatilidade da
estrateacutegia anualizada considerando os retornos diaacuterios da mesma
Sharpe eacute o iacutendice que indica a relaccedilatildeo do risco e retorno de um investimento Quanto
maior o Sharpe maior a expectativa de retorno frente ao risco associado Utiliza como
benchmark um investimento livre de risco Na simulaccedilatildeo utilizamos como benchmark
o CDI
Sortino eacute semelhante ao iacutendice Sharpe e avalia a relaccedilatildeo entre risco e retorno de
uma estrateacutegia poreacutem leva em consideraccedilatildeo apenas a volatilidade dos retornos
negativos
Max drawdown mostra a maior perda que a estrateacutegia obteve durante a execuccedilatildeo
Beta eacute o indicador que mostra a correlaccedilatildeo entre a estrateacutegia e um benchmark
medindo o quanto o crescimentodecrescimento da estrateacutegia segue o benchmark
Alpha eacute o paracircmetro que mostra o quanto a estrateacutegia se destacou positivamente dos
retornos retratados pelo benchmark
Retorno anual esperado eacute o indicador que estima o retorno que a estrateacutegia alcan-
ccedilaraacute no periacuteodo de um ano mantendo a mesma performance
Estabilidade mostra a estabilidade da estrateacutegia baseada nos retornos acumulados
PNL indica o ganho ou perda financeira ao final da execuccedilatildeo da estrateacutegia
VAR eacute utilizado para calcular o risco da estrateacutegia Na plataforma este paracircmetro
estima o pior caso esperado de retorno diaacuterio da simulaccedilatildeo
Taxas representa os custos operacionais da estrateacutegia tais como corretagem emolu-
mentos e outras tarifas de serviccedilos aplicadas ao mercado acionaacuterio brasileiro Taxas
de aluguel natildeo foram consideradas uma vez que a estrateacutegia eacute desenvolvida no
intraday5 e as posiccedilotildees satildeo zeradas no mesmo dia
72 Modelo de operaccedilatildeo 1
A estrateacutegia MO1 consiste em comprar ou vender a descoberto conforme o sinal
retornado pelo modelo e desfazer (zerar) a posiccedilatildeo no passo seguinte de acordo com
5Operaccedilotildees realizadas dentro de um mesmo dia
74
a frequecircncia do candle analisado Para esta estrateacutegia desenvolvemos trecircs funccedilotildees de
agendamento6 uma para manipulaccedilatildeo dos dados e execuccedilatildeo do modelo outra para
desfazer as posiccedilotildees abertas no mercado e por fim uma funccedilatildeo de agendamento
para emitir ordens de posicionamento (compra ou venda) de acordo com o sinal
gerado pelo modelo
Neste modelo de operaccedilatildeo aleacutem da simulaccedilatildeo eacute possiacutevel tambeacutem calcular as acu-
raacutecias da forma que foram apresentadas no capiacutetulo 6 Deste modo na proacutexima
subseccedilatildeo vamos apresentar as acuraacutecias obtidas para os mesmos dados e periacuteodos
utilizados na simulaccedilatildeo do modelo
721 Acuraacutecias
As acuraacutecias obtidas com o modelo apresentadas no capiacutetulo 6 satildeo referentes a
preccedilos de fechamento dos candles Os resultados que laacute apresentamos utilizam a
matriz de preccedilos ateacute o tempo t para gerar um sinal e encontrar os preccedilos previstos
X(t + 1) Consideramos para o caacutelculo de tendecircncia prevista a diferenccedila do preccedilo
previsto X(t+ 1) e o preccedilo real X(t) Aqui analisamos a acuraacutecia de duas formas
uma eacute idecircntica agrave anterior comparando a tendecircncia prevista agravequela observada atraveacutes
da diferenccedila entre os preccedilos de fechamento X(t) e X(t+ 1) chamaremos esta de
acuraacutecia canocircnica A outra eacute de acordo com a simulaccedilatildeo mais realiacutestica em que de
posse do preccedilo de fechamento do candle X(t) eacute possiacutevel calcular um sinal utilizando
este valor e imediatamente lanccedilar uma ordem de acordo com o sinal poreacutem o preccedilo
de execuccedilatildeo seraacute qo(t+ 1) que eacute um valor proacuteximo da abertura do candle seguinte
Desta forma a acuraacutecia deveraacute ser calculada comparando-se a tendecircncia prevista
com o movimento observado entre qo(t + 1) e X(t + 1) Estes resultados seratildeo
denominados acuraacutecias efetivas
Nas tabelas 9 e 10 mostramos as acuraacutecias obtidas para R = 500 R = 1000
R = 1500 e tambeacutem para a votaccedilatildeo unacircnime entre estes valores de R para o ano de
2017 e 2018 respectivamente Esses valores satildeo referentes a acuraacutecias canocircnicas
Os valores apresentados nas tabelas 11 e 12 satildeo referentes agraves acuraacutecias efetivas
obtidas nos anos de 2017 e 2018 respectivamente Como na simulaccedilatildeo anterior aqui
tambeacutem utilizamos os seguintes valores de R como paracircmetros de entrada para o
modelo R = 1500 R = 1000 e R = 500 Tambeacutem apresentamos a votaccedilatildeo unacircnime
entre esses valores de R
Analisando os resultados percebemos que as acuraacutecias efetivas geralmente satildeo
menores quando comparadas agraves acuraacutecias canocircnicas
6Funccedilotildees programadas para serem executadas em intervalos preacute-determinados a cada novo evento
75
Tabela 9 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespa noano de 2017
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 055176541 054323459 053798481 05496368VALE5 053415179 054329485 053480018 05384045CIEL3 053849399 054848801 054806465 05534425VALE3 052433407 052550201 051997615 05267777ITUB4 055874726 05566846 054563297 05615032PETR4 058868605 057385475 057413249 05831128ABEV3 056385379 055507608 055918367 05668191BOVA11 054358257 054148385 053963893 05485689BBAS3 053731644 052841136 053358886 05343546PETR3 054584775 054169374 053303011 05469478
Tabela 10 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespano ano de 2018
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 05248441 05222335 05313253 05270455ITUB4 053228346 053066878 052536956 05364042ITUB3 07219697 071792261 069898219 07209546ABEV3 052848723 052844997 052051169 05241737PETR4 052412925 050901468 051598078 05126012BBAS3 052238209 052155772 053148111 05242525BOVA11 054383243 053680922 053006939 05438518B3SA3 054016106 053573623 053500714 05414768VALE3 049833301 049735864 049960427 04964061MGLU3 052293755 052034095 051935298 05264673
Tabela 11 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespa noano de 2018
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 05011914 05024945 05049741 05296443VALE5 05531525 05955037 06322361 05145472CIEL3 04749896 04713191 04787458 05386266VALE3 04914488 05031373 04957248 05077800ITUB4 04987131 05083433 05004837 05428696PETR4 04947859 04978012 04975523 05332230ABEV3 04814815 04783004 04835861 05285027BOVA11 05052568 05092074 05058312 05167801BBAS3 04971075 04975282 04996000 05235765PETR3 04963441 05061648 05031515 05144113
76
Tabela 12 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespa noano de 2018
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 05101960 05039117 05081028 05101540ITUB4 05006803 05002930 05037490 05204274ITUB3 05900638 05841450 05702323 05326117ABEV3 04933448 04994650 04991361 05103865PETR4 05015291 04919239 04924980 04957188BBAS3 04973493 04922655 04955735 05166485BOVA11 05018457 05005853 04940293 05096904B3SA3 04980726 05030328 05012077 05233708VALE3 04958454 04913661 04944735 04910852MGLU3 04899507 04966571 04910714 05047889
As acuraacutecias obtidas indicam na maioria das vezes que o modelo eacute diferente de
um processo totalmente aleatoacuterio Mas somente as acuraacutecias natildeo indicam retorno
financeiro positivo pelo modelo Outras variaacuteveis devem ser consideradas tais como
taxas volatilidade e liquidez Um exemplo de accedilatildeo em que o modelo apresentou
uma acuraacutecia consideraacutevel foi a CPFE3 tanto no capiacutetulo 6 quanto para os dados
utilizados neste capiacutetulo para a simulaccedilatildeo (anos de 2017 e 2018) Poreacutem no momento
da simulaccedilatildeo este ativo apresentou problemas nas execuccedilotildees das ordens e contra
ordens devido agrave sua baixa liquidez Quando lanccedilamos a ordem de compra de 1000
accedilotildees e em seguida a contra ordem de venda da mesma quantidade em alguns
casos as ordens natildeo foram totalmente executadas (execuccedilatildeo parcial) Percebemos
que isso acontece quando o volume do candle naquele instante eacute menor que o
tamanho definido da ordem Este resultado sugere que apenas as acuraacutecias natildeo
satildeo as melhores variaacuteveis para representar o sucesso do modelo Informaccedilotildees como
liquidez volume de negociaccedilatildeo e volatilidade do ativo tambeacutem devem ser levadas
em consideraccedilatildeo Deste modo para evitarmos ordens parcialmente executadas
utilizamos na simulaccedilatildeo apenas as 10 accedilotildees com maior liquidez na Bovespa Os
resultados da simulaccedilatildeo para estas accedilotildees seratildeo apresentados na proacutexima subseccedilatildeo
722 Simulaccedilatildeo
Nesta subseccedilatildeo vamos apresentar a simulaccedilatildeo do modelo de operaccedilatildeo 1 (MO1)
utilizando as accedilotildees com maior liquidez na Bovespa Para analisar o retorno financeiro
do MO1 realizamos esta simulaccedilatildeo em dois cenaacuterios um que natildeo considera taxas
operacionais e outro em que utilizam-se os custos praticados pela Bovespa apresen-
tados na tabela 8 Para ambas as simulaccedilotildees consideramos taxa de corretagem7 zero
Este benefiacutecio eacute oferecido por algumas corretoras de valores que isentam desta taxa
7A taxa de corretagem eacute um valor cobrado pelas corretoras de valores para cada operaccedilatildeo de compra ouvenda de accedilotildees e outros ativos na Bolsa
77
de compra e venda de accedilotildees Os resultados da simulaccedilatildeo sem custos operacionais
para todo o ano de 2017 e tambeacutem no ano de 2018 satildeo apresentados nas tabelas
13 e 14 respectivamente Os indicadores obtidos quando consideramos as taxas
praticadas pela Bovespa nos mesmos periacuteodos satildeo apresentados nas tabelas 15 e
16
Tabela 13 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas ano de 2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown1015 2506 1117 102 -046Alpha Beta Retorno anual esperado Estabilidade PNL
1134 0 1036 097 R$ 1116888Taxa VaR Meacutedia caixa estrateacutegia (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -008 102121547 (1401887) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo MO1 sem taxas para o periacuteodo de 2017
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
Tabela 14 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas no ano de 2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown693 1593 1581 238 -147
Alpha Beta Retorno anual esperado Estabilidade PNL1646 -001 1648 098 R$ 15806609
Taxa VaR Meacutedia Caixa estrateacutegia (R$) Taxa de custoacutedia Taxa de aluguelR$000 -021 103123246 (3217683) R$000 R$000Nota Indicadores resultantes para a simulaccedilatildeo MO1 sem taxas para o periacuteodo de 2018
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
Tabela 15 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacionais para oano de 2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown-1928 -1928 -4326 225 -4326Alpha Beta Retorno anual esperado Estabilidade PNL
-4420 001 -4334 1 R$ -4326082Taxa VaR Meacutedia caixa estrateacutegia (R$) Taxa de custoacutedia Taxa de aluguel
R$ 5442970 -039 88914684 (637626) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo MO1 com taxas para o periacuteodo de 2017
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
Os valores dos indicadores apresentados nas tabelas 13 1415 e 16 satildeo obtidos
com a simulaccedilatildeo que utiliza a combinaccedilatildeo de todas as 10 accedilotildees para gerar o sinal e
78
Tabela 16 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacionais para oano de 2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown-992 -1015 -7030 687 -7031Alpha Beta Retorno anual esperado Estabilidade PNL
-7116 -001 -6815 1 R$ -70295405Taxa VaR Meacutedia Caixa estrateacutegia Taxa de custoacutedia Taxa de aluguel
R$ 86102015 -104 83370919 (9464573) R$000 R$000Nota Indicadores resultantes para a simulaccedilatildeo MO1 com taxas para o periacuteodo de 2018
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
posteriormente realiza operaccedilotildees com as accedilotildees nas quais o modelo envia um sinal
natildeo neutro O retorno obtido nesta situaccedilatildeo eacute o retorno acumulado ra entre todas
estas accedilotildees
Na simulaccedilatildeo sem aplicar taxas o retorno acumulado ra foi positivo no ano de 2017 e
2018 Jaacute na simulaccedilatildeo em que aplicamos taxas transacionais o retorno acumulado
ra foi negativo em ambos os periacuteodos analisados Isso exemplifica o quanto as taxas
impactam os retornos financeiros
O resultado do indicador sharpe que mostra a relaccedilatildeo entre risco e retorno de
um investimento quando comparado a um investimento sem risco foi negativo em
ambos os periacuteodos analisados para a simulaccedilatildeo aplicando taxas transacionais Jaacute as
estrateacutegias sem taxas os iacutendices apresentaram valores positivos indicando que haacute
uma relaccedilatildeo positiva entre risco e retorno da estrateacutegia
Quando avaliada a relaccedilatildeo risco e retorno da estrateacutegia levando em consideraccedilatildeo
apenas a volatilidade negativa os resultados obtidos para o indicador sortino foram
positivos para as simulaccedilotildees sem taxas e quando inseridos os custos transacionais
os resultados do indicador foram negativos em ambos os periacuteodos
Os maiores percentuais de perdas da estrateacutegia durante as execuccedilotildees retratada pelo
indicador Max drawdown foram obtidos para as estrateacutegias simuladas com taxas
sendo minus43 26 no ano de 2017 e minus70 31 no ano de 2018 Jaacute para as estrateacutegias
sem taxas os Max drawdown obtidos foram minus0 46 no ano de 2017 e minus1 47 no
ano de 2018
Os piores casos esperados de retornos diaacuterios da estrateacutegia estimado pelo indicador
VAR foram obtidos para as simulaccedilotildees com taxas No anos de 2017 o valor obtido foi
minus0 39 e no ano de 2018 o valor foi minus1 04 Para as simulaccedilotildees sem taxas o valor
foi minus0 08 no ano de 2017 e minus0 21 no ano de 2018 Analisando as simulaccedilotildees
com taxas e sem taxas percebemos que os piores casos para ambas as estrateacutegias
foram obtidos no ano de 2018 Neste mesmo periacuteodo a volatilidade anualizada da
79
estrateacutegia considerando os desvios dos retornos diaacuterios foi maior que em 2017 Isto
nos sugere que em periacuteodos de maior volatilidade diaacuteria os piores casos dos retornos
diaacuterios tendem a ser maiores do que em periacuteodos de menor volatilidade
O resultado do indicador Beta que mostra a correlaccedilatildeo do desempenho negativo e
positivo da estrateacutegia em relaccedilatildeo a um benchmark no ano de 2018 foi negativo para
a estrateacutegia executada sem taxas operacionais e tambeacutem para a estrateacutegia com taxas
No ano de 2017 o resultado de Beta para a estrateacutegia com taxas foi positivo e para a
simulaccedilatildeo sem taxas o valor de Beta foi zero
Os resultados do indicador Alpha que retorna o valor que representa o quanto a
estrateacutegia se destacou em relaccedilatildeo ao desempenho da economia (representado por
um benchmark) para as simulaccedilotildees referentes aos anos de 2017 e 2018 foram
positivos para as estrateacutegias em que natildeo aplicamos taxas operacionais Jaacute para as
estrateacutegias com taxas inseridas os resultados foram negativos em ambos os periacuteodos
O indicador de retorno anual esperado mostra o resultado estimado que a estrateacutegia
alcanccedilaraacute no periacuteodo de 1 ano Os resultados para as simulaccedilotildees sem taxas foram
positivos para ambos os periacuteodos Jaacute para as simulaccedilotildees com taxas os resultados
dos retornos estimados foram negativos para os anos de 2017 e 2018
Para as simulaccedilotildees com taxas o resultado do indicador de estabilidade da estrateacutegia
baseado no coeficiente de determinaccedilatildeo R2 dos retornos acumulados foi igual a 1
para os anos de 2017 e 2018 Para as simulaccedilotildees sem taxas os resultados foram
0 97 e 0 98 para os anos de 2017 e 2018 respectivamente
Como esperado o indicador PNL que mostra o resultado financeiro (lucro ou prejuiacutezo)
apoacutes a execuccedilatildeo da estrateacutegia para ambas as simulaccedilotildees aplicando taxas foram
negativos Jaacute para as simulaccedilotildees sem considerar taxas operacionais os resultados
para este indicador foram positivos em ambos os periacuteodos
A meacutedia de caixa da estrateacutegia ficou proacutexima do valor total de capital inicial configurado
A pouca alocaccedilatildeo de capital foi proporcionada pelo fato de que as posiccedilotildees nesta
simulaccedilatildeo satildeo zeradas no instante (candle) seguinte
Os custos referentes agrave taxa de custoacutedia8 e de aluguel de accedilotildees natildeo se aplicam nas
simulaccedilotildees uma vez que as posiccedilotildees satildeo zeradas no mesmo dia
Na maioria das vezes o modelo apresentou acuraacutecias com valores superiores a um
modelo aleatoacuterio mas ainda assim quando inserimos taxas o mesmo natildeo apresentou
um retorno financeiro consideraacutevel Isso nos motivou a investigar as estatiacutesticas dos
preccedilos e custos de execuccedilatildeo da estrateacutegia As taxas de negociaccedilatildeo liquidaccedilatildeo e
corretagem satildeo responsaacuteveis por diminuiacuterem o retorno Para explorarmos as carac-
8Eacute uma taxa cobrada pela manutenccedilatildeo de posiccedilatildeo de accedilotildees na bolsa de valores
80
teriacutesticas dos dados uma anaacutelise estatiacutestica dos preccedilos na amostra completa e nos
tempos com negociaccedilatildeo foi realizada e seraacute apresentada na proacutexima subseccedilatildeo
723 Anaacutelise estatiacutestica de resultados financeiros relativos ao MO1
Para o modelo de operaccedilatildeo 1 que zera a posiccedilatildeo no fechamento do candle eacute
possiacutevel verificar estatisticamente se os resultados obtidos estatildeo de acordo com o
que podemos esperar da estrateacutegia Ateacute aqui utilizamos a combinaccedilatildeo de todas as
10 accedilotildees para gerar o sinal e depois executamos a simulaccedilatildeo operando com todas
as accedilotildees de acordo com o sinal retornado pelo modelo Como um dos resultados
da simulaccedilatildeo eacute obtido um rendimento total agregado ra (referido como retorno
acumulado na seccedilatildeo (71) Aqui para analisarmos as estatiacutesticas do rendimento de
cada accedilatildeo continuamos usando a combinaccedilatildeo de todas as accedilotildees para gerar o sinal
poreacutem empregamos apenas uma accedilatildeo por vez para fazer as operaccedilotildees e calcular o
rendimento da estrateacutegia ltk obtido para cada accedilatildeo k Tal rendimento seraacute comparado
com o rendimento esperado das operaccedilotildees cujo caacutelculo eacute descrito a seguir
Para cada accedilatildeo durante a simulaccedilatildeo eacute possiacutevel observar η retornos9 ∆x(t) no
intervalo analisado com (t = 1 η) Como o modelo natildeo opera em todos os
passos de tempo uma vez que a operaccedilatildeo depende de um sinal natildeo neutro enviado
ele iraacute atuar em um subconjunto dos η retornos Para cada valor de t o modelo
apresenta uma probabilidade po de operar naquele dado candle Assumimos aqui que
a probabilidade que haja sinal natildeo neutro em tal candle natildeo depende de t Dado um
sinal natildeo neutro a probabilidade de que o modelo acerte a previsatildeo eacute pa e de que
erre eacute pe = 1minus pa
Consideremos que na simulaccedilatildeo foram realizadas m le η operaccedilotildees Tomando
aleatoriamente uma dessas operaccedilotildees ela pode se referir a qualquer um dos retornos
∆x(t) com probabilidade uniforme 1η Jaacute a probabilidade de qual tal operaccedilatildeo seja
referente a ∆x(t) e que a previsatildeo a ela relacionada seja acertada (errada) eacute paη
(peη)
Durante a simulaccedilatildeo se o modelo acerta a previsatildeo de tendecircncia o resultado finan-
ceiro eacute acrescido do valor do retorno Se ele erra eacute decrescido de forma equivalente
Assim se o retorno ∆x(t) de moacutedulo |∆x(t)| for escolhido para operar ele pode pro-
duzir uma variaccedilatildeo |∆x(t)| ou minus |∆x(t)| no resultado (considerando-se neste ponto
que a operaccedilatildeo se refere a uma accedilatildeo apenas e natildeo a um lote de accedilotildees) Portanto
para cada operaccedilatildeo escolhida aleatoriamente no conjunto de todas as operaccedilotildees a
probabilidade de que o retorno ∆x(t) tenha sido escolhido e que tenha levado a uma
variaccedilatildeo |∆x(t)| (minus |∆x(t)|) eacute paη (peη)
9Retornos reais entre cada um dos candles no periacuteodo da simulaccedilatildeo
81
Definamos uma variaacutevel aleatoacuteria M que pode assumir valores no conjunto
|∆x(t)| minus |∆x(t)| com probabilidade paη associada aos valores |∆x(t)| e peη
aos valores minus |∆x(t)| A variaacutevel M corresponde agrave variaccedilatildeo do resultado financeiro
de uma operaccedilatildeo escolhida aleatoriamente no conjunto das operaccedilotildees
Suponhamos que tomamos uma por uma as operaccedilotildees disponiacuteveis no conjunto ateacute
esgotaacute-lo e que somamos as variaccedilotildees correspondentes Tal soma coincide com a
variaccedilatildeo total dasm operaccedilotildees ou seja o resultado final da estrateacutegia aplicada agravequela
accedilatildeo especiacutefica A variaacutevel aleatoacuteria a ela associada eacute SM =msumj=1
Mj Consideraremos
no que segue que as Mj satildeo independentes e identicamente distribuiacutedas com
distribuiccedilatildeo igual agrave de M De fato isto eacute uma aproximaccedilatildeo do cenaacuterio real uma vez
que ao retirarmos um retorno do conjunto a distribuiccedilatildeo do mesmo muda
A meacutedia e a variacircncia de M satildeo respectivamente
microM =
ηsumi=1
paη|∆x(t)|+
ηsumi=1
peη
(minus |∆x(t)|) =
(2pa minus 1
η
) ηsumi=1
|∆x(t)| (42)
e
σ2M =
ηsumi=1
paη
(|∆x(t)| minus microM)2 +
ηsumi=1
peη
(minus |∆x(t)| minus microM)2 (43)
=
(pa + peη
)( ηsumi=1
|∆x(t)|2 +
ηsumi=1
micro2M
)minus 2microM
(pa minus peη
) ηsumi=1
|∆x(t)|
=1
η
ηsumi=1
|∆x(t)|2 minus micro2M
onde usamos pa + pe = 1 Assumindo a independecircncia entre os diferentes Mj a
meacutedia e a variacircncia de SM satildeo respectivamente
microSM= mmicroM (44)
e
σ2SM
= mσ2M (45)
Consideremos que as operaccedilotildees satildeo realizadas em lotes de tamanho λ de accedilotildees
Desta forma o valor esperado do rendimento financeiro referente agraves m operaccedilotildees
pode ser escrito como
microM =
(λ
(2pa minus 1
η
) ηsumi=1
|∆x(t)|
)m (46)
A variacircncia por sua vez
σ2M =
(λ2
η
ηsumi=1
|∆x(t)|2 minus micro2M
)m (47)
82
Para investigarmos se estatisticamente os rendimentos ltk efetivamente obtidos para
cada accedilatildeo k estatildeo de acordo com o que poderiacuteamos esperar do modelo analisamos a
partir da acuraacutecia e do retorno ∆x(t) o valor esperado de tais rendimentos As meacutedias
satildeo dadas por microM seguidas de seus desvios σM Para o caacutelculo da variaccedilatildeo das
operaccedilotildees utilizamos duas amostras a amostra que conteacutem o conjunto com todos
retornos ∆x(t) do periacuteodo analisado e a amostra que conteacutem somente os retornos
∆x(t) em que t coincide com os tempos em que o modelo operou Os resultados com
as meacutedias (desvios) calculadas (os) nas 2 amostras e os dados dos rendimentos ltkobtidos com o modelo de operaccedilatildeo 1 nos anos de 2017 e 2018 satildeo apresentados nas
tabelas 17 e 18 Os valores obtidos satildeo tambeacutem apresentados nas figuras 19 e 20
Tabela 17 ndash Rendimentos do modelo de operaccedilatildeo 1 no ano de 2017
2017 ltk Amostra completa microM (σM ) Amostra com negociaccedilatildeo microM (σM )BBDC4 1709317 2182192 (543764) 2632716 (634321)VALE5 1400752 937155 (507952) 1217775 (647243)CIEL3 1219486 2088778 (423495) 2717477 (545393)VALE3 472209 943961 (880760) 1141890 (1046772)ITUB4 234494 3064458 (504063) 3680701 (595252)PETR4 1019821 1190426 (257648) 1344799 (282312)ABEV3 966856 962073 (250578) 1179246 (310227)BOVA11 110868 149747 (67775) 171738 (74792)BBAS3 1642988 1688565 (534599) 2024818 (637786)PETR3 281642 577413 (286412) 679861 (334579)
Nota Na variaacutevel ltk apresentamos o rendimento referente a cada accedilatildeo k Em microM (σM )estatildeo os valores referentes agrave meacutedia (desvio) do retorno esperado de cada accedilatildeo Os valoresforam obtidos utilizando o caacutelculo de retornos esperados na amostra completa e na amostra
em tempos com negociaccedilatildeo
A figura 19 mostra os rendimentos esperados e os efetivamente obtidos com a
simulaccedilatildeo no ano de 2017 para a amostra completa e para os tempos com negociaccedilatildeo
Jaacute a figura 20 mostra resultados anaacutelogos para o ano de 2018
83
0
1
2
3
4104
M M M
k
0 2 4 6 8 10
Accedilotildees
0
1
2
3
4
5Ret
orno
s
104
Figura 19 ndash Rendimentos esperados e os efetivamente obtidos ltk para o ano de 2017para a amostra completa e a amostra com negociaccedilatildeo Os resultados apre-sentados satildeo referentes aos rendimentos esperados e os desvios calculadosnos tempos com negociaccedilatildeo durante a simulaccedilatildeo no ano de 2017 No quadro1 mostramos os resultados referentes agrave amostra completa no quadro 2 es-tatildeo plotados os resultados obtidos com a amostra referente a periacuteodos comnegociaccedilatildeo Os pontos na cor vermelha representam a meacutedia dos rendimen-tos efetivamente obtidos na simulaccedilatildeo os pontos verdes mostram as meacutediasdos rendimentos esperados e os pontos em azul representam o rendimentoesperado plusmn os desvios
84
Tabela 18 ndash Retornos do modelo de operaccedilatildeo 1 no ano de 2018
2018 ltk Amostra completa microM (σM ) Amostra com negociaccedilatildeo microM (σM )ABEV3 610898 435344 (299979) 507860 (348669)BOVA11 -1708 128245 (95594) 144797 (106773)MGLU3 4245592 1674092 (2915445) 2289244 (3870177)ITUB4 2587075 2247439 (765528) 2613596 (893825)PETR4 217876 -27632 (488172) -317157 (569206)BBAS3 1473077 1658255 (727962) 1999888 (874414)ITUB3 3786326 1245687 (472640) 1632559 (565428)VALE3 -625568 -1061141 (874929) -1251794 (1052079)BBDC4 1786022 943903 (663568) 1097792 (792768)B3SA3 1727016 1698116 (537150) 1997159 (627890)
Nota Na variaacutevel ltk apresentamos o rendimento referente a cada accedilatildeo k Em microM (σM )estatildeo os valores referentes agrave meacutedia (desvio) do retorno esperado de cada accedilatildeo Os valoresforam obtidos utilizando o caacutelculo de retornos esperados na amostra completa e na amostra
em tempos com negociaccedilatildeo
85
-2
0
2
4
6104
M M M
k
0 2 4 6 8 10Accedilotildees
-5
0
5
10Ret
orno
s
104
Figura 20 ndash Rendimentos esperados e os efetivamente obtidos ltk para o ano de 2018para a amostra completa e a amostra com negociaccedilatildeo Os resultados apre-sentados satildeo referentes aos rendimentos esperados e os desvios calculadosnos tempos com negociaccedilatildeo durante a simulaccedilatildeo no ano de 2018 No qua-dro 1 mostramos os resultados referentes agrave amosta completa no quadro 2estatildeo plotados os resultados obtidos com a amostra referente a periacuteodos comnegociaccedilatildeo Os pontos na cor vermelha representam a meacutedia dos rendimen-tos efetivamente obtidos na simulaccedilatildeo os pontos verdes mostram as meacutediasdos rendimentos esperados e os pontos em azul representam o rendimentosesperado plusmn os desvios
86
De acordo com os resultados apresentados nas tabelas 17 e 18 e tambeacutem nas figuras
19 e 20 podemos observar que 82 5 dos rendimentos financeiros ltk das accedilotildees
estatildeo dentro faixa de variaccedilatildeo da meacutedia do retorno esperado microM plusmn os desvios σM(33 casos em 40 observaccedilotildees) Tal resultado indica que eacute possiacutevel ter-se uma ideia
do resultado da aplicaccedilatildeo de um modelo de operaccedilatildeo a partir do conhecimento de
sua acuraacutecia e dos retornos absolutos meacutedios
724 Consideraccedilotildees sobre MO1
Neste modelo a cada passo de tempo analisamos se haacute posiccedilotildees em aberto e
fechamos a operaccedilatildeo com ordens a mercado Em alguns casos a ordem desfeita era
imediatamente refeita devido ao sinal enviado pelo modelo Este processo gerou um
nuacutemero de operaccedilotildees maior que o necessaacuterio para a aplicaccedilatildeo do modelo Assim a
simulaccedilatildeo gerou no ano de 2017 um nuacutemero de 97209 operaccedilotildees e no ano de 2018 o
total de 91733 operaccedilotildees Esta quantidade elevada de operaccedilotildees estaacute relacionado agrave
ordens e contra ordens que podem ser executadas em um mesmo instante de tempo
mas natildeo apenas a isso Sendo um modelo de operaccedilatildeo baseado em negociaccedilotildees
de curta duraccedilatildeo o ganho proveniente da acuraacutecia alcanccedilada eacute pequeno em relaccedilatildeo
agraves taxas Por outro lado o MO1 eacute mais controlaacutevel pois conhecendo as acuraacutecias
o retorno meacutedio do ativo e as taxas praticadas no mercado eacute possiacutevel definir a
partir de qual niacutevel o modelo se torna rentaacutevel A partir deste ponto neste tipo de
estrateacutegia o risco eacute menor uma vez que desfazemos rapidamente a posiccedilatildeo ficando
pouco tempo alocados no ativo diminuindo assim o risco de exposiccedilatildeo a grandes
oscilaccedilotildees de mercado Isto acontece pelo fato de que toda operaccedilatildeo eacute desfeita no
passo seguinte antes de abrir novas posiccedilotildees Outra vantagem eacute em relaccedilatildeo ao valor
reduzido de capital necessaacuterio para se manter alocado nas operaccedilotildees Desta forma
concluiacutemos que o MO1 natildeo gera bons resultados no cenaacuterio de taxas e acuraacutecias que
apresentamos Contudo para taxas menores e acuraacutecias maiores pode constituir-se
um modelo interessante devido ao baixo risco que apresenta bem como ao reduzido
capital necessaacuterio
73 Modelo de operaccedilatildeo 2
Nesta estrateacutegia quando o modelo de previsatildeo gera um sinal natildeo neutro operaccedilotildees
de compra ou venda satildeo abertas no preccedilo qo(t+ 1) que eacute o preccedilo mais proacuteximo ao de
abertura po(t+ 1) do candle seguinte disponiacutevel (ver equaccedilatildeo 40) Estas operaccedilotildees
satildeo zeradas apenas quando o preccedilo atinge um valor de stop gain (Sg) ou stop loss
(Sl) Neste modelo de operaccedilatildeo eacute possiacutevel limitar as perdas e ganhos das operaccedilotildees
de forma que as posiccedilotildees satildeo zeradas no momento que o preccedilo atinge um ganho ou
perda determinados independente do tempo No modelo definido se o preccedilo natildeo
87
atingir nenhum stop no periacuteodo da simulaccedilatildeo a posiccedilatildeo eacute fechada no uacuteltimo tempo
da amostra
Para esta estrateacutegia desenvolvemos na plataforma apenas uma funccedilatildeo de agenda-
mento que manipula os dados executa o modelo e lanccedila as ordens ao mercado de
acordo com o sinal de compra ou venda
Os valores dos stops foram inspirados na metodologia apresentada em (GARCIA
et al 2020) Aqui adaptamos para que os valores de uma meacutedia relativa sejam
calculados em uma janela deslizante precedente ao dado analisado Os stops satildeo
definidos com base no moacutedulo do retorno meacutedio de cada accedilatildeo calculado na janela de
dados Q que tambeacutem eacute utilizada para caacutelculo do quartil no periacuteodo precedente ao
instante analisado Esta metodologia eacute utilizada para evitar o uso de dados futuros no
caacutelculo Os valores dos stops foram definidos como
Sl = qo(t+ 1)minus κl
(|∆x|(t)x(t)
)qo(t+ 1) (48)
e
Sg = qo(t+ 1) + κg
(|∆x|(t)x(t)
)qo(t+ 1) (49)
onde x(t) eacute o preccedilo de fechamento no tempo t qo(t + 1) eacute o preccedilo de abertura da
posiccedilatildeo κl = 10 e κg = 20 satildeo paracircmetros escolhidos Jaacute |∆x|(t) eacute a meacutedia dos
moacutedulos dos retornos na janela de tamanho Q dada por
|∆x|(t) =1
Q
tminus1sumτ=tminusQ
∆x(τ) (50)
Estes valores foram definidos considerando a variaccedilatildeo de cada accedilatildeo Assim a cada
instante de tempo o valor do stop varia tanto pela mudanccedila da janela de dados pelo
preccedilo x(t) e tambeacutem pelo preccedilo de abertura de cada operaccedilatildeo qo(t+ 1)
Nesta estrateacutegia como as operaccedilotildees levam mais passos de tempo para serem
zeradas aqui a alocaccedilatildeo de capital durante a execuccedilatildeo foi muito maior que no modelo
de operaccedilatildeo 1 Em todos os periacuteodos analisados o valor financeiro em caixa ficou
em algum momento da execuccedilatildeo totalmente alocado
Analogamente agrave seccedilatildeo anterior para mostrar o efeito das taxas no retorno financeiro
aqui tambeacutem simulamos em dois cenaacuterios Em um deles natildeo aplicamos taxas de
negociaccedilatildeo Na outra estrateacutegia utilizamos as taxas praticadas pela Bovespa que
foram apresentadas na tabela 8
88
Os resultados das simulaccedilotildees sem taxas para o ano de 2017 e 2018 satildeo apresenta-
dos nas tabelas 19 e 20 respectivamente Nestes resultados natildeo consideramos a
remuneraccedilatildeo do capital parado no decorrer da estrateacutegia
Para mostrar a consistecircncia do modelo em diferentes periacuteodos executamos as es-
trateacutegias em todos os quadrimestres do ano de 2017 e 2018 Esta simulaccedilatildeo em
diferentes periacuteodos eacute para evitar a super otimizaccedilatildeo (overfitting) do modelo A super
otimizaccedilatildeo acontece quando a estrateacutegia depois de vaacuterios ajustes funciona muito
bem no periacuteodo analisado poreacutem em outros periacuteodos os resultados natildeo se repetem
tendo um resultado pior Os paracircmetros perfeitos satildeo encontrados para aquele periacuteodo
e soacute funcionam bem naquela amostra Uma forma de testar a estrateacutegia eacute simulando
em periacuteodos diferentes para o teste de validaccedilatildeo Por isso aplicamos a estrateacutegia em
6 diferentes quadrimestres
Os resultados da simulaccedilatildeo para o ano de 2017 com taxas praticadas no mercado
satildeo apresentados na tabela 21 Para o ano de 2018 os resultados satildeo mostrados na
tabela 22 Nestes resultados tambeacutem natildeo consideramos a remuneraccedilatildeo do capital
parado no decorrer da estrateacutegia Como taxa de negociaccedilatildeo utilizamos o maior valor
de taxa de negociaccedilatildeo da Bovespa para day trade apresentado na tabela 8 Como
analisamos vaacuterios periacuteodos o nuacutemero de tabelas e consequentemente o nuacutemero de
indicadores resultantes das simulaccedilotildees eacute grande portanto vamos fazer uma anaacutelise
geral dos resultados
Os valores dos indicadores apresentados nas tabelas 19 20 21 e 22 satildeo obtidos
com a simulaccedilatildeo da estrateacutegia que utiliza a combinaccedilatildeo de todas as 10 accedilotildees para
gerar o sinal e negocia apenas com as accedilotildees em que o modelo retorna um sinal natildeo
neutro indicando uma operaccedilatildeo naquele instante O retorno obtido nesta situaccedilatildeo eacute o
retorno acumulado ra
Nas simulaccedilotildees quando aplicamos a estrateacutegia sem inserir taxas os resultados dos
retornos acumulados ra foram positivos em todos os periacuteodos dos anos de 2017 e
2018 analisados Para a simulaccedilatildeo utilizando taxas aplicadas ao cenaacuterio brasileiro
todos os periacuteodos analisados tambeacutem apresentaram retorno acumulado positivo
com exceccedilatildeo do quadrimestre 1 de 2018 Considerando-se todo o ano de 2017 a
estrateacutegia rendeu 28 5 e o desempenho do Ibovespa foi 20 09 Jaacute no ano de
2018 inteiro o desempenho da estrateacutegia foi 28 94 e o Ibovespa apresentou um
rendimento de 15 03 Todas as taxas anuais de crescimento do Ibovespa desde
o ano de 1968 satildeo apresentadas na tabela 22 anexada ao capiacutetulo C A taxa de
crescimento apresentada refere-se agrave taxa meacutedia de variaccedilatildeo do iacutendice composta
anualmente entre dois periacuteodos (BMampFBOVESPA 2019)
Os resultados do indicador alpha que representa o quanto a estrateacutegia se destacou
em relaccedilatildeo ao desempenho da economia (representado por um benchmark) foram
89
positivos para as simulaccedilotildees em todos os periacuteodos dos anos de 2017 e 2018
O indicador de retorno anual esperado que mostra o resultado estimado que a
estrateacutegia alcanccedilaraacute no periacuteodo de 1 ano foi positivo em todos os periacuteodos analisados
O indicador PNL que mostra o resultado financeiro (lucro ou prejuiacutezo) apoacutes a execuccedilatildeo
da estrateacutegia foi positivo para os periacuteodos analisados exceto no primeiro quadrimestre
de 2018
A meacutedia de caixa desta estrateacutegia eacute menor que a estrateacutegia anterior No decorrer da
simulaccedilatildeo em alguns instantes o capital ficou completamente alocado nas operaccedilotildees
A maior alocaccedilatildeo de capital foi proporcionada pelo fato de que as posiccedilotildees nesta
simulaccedilatildeo satildeo zeradas apenas quando os stops satildeo alcanccedilados
Os indicadores sharpe e sortino foram positivos em todos os periacuteodos analisados
Os maiores percentuais de perdas da estrateacutegia durante as execuccedilotildees retratados
pelo indicador Max Drawdown foram observados para as estrateacutegias simuladas com
taxas no ano de 2018 O primeiro quadrimestre de 2018 apresentou uma perda de
minus21 68 corroborando o fato de ser o uacutenico periacuteodo de retorno negativo De acordo
com o indicador de volatilidade este periacuteodo tambeacutem apresentou grandes variaccedilotildees
nos retornos diaacuterios
Para mostrar os retornos obtidos com MO2 elaboramos a figura 21 Nela apresenta-
mos os retornos obtidos com MO2 na simulaccedilatildeo com taxas e sem taxas operacionais
e tambeacutem o iacutendice sharpe associado a cada periacuteodo
90
2017 Q1 Q2 Q3-02
0
02
04
06
08Sem taxasCom taxas
2018 Q1 Q2 Q3
Periacuteodo
-02
0
02
04
06
08
Ret
orno
2017 Q1 Q2 Q3
0
2
4
6
8
2018 Q1 Q2 Q3
0
2
4
6
8
Sha
rpe
(a) (c)
(d)(b)
Figura 21 ndash Retornos e riscos do modelo de operaccedilatildeo 2 Os resultados satildeo referentesaos retornos da simulaccedilatildeo com MO2 Os periacuteodos analisados foram os anosde 2017 e 2018 e tambeacutem os seus quadrimestres As barras nas cores rochasrepresentam os resultados para as simulaccedilotildees sem considerar taxas operacio-nais Jaacute as barras amarelas correspondem aos resultados obtidos aplicandoas taxas operacionais Os valores referentes ao ano de 2017 e 2018 indicamque a simulaccedilatildeo foi executada em todo o periacuteodo Os valores representadospor Q1 Q2 e Q3 correspondem agrave simulaccedilatildeo executada nos quadrimestres 1 2e 3 respectivamente (a) Retornos acumulados ra para os dois cenaacuterios (comtaxas e sem taxas) no ano de 2017 (b) Retornos acumulados ra no periacuteododo ano de 2018 (c) Valores dos indicadores de risco Sharpe associados acada periacuteodo da simulaccedilatildeo no ano de 2017 (d) Iacutendices Sharpe obtidos para asexecuccedilotildees no periacuteodo do ano de 2018
91
Tabela 19 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de 2017
2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown657 128 5678 876 -605
Alpha Beta Retorno anual esperado Estabilidade PNL6168 -005 5757 097 R$ 5678240
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -078 64393516 (30624023) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
235 427 1165 1159 -605Alpha Beta Retorno anual esperado Estabilidade PNL
4576 -007 272 059 R$ 1164811Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -11 48641798 (23030791) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown535 1604 1904 92 -258
Alpha Beta Retorno anual esperado Estabilidade PNL7827 -026 4921 087 R$ 1904128
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -081 57881234 (23758755) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
614 1145 2026 964 -313Alpha Beta Retorno anual esperado Estabilidade PNL814 0 5921 092 R$ 2026282Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -084 51876029 (25483795) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) e
loss Sl (equaccedilatildeo 48) e sem taxas para o periacuteodo de 2017 para as 10 accedilotildees com maiorliquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e as
operaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
92
Tabela 20 ndash Resultados da simulaccedilatildeo utilizando stop gain Sg (equaccedilatildeo 49) e loss Sl (equa-ccedilatildeo 48) sem taxas para o ano de 2018
2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown356 622 6809 2060 -1695
Alpha Beta Retorno anual esperado Estabilidade PNL8077 -016 7335 084 R$ 6808514
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -198 49907873 (3584272) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
165 264 838 1828 -1605Alpha Beta Retorno anual esperado Estabilidade PNL
4658 -028 3015 016 R$ 838228Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -181 34022838 (25116093) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown17 257 1362 2102 -998
Alpha Beta Retorno anual esperado Estabilidade PNL4235 -017 3566 07 R$ 1361668
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -206 47088196 (24412598) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
344 625 2894 2507 -1419Alpha Beta Retorno anual esperado Estabilidade PNL
15673 -016 8618 053 R$ 2893581Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -236 42943842 (31200691) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) e
loss Sl (equaccedilatildeo 48) e sem taxas para o periacuteodo de 2018 para as 10 accedilotildees com maiorliquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e as
operaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
93
Tabela 21 ndash Resultados da simulaccedilatildeo utilizando stops com taxas para o ano de 2017
2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown317 557 285 925 -876
Alpha Beta Retorno anual esperado Estabilidade PNL3209 -006 2931 092 R$ 2850080
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 2655792 -089 52251856 (25794512) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
009 016 329 1194 -876Alpha Beta Retorno anual esperado Estabilidade PNL
1446 -008 113 0 R$ 329094Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 837962 -12 45107409 (22338608) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown281 71 1102 915 -361
Alpha Beta Retorno anual esperado Estabilidade PNL4552 -026 257 066 R$ 1102081
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 786141 -086 54523754 (23077241) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
305 509 1115 974 -398Alpha Beta Retorno anual esperado Estabilidade PNL
4109 0 2973 074 R$ 1115101Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 892833 -091 47685863 (24334232) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) eloss Sl (equaccedilatildeo 48) e aplicando taxas para o periacuteodo de 2017 para as 10 accedilotildees com maior
liquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e asoperaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
94
Tabela 22 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de 2018
2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown153 257 2894 2280 -2286
Alpha Beta Retorno anual esperado Estabilidade PNL4015 -022 3494 057 R$ 2894068
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 3984469 -228 35930005 (28150524) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown-047 -07 -413 1923 -2168Alpha Beta Retorno anual esperado Estabilidade PNL16 -031 -913 002 R$ -412633Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 1254255 -201 29946591 (23861408) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown047 069 489 2143 -1107
Alpha Beta Retorno anual esperado Estabilidade PNL1263 -018 10 016 R$ 489178
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 948899 -216 43434458 (23167973) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
184 315 1606 2586 -176Alpha Beta Retorno anual esperado Estabilidade PNL861 -019 477 027 R$ 1606190Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 1270134 -253 38207694 (29001582) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) eloss Sl (equaccedilatildeo 48) e aplicando taxas para o periacuteodo de 2018 para as 10 accedilotildees com maior
liquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e asoperaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
95
74 Consideraccedilotildees finais
Os dois modelos de operaccedilatildeo descritos tecircm caracteriacutesticas diferentes e apresentam
vantagens e desvantagens em relaccedilatildeo ao outro O modelo de operaccedilatildeo 1 que zera a
posiccedilatildeo no tempo seguinte antes de abrir novas operaccedilotildees tem a vantagem de que o
tempo de permanecircncia na posiccedilatildeo eacute muito pequeno diminuindo o risco de exposiccedilatildeo
a grandes oscilaccedilotildees do mercado Poreacutem o excessivo nuacutemero de operaccedilotildees leva a
taxas operacionais elevadas inviabilizando a execuccedilatildeo em mercados reais Por outro
lado o MO1 eacute mais controlaacutevel e nos daacute uma ideia de qual o patamar de taxas a
partir do qual torna-se rentaacutevel Jaacute o modelo de operaccedilatildeo 2 tem um nuacutemero menor de
operaccedilotildees em contrapartida o risco associado agrave estrateacutegia eacute maior uma vez que
a operaccedilatildeo soacute eacute zerada quando atinge um valor de stop O nuacutemero de operaccedilotildees
em MO1 foi 97209 em 2017 e 91733 em 2018 enquanto o nuacutemero de operaccedilotildees de
MO2 em todo o ano de 2017 foi 9534 no ano de 2018 a quantidade de operaccedilotildees de
MO2 foi 9238 O nuacutemero de execuccedilotildees em MO2 ficou em torno de 10 em relaccedilatildeo
ao nuacutemero de operaccedilotildees realizadas em MO1
Analisando os resultados das simulaccedilotildees percebemos que os melhores resultados
dos rendimentos foram obtidos com a estrateacutegia 2 Embora MO2 tenha se mostrado
mais lucrativo o modelo de operaccedilatildeo 1 praticamente natildeo apresenta risco Com relaccedilatildeo
a MO2 como mitigaccedilatildeo do risco temos o fato de que os valores de stop loss satildeo
pequenos Percebemos isso analisando a equaccedilatildeo 48 Uma vez que x(t) eacute o preccedilo de
fechamento e qo(t+ 1) eacute o preccedilo de abertura de posiccedilatildeo no candle seguinte podemos
observar que qo(t+1)x(t)
sim= 1 Assim o stop loss eacute aproximadamente
Sl sim= qo(t+ 1)minus κl(|∆x|
)(t) (51)
Uma vez que escolhemos κl = 10 o valor da perda maacutexima por operaccedilatildeo satildeo
significativamente menores que o valor da accedilatildeo Durante a simulaccedilatildeo para o caacutelculo
do stop utilizamos a janela de dados Q precedente ao tempo investigado para calcular
uma meacutedia dos moacutedulos dos retornos naquela janela definida como(|∆x|
)(t) Aqui
para analisar relaccedilatildeo entre os valores dos stops e os preccedilos das accedilotildees utilizamos
as seacuteries de fechamento referentes a todo o periacuteodo da simulaccedilatildeo e calculamos a
meacutedia dos moacutedulos dos retornos definida por |∆pc| e a meacutedia dos preccedilos de cada
accedilatildeo definida por pc Assim supondo |∆pc| sim=(|∆x|
)(t) podemos considerar a
aproximaccedilatildeo apresentada na equaccedilatildeo 51 com isso percebemos que os valores dos
stops satildeo substancialmente menores que os valores das accedilotildees A tabela 23 mostra
as meacutedias dos moacutedulos dos retornos |∆pc| meacutedias de preccedilos pc e as razotildees pc|∆pc|
Por outro lado como mitigaccedilatildeo do risco tambeacutem podemos considerar o fato de traba-
lharmos com uma carteira de accedilotildees diversificada Em uma evoluccedilatildeo do trabalho seria
96
interessante desenvolver um modelo de controle de risco utilizando as correlaccedilotildees
entre as accedilotildees
Em relaccedilatildeo agrave alocaccedilatildeo de capital o risco no modelo de operaccedilatildeo 2 eacute maior pois em
todas as simulaccedilotildees em algum momento o capital disponiacutevel zerou Jaacute no modelo
de operaccedilatildeo 1 durante a simulaccedilatildeo utilizamos em meacutedia apenas 20 do capital
disponiacutevel Poreacutem em todas as simulaccedilotildees o modelo de operaccedilatildeo 2 apresentou
melhores resultados que o modelo de operaccedilatildeo 1
Tabela 23 ndash Meacutedia de preccedilos e retornos das accedilotildees
2017|∆pc| pc
pc|∆pc|
BBDC4 002558665 2187134354 000117VALE5 003627768 2887922779 0001256CIEL3 002340959 1953467112 0001198VALE3 004188494 2950070746 000142ITUB4 002380873 2314603021 0001029PETR4 001766138 1399935784 0001262ABEV3 001726891 1814834573 0000952BOVA11 004623921 6587925137 0000702BBAS3 003640741 2898630173 0001256PETR3 002058712 1523066685 0001352
2018|∆pc| pc
pc|∆pc|
ABEV3 00216501 1924430907 0001125BOVA11 00701715 7894486398 0000889MGLU3 021140572 11969484777 0001766ITUB4 003648753 2954197693 0001235PETR4 003357403 2018010619 0001664BBAS3 00510998 3443680947 0001484ITUB3 002432655 2547002471 0000955VALE3 006316666 4901690744 0001289BBDC4 00367708 2628898962 0001399B3SA3 003739952 2353833938 0001589
Nota Os valores satildeo referentes agrave meacutedia dos moacutedulos dos retornos |∆pc| meacutedia dos preccedilospc de cada accedilatildeo e as razotildees pc
|∆pc| Seacuteries de preccedilos de fechamentos relativos aos periacuteodos
em que executamos a simulaccedilatildeo (2017 e 2018) foram utilizadas
97
Capiacutetulo 8
Conclusatildeo
O trabalho teve o objetivo de desenvolver um modelo baseado em um sistema de
equaccedilotildees diferenciais lineares aplicado ao mercado acionaacuterio O intuito foi contribuir
para a compreensatildeo da dinacircmica dos preccedilos no mercado financeiro e auxiliar na
decisatildeo de compra e venda das accedilotildees listadas na Bovespa Para tal nos apoiamos
na lacuna deixada pela hipoacutetese de mercado eficiente
Como parte do desenvolvimento do trabalho inicialmente realizamos uma pesquisa
bibliograacutefica Nesta autores importantes defendem que os mercados satildeo eficientes
e que as seacuteries de preccedilos passados natildeo trazem informaccedilotildees de preccedilos futuros
Na contramatildeo da teoria claacutessica outros autores mostram que os mercados natildeo
satildeo tatildeo eficientes em termos de equiliacutebrio de preccedilos e que as seacuteries apresentam
alguma memoacuteria e um certo niacutevel de correlaccedilatildeo Tendo em vista estas possibilidades
e acreditando que o mercado de accedilotildees brasileiro tambeacutem apresenta resiacuteduos de
ineficiecircncia elaboramos um modelo para ajudar na compreensatildeo da dinacircmica do
mercado de accedilotildees Para tal desenvolvemos um modelo baseado em um sistema de
equaccedilotildees diferencias lineares com o objetivo de prever tendecircncias de preccedilos das
accedilotildees
No capiacutetulo 5 apresentamos a formulaccedilatildeo do modelo baseado em um sistema de
equaccedilotildees diferenciais lineares e a sua adaptaccedilatildeo para um novo modelo de ajuste de
pontos bem como a definiccedilatildeo de um modelo de previsatildeo de tendecircncia de preccedilos
Diante das seacuteries de dados dos ativos calculamos as matrizes de coeficientes A(t)
Para verificar a variaccedilatildeo de tais matrizes em t calculamos a distacircncia entre as matrizes
obtidas em tempos adjacentes O resultado da anaacutelise foi que agrave medida em que
aumentamos o valor deR as distacircncias das matrizes calculadas em tempos seguintes
diminuiacuteam Este resultado nos sugere que as matrizes A(t) satildeo boas estimativas para
A(t+ 1) podendo assim serem utilizadas como paracircmetro no modelo de previsatildeo
No capiacutetulo 6 exploramos algumas das possibilidades de combinaccedilatildeo de paracircmetros
e dados para ajustar o modelo de previsatildeo de forma a obter melhores resultados de
98
acuraacutecia As anaacutelises foram realizadas utilizando diferentes valores de R diferentes
nuacutemeros de accedilotildees vaacuterias granularidades das seacuteries de dados expoente de Hurst e
tambeacutem a votaccedilatildeo entre os valores de R Nesta parte do trabalho tambeacutem investiga-
mos o niacutevel de eficiecircncia em dois tipos de mercados com caracteriacutesticas diferentes
por meio da anaacutelise dos resultados de acuraacutecias As anaacutelises foram realizadas utili-
zando as accedilotildees dos iacutendices Dow Jones e Ibovespa e os resultados apontaram que
as melhores taxas de acuraacutecias foram obtidas no mercado brasileiro indicando uma
certa ineficiecircncia
Como resultado da exploraccedilatildeo do modelo definimos os paracircmetros satisfatoacuterios dentro
do cenaacuterio explorado Como mencionamos anteriormente natildeo podemos afirmar que
os paracircmetros definidos satildeo os oacutetimos Para tal afirmaccedilatildeo seria necessaacuterio um estudo
mais elaborado utilizando teacutecnicas de otimizaccedilatildeo
Na investigaccedilatildeo foram considerados os paracircmetros que retornaram as melhores taxas
de acuraacutecias do modelo na previsatildeo de tendecircncia dos preccedilos das accedilotildees Quando
analisamos os resultados dos diferentes valores de R observamos que para valores
maiores de R as acuraacutecias a tendem a aumentar Assim para as anaacutelises que
utilizaram apenas uma janela para o ajuste o valor definido foi R = 1000 Jaacute para
anaacutelises aplicando a votaccedilatildeo os valores dos paracircmetros definidos foram R = 500
R = 1000 e R = 1500
Quando analisamos os resultados obtidos de a em relaccedilatildeo agrave quantidade de accedilotildees
utilizadas na combinaccedilatildeo das seacuteries de entrada para o modelo percebemos uma
moderada melhora nos valores em torno da combinaccedilatildeo de 10 accedilotildees (ver figura 10)
Na anaacutelise da relaccedilatildeo entre a acuraacutecia do modelo e a granularidade dos dados os
melhores resultados foram obtidos para a frequecircncia de cotaccedilatildeo de 5 minutos
Quando analisamos a associaccedilatildeo entre as acuraacutecias obtidas e os expoentes de
Hurst H das seacuteries em geral natildeo encontramos padrotildees relevantes relacionados agraves
acuraacutecias e tais expoentes Um padratildeo atiacutepico foi encontrado para a accedilatildeo CPFE3
em que o expoente de Hurst da seacuterie correspondente tem o valor baixo (H = 0 28)
enquanto que o valor da acuraacutecia para esta accedilatildeo eacute relevante (a = 68 10) Calculando
os coeficientes de correlaccedilatildeo linear de Pearson ρ entre as acuraacutecias obtidas em cada
quadrimestre e os expoentes de Hurst calculados nos respectivos periacuteodos os valores
obtidos de ρ foram negativos em todos os casos Os valores mais significativos
foram obtidos para as accedilotildees do Ibovespa Estes resultados indicam que haacute uma
anti-correlaccedilatildeo entre as acuraacutecias obtidas e os expoentes H das seacuteries analisadas
A outra exploraccedilatildeo do modelo foi baseada na votaccedilatildeo em relaccedilatildeo agrave direccedilatildeo da
tendecircncia prevista utilizando 10 diferentes valores de R Os resultados natildeo apontaram
ganhos significativos em relaccedilatildeo agrave utilizaccedilatildeo de apenas o valor R = 1000 A vantagem
do uso da teacutecnica de votaccedilatildeo estaacute na possibilidade de aumento do tamanho da
99
amostra uma vez que teremos mais sinais natildeo neutros retornados pelo modelo
(retornos previstos no quarto quartil)
Nesta parte do trabalho tambeacutem investigamos a consistecircncia dos resultados apli-
cando o modelo de previsatildeo em diferentes periacuteodos Os resultados sugeriram que
o modelo manteacutem consistecircncia nos diferentes quadrimestres em relaccedilatildeo agraves accedilotildees
que apresentaram melhores acuraacutecias e tambeacutem em relaccedilatildeo aos seus valores de
acuraacutecias
Dessa maneira os paracircmetros definidos para a simulaccedilatildeo foram baseados nesse
capiacutetulo de exploraccedilatildeo do modelo Estas anaacutelises foram importantes para ajudar
na definiccedilatildeo da quantidade de accedilotildees frequecircncia de cotaccedilatildeo e tamanho da janela
de dados que foram utilizadas na simulaccedilatildeo Como resultado as seacuteries utilizadas
foram as com frequecircncia de cotaccedilatildeo de 5 minutos das 10 accedilotildees com maior liquidez
na Bovespa A votaccedilatildeo entre os sinais obtidos com diferentes tamanhos de R foi
utilizada como sinal de tendecircncia Nesta exploraccedilatildeo tambeacutem observamos que os
melhores resultados foram obtidos no mercado brasileiro sendo este o definido para a
simulaccedilatildeo O mercado emergente escolhido para a simulaccedilatildeo foi devido agrave expectativa
de que o modelo tenha melhor desempenho neste cenaacuterio
No capiacutetulo 7 desenvolvemos duas estrateacutegias de negociaccedilatildeo baseadas no modelo
apresentado no capiacutetulo 5 Em ambas as estrateacutegias se o modelo envia um sinal
natildeo neutro as operaccedilotildees satildeo abertas de acordo com a tendecircncia do preccedilo prevista
(alta ou baixa) No modelo de operaccedilatildeo 1 (MO1) as operaccedilotildees satildeo fechadas a cada
passo de tempo (cada candle) com ordens a mercado No modelo de operaccedilatildeo 2
(MO2) as operaccedilotildees satildeo fechadas de acordo com os valores dos stops defindos
nas equaccedilotildees 48 e 49 Ambos os modelos de negociaccedilatildeo apresentaram custos de
processamento baixos sendo possiacutevel a execuccedilatildeo em frequecircncias de dados menores
Para quantificar o efeito dos custos operacionais as estrateacutegias foram simuladas sem
considerar taxas e tambeacutem aplicando taxas operacionais
O modelo de operaccedilatildeo 1 quando executado aplicando taxas natildeo obteve um retorno
financeiro satisfatoacuterio Sendo um modelo de operaccedilatildeo baseado em negociaccedilotildees de
curta duraccedilatildeo o ganho proveniente da acuraacutecia alcanccedilada eacute pequeno em relaccedilatildeo agraves
taxas Poreacutem este modelo foi importante para a anaacutelise estatiacutestica dos dados nos
periacuteodos utilizados na simulaccedilatildeo Tambeacutem foi um modelo importante para a anaacutelise
das acuraacutecias e o retorno acumulado De fato que as acuraacutecias por si soacute natildeo satildeo
bons indicadores de sucesso de um modelo Outras variaacuteveis devem ser levadas em
consideraccedilatildeo tais como liquidez volume e volatilidade do ativo
O MO1 eacute mais controlaacutevel pois conhecendo as acuraacutecias o retorno meacutedio do ativo
e as taxas praticadas no mercado eacute possiacutevel definir em qual niacutevel o modelo se
torna rentaacutevel A partir deste ponto o risco eacute menor uma vez que nesta estrateacutegia
100
desfazemos as posiccedilotildees a cada passo de tempo natildeo ficando expostos a grandes
oscilaccedilotildees do mercado O valor financeiro investido para se manter alocado nas
posiccedilotildees tambeacutem eacute menor A desvantagem eacute em relaccedilatildeo ao elevado nuacutemero de
operaccedilotildees realizadas gerando altas taxas operacionais
Dessa maneira concluiacutemos que o MO1 natildeo gera bons resultados no cenaacuterio de taxas
e acuraacutecias que apresentamos Contudo para taxas menores e acuraacutecias maiores
pode constituir-se um modelo interessante devido ao baixo risco que apresenta bem
como ao reduzido capital necessaacuterio
O modelo de operaccedilatildeo 2 apresentou um retorno financeiro interessante mesmo no
contexto real considerando os custos operacionais da Bovespa o modelo ainda
apresentou resultados consistentes nos periacuteodos analisados (resultados positivos
em cinco quadrimestres e negativo em apenas um) Estes resultados nos sugerem
indiacutecios em direccedilatildeo a desvios da hipoacutetese de mercado eficiente A vantagem do MO2
eacute o nuacutemero reduzido de operaccedilotildees Como mitigaccedilatildeo do risco deste modelo podemos
considerar o fato de trabalharmos com uma carteira diversificada de accedilotildees (10 accedilotildees
mais negociadas na Bovespa nos anos de 2017 e 2018) Tambeacutem como amenizaccedilatildeo
de risco podemos considerar a escolha de valores de stop loss pequenos em relaccedilatildeo
aos preccedilos das accedilotildees Assim os valores das perdas maacuteximas por operaccedilatildeo satildeo
significativamente menores que os valores das accedilotildees limitando as perdas caso a
operaccedilatildeo seja fechada com stop loss (ver tabela 23)
Diante dos resultados o modelo de operaccedilatildeo 2 apresentou maiores ganhos e se apre-
sentou como uma alternativa promissora como estrateacutegia de operaccedilatildeo em mercados
reais Poreacutem apesar de MO2 ter se mostrado mais rentaacutevel durante a simulaccedilatildeo natildeo
podemos afirmar que pode ser utilizado como ferramenta de decisatildeo para operaccedilotildees
em mercado real O modelo deve ser submetido em outros intervalos em outras situa-
ccedilotildees de mercado e tambeacutem levando em consideraccedilatildeo outras variaacuteveis para que se
possa obter consistecircncia estabilidade e com isso aumentar os retornos financeiros
Assim este trabalho natildeo tem por finalidade apresentar uma ferramenta de negociaccedilatildeo
finalizada para ser aplicada no mercado real
Durante o trabalho detectamos resiacuteduos de ineficiecircncia nas seacuteries de preccedilos ana-
lisadas Estes resiacuteduos possibilitam oportunidades de arbitragem Isto nos levou a
acreditar que eacute possiacutevel fazer inferecircncia do preccedilo futuro baseando-se em dados passa-
dos Assim os resultados aqui apresentados apontam na direccedilatildeo de explicitar desvios
da Hipoacutetese de Mercado Eficiente no mercado brasileiro Dadas estas oportunidades
e a importacircncia do tema estudado considera-se que muito haacute ainda que percorrer no
campo da investigaccedilatildeo nesta aacuterea sendo portanto um campo feacutertil para trabalhos
futuros
101
81 Trabalhos Futuros
Dentre as inuacutemeras possibilidades de futuras investigaccedilotildees destacamos as seguintes
propostas
ndash Ateacute este ponto do trabalho sugerimos que nossos dados podem ser descritos
por um modelo de regressatildeo multidimensional Poreacutem eacute preciso testar a ade-
quaccedilatildeo do modelo como tal com rigor estatiacutestico Lembremos que a violaccedilatildeo
das premissas natildeo invalida o modelo pois ateacute o momento estamos interessados
principalmente nos resultados de acerto de previsatildeo de tendecircncia
ndash Utilizar teacutecnicas de otimizaccedilatildeo para auxiliar na escolha de paracircmetros oacutetimos
para aplicar ao modelo de previsatildeo
ndash Calcular valores de stop gain e stop loss por meio de teacutecnicas de otimizaccedilatildeo
ndash Desenvolver um modelo de controle de risco com criteacuterios de otimizaccedilatildeo de
carteiras para minimizar o risco das estrateacutegias
ndash Utilizar o modelo em combinaccedilatildeo com outros indicadores
ndash Testar o modelo em negociaccedilatildeo de contratos em ambiente de mercados futuros
tais como commodities (agriacutecola1 mineral2) moedas (doacutelar e euro) e iacutendices
(Bovespa e SampP 500)
1Soja milho trigo e cafeacute2Petroacuteleo mineacuterio de ferro e ouro
102
Referecircncias
AGUIRRE L Introduccedilatildeo agrave Identificaccedilatildeo de Sistemas ndash Teacutecnicas Lineares e Natildeo-Lineares Aplicadas a Sistemas Reais Editora UFMG 2007 ISBN 9788570415844Disponiacutevel em lthttpsbooksgooglecombrbooksid=f9IwE7Ph0fYCgt Citado 3vezes nas paacuteginas 8 31 e 113
AL-KHAZALI O M PYUN C S KIM D Are exchange rate movements predictablein asia-pacific markets evidence of random walk and martingale difference processesInternational Review of Economics amp Finance Elsevier v 21 n 1 p 221ndash2312012 Citado 2 vezes nas paacuteginas 1 e 14
ALLEZ R BOUCHAUD J-P Individual and collective stock dynamics intra-dayseasonalities New Journal of Physics IOP Publishing v 13 n 2 p 025010 2011Citado na paacutegina 5
ALONSO-RIVERA A CRUZ-AKEacute S VENEGAS-MARTIacuteNEZ F Impact of monetarypolicy on financial markets efficiency and speculative bubbles A non-linear entropy-based approach 2014 Citado na paacutegina 14
ANATOLYEV S GOSPODINOV N Modeling financial return dynamics via decompo-sition Journal of Business amp Economic Statistics Taylor amp Francis 2012 Citadona paacutegina 4
ATSALAKIS G K V Surveying stock market forecasting techniques - part i Conven-tional methods Computation optimization in economics and finance researchcompendium p 49ndash104 01 2013 Citado 2 vezes nas paacuteginas 4 e 17
ATSALAKIS G S VALAVANIS K P Surveying stock market forecasting techniquesndashpart ii Soft computing methods Expert Systems with Applications Elsevier v 36n 3 p 5932ndash5941 2009 Citado 2 vezes nas paacuteginas 4 e 17
BARKOULAS J T BAUM C F Long-term dependence in stock returns EconomicsLetters Elsevier v 53 n 3 p 253ndash259 1996 Citado 2 vezes nas paacuteginas 1 e 14
BELAIRE-FRANCH J OPONG K K Testing for random walk in euro exchange ratesusing the subsampling approach Applied Economics Letters Taylor amp Francis v 17n 12 p 1145ndash1151 2010 Citado 2 vezes nas paacuteginas 1 e 14
BMampFBOVESPA Metodologia do iacutendice Bovespa 2015 Disponiacutevel em lthttpwwwb3combrpt_brmarket-data-e-indicesindicesindices-amplosibovespahtmgt Citadona paacutegina 21
BMampFBOVESPA Taxa meacutedia de crescimento Ibovespa 2019 Disponiacute-vel em lthttpwwwb3combrpt_brmarket-data-e-indicesindicesindices-amplosindice-ibovespa-ibovespa-estatisticas-historicashtmgt Citado 2 vezes nas paacuteginas89 e 121
BMampFBOVESPA Histoacuterico pessoas fiacutesicas 2020 Disponiacutevel em lthttpwwwb3combrpt_brmarket-data-e-indicesservicos-de-dadosmarket-dataconsultasmercado-a-vistahistorico-pessoas-fisicasgt Citado na paacutegina 2
103
BMampFBOVESPA Negociaccedilatildeo- Segmento BMampFBOVESPA 2020 Dis-poniacutevel em lthttpwwwb3combrpt_brregulacaoestrutura-normativaregulamentos-e-manuaisnegociacaohtmgt Citado na paacutegina 21
BORDO M D LANDON-LANE J Does expansionary monetary policy causeasset price booms some historical and empirical evidence [Sl] 2013 Citadona paacutegina 14
BRUNNERMEIER M K Information leakage and market efficiency Review of Finan-cial Studies Soc Financial Studies v 18 n 2 p 417ndash457 2005 Citado 3 vezesnas paacuteginas 1 2 e 14
CAGINALP G Does the market have a mind of its own and does it get carried awaywith excess cash The Journal of Psychology and Financial Markets Taylor ampFrancis v 3 n 2 p 72ndash75 2002 Citado na paacutegina 19
CAGINALP G DESANTIS M A paradigm for quantitative behavioral finance Ameri-can Behavioral Scientist Sage Publications v 55 n 8 p 1014ndash1034 2011 Citado3 vezes nas paacuteginas 1 14 e 19
CAGINALP G ERMENTROUT G A kinetic thermodynamics approach to the psycho-logy of fluctuations in financial markets Applied Mathematics Letters v 3 n 4 p17 ndash 19 1990 ISSN 0893-9659 Citado 2 vezes nas paacuteginas 2 e 16
CAGINALP G PORTER D SMITH V Momentum and overreaction in experimentalasset markets International Journal of Industrial Organization Elsevier v 18 n 1p 187ndash204 2000 Citado na paacutegina 19
CAJUEIRO D O TABAK B M The hurst exponent over time testing the assertionthat emerging markets are becoming more efficient Physica A Statistical Mechanicsand its Applications Elsevier v 336 n 3 p 521ndash537 2004 Citado 6 vezes naspaacuteginas 1 5 14 17 19 e 52
CARBONE A CASTELLI G STANLEY H E Time-dependent hurst exponentin financial time series Physica A Statistical Mechanics and its ApplicationsElsevier v 344 n 1-2 p 267ndash271 2004 Citado 2 vezes nas paacuteginas 16 e 19
CHARLES A DARNEacute O KIM J H Exchange-rate return predictability and theadaptive markets hypothesis Evidence from major foreign exchange rates Journal ofInternational Money and Finance Elsevier v 31 n 6 p 1607ndash1626 2012 Citado2 vezes nas paacuteginas 1 e 14
CHEN P-w HUANG H-c SU Y-c The central bank in market efficiency The caseof taiwan Pacific-Basin Finance Journal Elsevier v 29 p 239ndash260 2014 Citadona paacutegina 14
CHEN Z et al Effect of nonstationarities on detrended fluctuation analysis Physicalreview E Statistical nonlinear and soft matter physics v 65 p 041107 05 2002Citado na paacutegina 48
CHEVAPATRAKUL T Return sign forecasts based on conditional risk Evidence fromthe uk stock market index Journal of Banking amp Finance Elsevier v 37 n 7 p2342ndash2353 2013 Citado na paacutegina 4
104
CHORDIA T ROLL R SUBRAHMANYAM A Liquidity and market efficiency Jour-nal of Financial Economics Elsevier v 87 n 2 p 249ndash268 2008 Citado 3 vezesnas paacuteginas 1 2 e 14
CHOUDHRY T JAYASEKERA R Comparison of efficiency characteristics betweenthe banking sectors of us and uk during the global financial crisis of 2007ndash2011International Review of Financial Analysis Elsevier v 25 p 106ndash116 2012 Citado2 vezes nas paacuteginas 1 e 14
CHOUDHRY T JAYASEKERA R Market efficiency during the global financial crisisEmpirical evidence from european banks Journal of international Money andFinance Elsevier v 49 p 299ndash318 2014 Citado 2 vezes nas paacuteginas 1 e 14
CHUNG D HRAZDIL K Liquidity and market efficiency A large sample studyJournal of Banking amp Finance Elsevier v 34 n 10 p 2346ndash2357 2010 Citado 2vezes nas paacuteginas 2 e 14
COHEN J Statistical power analysis for the behavioral sciences [Sl] New YorkAcademic Press 1977 Citado 2 vezes nas paacuteginas 52 e 62
CURME C STANLEY H E VODENSKA I Coupled network approach to predic-tability of financial market returns and news sentiments International Journal ofTheoretical and Applied Finance World Scientific v 18 n 07 p 1550043 2015Citado 2 vezes nas paacuteginas 1 e 14
FAN Y et al The effect of investor psychology on the complexity of stock market Ananalysis based on cellular automaton model Computers amp Industrial EngineeringElsevier v 56 n 1 p 63ndash69 2009 Citado na paacutegina 16
FENG L et al Linking agent-based models and stochastic models of financial marketsProceedings of the National Academy of Sciences National Acad Sciences v 109n 22 p 8388ndash8393 2012 Citado na paacutegina 1
GARCIA M et al Forecast model for financial time series An approach basedon harmonic oscillators Physica A Statistical Mechanics and its ApplicationsElsevier p 124365 2020 Citado 2 vezes nas paacuteginas 17 e 88
GRECH D MAZUR Z Can one make any crash prediction in finance using thelocal hurst exponent idea Physica A Statistical Mechanics and its ApplicationsElsevier v 336 n 1 p 133ndash145 2004 Citado 2 vezes nas paacuteginas 1 e 14
HEALY P M PALEPU K G Information asymmetry corporate disclosure and thecapital markets A review of the empirical disclosure literature Journal of accountingand economics Elsevier v 31 n 1 p 405ndash440 2001 Citado 3 vezes nas paacuteginas1 2 e 14
HOMMES C KOPAacuteNYI-PEUKER A SONNEMANS J Bubbles crashes and infor-mation contagion in large-group asset market experiments Experimental EconomicsSpringer p 1ndash20 2020 Citado na paacutegina 16
HU K et al Effect of trends on detrended fluctuation analysis Phys Rev E AmericanPhysical Society v 64 p 011114 Jun 2001 Disponiacutevel em lthttpslinkapsorgdoi101103PhysRevE64011114gt Citado na paacutegina 48
105
KAHNEMAN D et al Noise How to overcome the high hidden cost of inconsistentdecision making Harvard Business Review v 94 p 38ndash46 2016 Citado na paacutegina16
KAHNEMAN D TVERSKY A Prospect theory An analysis of decision under riskEconometrica Journal of the econometric society JSTOR v 47 n 2 p 263ndash2911979 Citado 3 vezes nas paacuteginas 2 14 e 15
KATUSIIME L SHAMSUDDIN A AGBOLA F W Foreign exchange market effici-ency and profitability of trading rules Evidence from a developing country Internatio-nal Review of Economics amp Finance Elsevier v 35 p 315ndash332 2015 Citado 2vezes nas paacuteginas 1 e 14
LAZAR D TODEA A FILIP D Martingale difference hypothesis and financial crisisEmpirical evidence from european emerging foreign exchange markets EconomicSystems Elsevier v 36 n 3 p 338ndash350 2012 Citado 2 vezes nas paacuteginas 1 e 14
LIM K-P BROOKS R D KIM J H Financial crisis and stock market efficiencyEmpirical evidence from asian countries International Review of Financial AnalysisElsevier v 17 n 3 p 571ndash591 2008 Citado na paacutegina 14
LIU S Transaction costs and market efficiency Evidence from commission deregu-lation The Quarterly Review of Economics and Finance Elsevier v 50 n 3 p352ndash360 2010 Citado na paacutegina 14
MALKIEL B G FAMA E F Efficient capital markets A review of theory and empiricalwork The journal of Finance Wiley Online Library v 25 n 2 p 383ndash417 1970Citado na paacutegina 1
MANTEGNA R N STANLEY H E Introduction to econophysics correlationsand complexity in finance [Sl] Cambridge university press 1999 Citado 2 vezesnas paacuteginas 13 e 14
MEI D et al Forecasting stock market volatility Do realized skewness and kurtosishelp Physica A Statistical Mechanics and its Applications v 481 p 153ndash1592017 Citado na paacutegina 18
MERKLE C MUumlLLER-DETHARD J WEBER M Closing a mental account Therealization effect for gains and losses Experimental Economics Springer p 1ndash272020 Citado na paacutegina 16
MONTGOMERY D C Design and analysis of experiments [Sl] John Wiley ampSons 2008 Citado na paacutegina 42
NAMETALA C et al Uma estrateacutegia automatizada de investimento por meio de redesneurais artificiais e preditores economeacutetricos In Anais Principais do XII SimpoacutesioBrasileiro de Sistemas de Informaccedilatildeo Porto Alegre RS Brasil SBC 2016 p 152ndash159 ISSN 0000-0000 Disponiacutevel em lthttpssolsbcorgbrindexphpsbsiarticleview5957gt Citado 2 vezes nas paacuteginas 2 e 18
NELSON D M PEREIRA A C OLIVEIRA R A de Stock marketrsquos price movementprediction with lstm neural networks In IEEE 2017 International joint conferenceon neural networks (IJCNN) [Sl] 2017 p 1419ndash1426 Citado na paacutegina 18
106
NTIM C G et al On the efficiency of the global gold markets International Reviewof Financial Analysis Elsevier v 41 p 218ndash236 2015 Citado 2 vezes nas paacuteginas1 e 14
NYBERG H Forecasting the direction of the us stock market with dynamic binaryprobit models International Journal of Forecasting Elsevier v 27 n 2 p 561ndash5782011 Citado na paacutegina 4
OLIVEIRA F A de NOBRE C N ZARATE L E Applying artificial neural networksto prediction of stock price and improvement of the directional prediction indexndashcasestudy of petr4 petrobras brazil Expert Systems with Applications Elsevier v 40n 18 p 7596ndash7606 2013 Citado na paacutegina 17
PASQUARIELLO P ZAFEIRIDOU C Political uncertainty and financial market qualityRoss School of Business Paper n 1232 2014 Citado na paacutegina 14
PENG C-K et al Mosaic organization of dna nucleotides Phys Rev E AmericanPhysical Society v 49 p 1685ndash1689 Feb 1994 Citado na paacutegina 48
PODOBNIK B et al Fractionally integrated process for transition economics PhysicaA Statistical Mechanics and its Applications Elsevier v 362 n 2 p 465ndash4702006 Citado 2 vezes nas paacuteginas 1 e 14
POumlNKAuml H Predicting the direction of us stock markets using industry returns Empiri-cal Economics Springer p 1ndash30 2014 Citado na paacutegina 4
RAFFERTY M TOMLJANOVICH M Central bank transparency and market efficiencyAn econometric analysis Journal of Economics and Finance Springer v 26 n 2p 150ndash161 2002 Citado na paacutegina 14
RECHENTHIN M STREET W N Using conditional probability to identify trends inintra-day high-frequency equity pricing Physica A Statistical Mechanics and itsApplications Elsevier v 392 n 24 p 6169ndash6188 2013 Citado na paacutegina 17
RESENDE C C de et al Investigating market efficiency through a forecasting modelbased on differential equations Physica A Statistical Mechanics and its Applica-tions v 474 n C p 199ndash212 2017 Citado 6 vezes nas paacuteginas 1 8 10 28 31e 35
ROSS S A Information and volatility The no-arbitrage martingale approach to timingand resolution irrelevancy The Journal of Finance Wiley Online Library v 44 n 1 p1ndash17 1989 Citado 3 vezes nas paacuteginas 1 2 e 14
SAMUELSON P A Proof that properly anticipated prices fluctuate randomly[Sl sn] 1965 41ndash45 p Citado 2 vezes nas paacuteginas 1 e 13
SHARMA C BANERJEE K A study of correlations in the stock market PhysicaA Statistical Mechanics and its Applications Elsevier v 432 p 321ndash330 2015Citado na paacutegina 14
SHILLER R J Do stock prices move too much to be justified by subsequentchanges in dividends [Sl] National Bureau of Economic Research CambridgeMass USA 1980 421ndash436 p Citado na paacutegina 1
SHILLER R J FISCHER S FRIEDMAN B M Stock prices and social dynamicsBrookings papers on economic activity JSTOR v 1984 n 2 p 457ndash510 1984Citado 2 vezes nas paacuteginas 2 e 14
107
TVERSKY A KAHNEMAN D Loss Aversion in Riskless Choice A Reference-Dependent Model The Quarterly Journal of Economics v 106 n 4 p 1039ndash106111 1991 ISSN 0033-5533 Disponiacutevel em lthttpsdoiorg1023072937956gt Citado2 vezes nas paacuteginas 15 e 16
ZUNINO L et al Inefficiency in latin-american market indices The European PhysicalJournal B Springer v 60 n 1 p 111ndash121 2007 Citado 3 vezes nas paacuteginas 1 5e 14
108
Apecircndices
APEcircNDICE A ndash Estimaccedilatildeo da matriz
de coeficientes pelo meacutetodo dos
miacutenimos quadrados
Seja a relaccedilatildeo
x (t) = Ax (tminus 1) (52)
onde
x (t) =
X1 (t)
X2 (t)
Xn (t)
e A =
a11 a12 middot middot middot a1n
a21 a22 middot middot middot a2n
an1 an2 middot middot middot ann
(53)
Esta equaccedilatildeo pode ser escrita na forma
Xi (t) =(ai1 ai2 middot middot middot ain
)
X1 (tminus 1)
X2 (tminus 1)
Xn (tminus 1)
i = 1 2 middot middot middot n (54)
ou equivalentemente
Xi (t) =(X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
)
ai1
ai2
ain
(55)
110
Consideremos muacuteltiplas observaccedilotildees para cada Xi (t)
Xi (t) =(X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
)
ai1
ai2
ain
Xi (tminus 1) =(X1 (tminus 2) X2 (tminus 2) middot middot middot Xn (tminus 2)
)
ai1
ai2
ain
Xi (tminusN + 1) =(X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
)
ai1
ai2
ain
(56)
Observe que estamos assumindo que o vetor de paracircmetros natildeo muda dentro da
faixa de tempos analisada Estas equaccedilotildees podem ser escritas na formaXi (tminusN + 1)
Xi (tminus 1)
Xi (t)
=
X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
middot middot middot
X1 (tminus 2) X2 (tminus 2) Xn (tminus 2)
X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
ai1
ai2
ain
(57)
Se N gt n temos para cada valor fixo de i mais equaccedilotildees que valores de aij
(j = 1 2 middot middot middot n) para estimar Eacute natural entatildeo que ao estimarmos os paracircmetros aijcometamos erros Definindo os vetores de paracircmetros estimados e de erros (resiacuteduos)
na forma
ai=
ai1
ai2
ain
e ξi =
ξi (t)
ξi (tminus 1)
ξi (tminusN + 1)
i = 1 2 middot middot middot n (58)
respectivamente a relaccedilatildeo (57) torna-se
111
Xi (tminusN + 1)
Xi (tminus 1)
Xi (t)
=
X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
middot middot middot
X1 (tminus 2) X2 (tminus 2) Xn (tminus 2)
X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
ai1
ai2
ain
+
ξi (tminusN + 1)
ξi (tminus 1)
ξi (t)
(59)
Numa forma compacta
yi = Xai + ξi (60)
onde
yi =
Xi (tminusN + 1)
Xi (tminus 1)
Xi (t)
X=
X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
middot middot middot
X1 (tminus 2) X2 (tminus 2) Xn (tminus 2)
X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
e i = 1 2 middot middot middot n
Calculando a transposta em ambos os lados da equaccedilatildeo (59) encontramos
(Xi (tminusN + 1) middot middot middot Xi (t)
)=
(ai1 ai2 middot middot middot ain
)
X1 (tminusN) middot middot middot X1 (tminus 1)
X2 (tminusN) middot middot middot X2 (tminus 1)
Xn (tminusN) middot middot middot Xn (tminus 1)
+(ξi (tminusN + 1) middot middot middot ξi (t)
) (61)
112
Agregando as equaccedilotildees acima vaacutelidas para i = 1 2 middot middot middot n chegamos aX1 (tminusN + 1) middot middot middot X1 (t)
X2 (tminusN + 1) middot middot middot X2 (t)
Xn (tminusN + 1) middot middot middot Xn (t)
=
a11 middot middot middot a1n
a21 middot middot middot a2n
an1 middot middot middot ann
X1 (tminusN) middot middot middot X1 (tminus 1)
X2 (tminusN) middot middot middot X2 (tminus 1)
Xn (tminusN) middot middot middot Xn (tminus 1)
+
ξ1 (tminusN + 1) middot middot middot ξ1 (t)
ξ2 (tminusN + 1) middot middot middot ξ2 (t)
ξn (tminusN + 1) middot middot middot ξn (t)
(62)
Explicitando a matriz de erros
ξ1 (tminusN + 1) middot middot middot ξ1 (t)
ξ2 (tminusN + 1) middot middot middot ξ2 (t)
ξn (tminusN + 1) middot middot middot ξn (t)
=
X1 (tminusN + 1) middot middot middot X1 (t)
X2 (tminusN + 1) middot middot middot X2 (t)
Xn (tminusN + 1) middot middot middot Xn (t)
(63)
minus
a11 middot middot middot a1n
a21 middot middot middot a2n
an1 middot middot middot ann
X1 (tminusN) middot middot middot X1 (tminus 1)
X2 (tminusN) middot middot middot X2 (tminus 1)
Xn (tminusN) middot middot middot Xn (tminus 1)
Notemos que para i fixo os resiacuteduos ξi (τ) (τ = t tminus 1 middot middot middot tminusN + 1) soacute dependem
dos coeficientes aij (j = 1 2 middot middot middot n) Assim podemos encontrar os valores dos aijque minimizam a soma dos quadrados dos ξi (τ)
Si =tsum
τ=tminusN+1
(ξi (τ))2 (64)
para cada valor de i de forma independente A soma dos quadrados de todos os
resiacuteduos
S =nsumi=1
Si (65)
seraacute minimizada utilizando-se os aij calculados para todos os valores de i Buscare-
mos entatildeo a minimizaccedilatildeo dos Si separadamente Conforme descrito em (AGUIRRE
2007) a matriz que realiza essa minimizaccedilatildeo eacute dada pela equaccedilatildeo
ai =(XTX
)minus1XTyi (66)
113
Definindo a matriz
M =(XTX
)minus1XT =
M11 M12 middot middot middot M1N
M21 M22 middot middot middot M2N
Mn1 Mn2 middot middot middot MnN
(67)
podemos escreverai1
ai2
ain
=
M11 M12 middot middot middot M1N
M21 M22 middot middot middot M2N
Mn1 Mn2 middot middot middot MnN
Xi (tminusN + 1)
Xi (tminus 1)
Xi (t)
i = 1 2 middot middot middot n
(68)
relaccedilatildeo que pode ser colocada na formaa11 middot middot middot an1
a12 middot middot middot an2
a1n middot middot middot ann
=
M11 middot middot middot M1N
M21 middot middot middot M2N
Mn1 middot middot middot MnN
X1 (tminusN + 1) middot middot middot Xn (tminusN + 1) middot middot middot
X1 (tminus 1) Xn (tminus 1)
X1 (t) middot middot middot Xn (t)
(69)
Observe que a matriz representada no lado esquerdo da equaccedilatildeo acima eacute a matriz
transposta da matriz A correspondente ao valor estimado para A que minimiza a
soma dos quadrados dos resiacuteduos Definamos
XN (t) =
X1 (tminusN + 1) middot middot middot X1 (tminus 1) X1 (t)
X2 (tminusN + 1) middot middot middot X2 (tminus 1) X2 (t)
Xn (tminusN + 1) middot middot middot Xn (tminus 1) Xn (t)
(70)
para escrevermos a equaccedilatildeo (69) como
AT =(XTX
)minus1XTXT
N (t) (71)
Observando que
X= XTN (tminus 1) (72)
obtemos a seguinte expressatildeo para A
A =(XN (t) XT
N (tminus 1)) (
XN (tminus 1) XTN (tminus 1)
)minus1 (73)
114
APEcircNDICE B ndash Tabelas lotes padratildeo
das accedilotildees
Tabela 24 ndash Tabela da quantidade de accedilotildees que compotildeem o lote padratildeo de negociaccedilatildeo nomercado real e na plataforma de simulaccedilatildeo no ano de 2017
Empresa Coacutedigo de negociaccedilatildeo Lote na plataforma Lote BovespaVale on VALE3 100 100Itauacute pn ITUB4 150 100Vale pn VALE5 100 100
Bradesco pn BBDC4 145 100Fundo Ibovespa BOVA11 10 10
Ambev on ABEV3 100 100Petrobras pn PETR4 100 100
Cielo on CIEL3 120 100Petrobras on PETR3 100 100
Banco do Brasil on BBAS3 100 100Nota Apresentamos o lote padratildeo de negociaccedilatildeo definido no mercado real e tambeacutem naplataforma de simulaccedilatildeo As informaccedilotildees satildeo referentes agraves 10 accedilotildees com maior liquidez noano de 2017 Os dados destacados na cor azul referem-se agraves accedilotildees que natildeo compotildeem alista das 10 accedilotildees com maior liquidez no ano de 2018 Jaacute os dados em destaque na cor
verde referem-se agraves accedilotildees que tecircm o lote padratildeo de negociaccedilatildeo no mercado real diferentedo lote de negociaccedilatildeo definido na plataforma O coacutedigo pn eacute referente as accedilotildees
preferencias e on as accedilotildees ordinaacuterias das empresas Os dados de negociaccedilatildeo das accedilotildeesestatildeo disponiacuteveis em lthttpwwwb3combrpt_brmarket-data-e-indices
servicos-de-dadosmarket-dataconsultasmercado-a-vistalotes-de-negociacaogt
115
Tabela 25 ndash Tabela da quantidade de accedilotildees que compotildeem o lote padratildeo de negociaccedilatildeo nomercado real e na plataforma de simulaccedilatildeo no ano de 2018
Empresa Coacutedigo de negociaccedilatildeo Lote na plataforma Lote BovespaVale on VALE3 100 100Itauacute pn ITUB4 150 100B3 on B3SA3 100 100
Bradesco pn BBDC4 145 100Fundo Ibovespa BOVA11 10 10
Ambev on ABEV3 100 100Petrobras pn PETR4 100 100
Magazine Luiza on MGLU3 100 100Itauacute on ITUB3 150 100
Banco do Brasil on BBAS3 100 100Nota Apresentamos o lote padratildeo de negociaccedilatildeo definido no mercado real e tambeacutem naplataforma de simulaccedilatildeo As informaccedilotildees satildeo referentes agraves 10 accedilotildees com maior liquidez noano de 2018 Os dados destacados na cor azul referem-se agraves accedilotildees que natildeo compotildeem alista das 10 accedilotildees com maior liquidez no ano de 2017 Jaacute os dados em destaque na cor
verde referem-se agraves accedilotildees que tecircm o lote padratildeo de negociaccedilatildeo no mercado real diferentedo lote de negociaccedilatildeo definido na plataforma O coacutedigo pn eacute referente as accedilotildees
preferencias e on as accedilotildees ordinaacuterias das empresas Os dados de negociaccedilatildeo das accedilotildeesestatildeo disponiacuteveis emlthttpwwwb3combrpt_brmarket-data-e-indices
servicos-de-dadosmarket-dataconsultasmercado-a-vistalotes-de-negociacaogt
116
Anexos
ANEXO A ndash Tabela de accedilotildees que
participaram da carteira teoacuterica do
Ibovespa no primeiro quadrimestre de
2017
118
Tabela 26 ndash Composiccedilatildeo da carteira teoacuterica do Ibovespa no primeiro quadrimestre de 2017
Virada do Ibovespa para Janeiro a Abril de 2017COacuteDIGO ACcedilAtildeO TIPO PARTICIPACcedilAtildeO ()
ITUB4 ITAUUNIBANCO PN EDJ N1 10681BBDC4 BRADESCO PN EJ N1 77402ABEV3 AMBEV SA ON EJ 71825PETR4 PETROBRAS PN 60083PETR3 PETROBRAS ON 45918VALE5 VALE PNA N1 45442VALE3 VALE ON N1 3776BRFS3 BRF SA ON NM 37215BBAS3 BRASIL ON NM 34462ITSA4 ITAUSA PN EJ N1 31492BVMF3 BMFBOVESPA ON EJ NM 29414UGPA3 ULTRAPAR ON NM 27619CIEL3 CIELO ON NM 25919BBSE3 BBSEGURIDADE ON NM 19019KROT3 KROTON ON NM 18728VIVT4 TELEF BRASIL PN EJ 18181JBSS3 JBS ON NM 17712BBDC3 BRADESCO ON EJ N1 16499LREN3 LOJAS RENNER ON NM 14737CCRO3 CCR SA ON NM 13755RADL3 RAIADROGASIL ON NM 12199EMBR3 EMBRAER ON NM 11756CTIP3 CETIP ON EJ NM 11596
SANB11 SANTANDER BR UNT 11399EQTL3 EQUATORIAL ON EJ NM 10802HYPE3 HYPERMARCAS ON NM 10534SBSP3 SABESP ON NM 09795GGBR4 GERDAU PN N1 09264BRKM5 BRASKEM PNA N1 09068LAME4 LOJAS AMERIC PN 0893WEGE3 WEG ON NM 0884PCAR4 PACUCAR-CBD PN N1 08504CPFE3 CPFL ENERGIA ON NM 08192KLBN11 KLABIN SA UNT N2 07869FIBR3 FIBRIA ON NM 07324EGIE3 ENGIE BRASIL ON NM 07139BRML3 BR MALLS PAR ON NM 06907CSNA3 SID NACIONAL ON 06527CMIG4 CEMIG PN EJ N1 06394TIMP3 TIM PART SA ON NM 06333ELET3 ELETROBRAS ON N1 05955CSAN3 COSAN ON NM 05843SUZB5 SUZANO PAPEL PNA N1 05522RENT3 LOCALIZA ON EJ NM 05095ESTC3 ESTACIO PART ON ED NM 04868MULT3 MULTIPLAN ON N2 04651RUMO3 RUMO LOG ON NM 04619QUAL3 QUALICORP ON NM 04229NATU3 NATURA ON NM 03964BRAP4 BRADESPAR PN EJ N1 03292ENBR3 ENERGIAS BR ON EJ NM 03119MRVE3 MRV ON NM 03022GOAU4 GERDAU MET PN N1 02877CPLE6 COPEL PNB N1 02765SMLE3 SMILES ON EJ NM 02552CYRE3 CYRELA REALT ON NM 02516MRFG3 MARFRIG ON NM 021USIM5 USIMINAS PNA N1 01975ECOR3 ECORODOVIAS ON NM 0164
Adaptado do site BMampFBOVESPA
119
ANEXO B ndash Tabela de accedilotildees que
participaram da carteira teoacuterica do
Dow Jones no primeiro quadrimestre
de 2017
Tabela 27 ndash Composiccedilatildeo do iacutendice Dow Jones no primeiro quadrimestre de 2017
NUacuteMERO ACcedilAtildeO COacuteDIGO PARTICIPACcedilAtildeO ()1 Boeing BA 7282 Goldman Sachs GS 7183 3M MMM 6414 UnitedHealth Group UNH 6055 Apple AAPL 5006 Home Depot HD 4827 McDonalds MCD 4818 IBM IBM 4409 Johnson amp Johnson JNJ 414
10 Travelers TRV 40411 United Technologies UTX 36412 Caterpillar CAT 35513 Chevron CVX 34414 Disney DIS 31915 Visa A V 31416 JPMorgan Chase JPM 29117 Procter amp Gamble PG 28618 American Express AXP 26619 Wal Mart WMT 25320 Dupont DD 25321 ExxonMobil XOM 24922 Microsoft MSFT 22523 Merck MRK 19424 NIKE B NKE 18625 Verizon Communications VZ 15026 Coca-Cola KO 14227 Intel INTC 11428 Pfizer PFE 10429 Cisco Systems CSCO 09830 General Electric GE 080
Adaptado do site wwwindexarbcom
120
ANEXO C ndash Tabela das taxas anuais
de crescimento do Ibovespa
Reproduzimos neste anexo a tabela das taxas anuais de crescimento do Ibovespa
desde o ano de 1968 A taxa de crescimento refere-se agrave taxa meacutedia de variaccedilatildeo do
iacutendice composta anualmente entre dois periacuteodos disponiacutevel em (BMampFBOVESPA
2019)
121
TX
_M
ED
IA_1968
TA
XA
MEacute
DIA
DE
CR
ES
CIM
EN
TO
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
IBO
VE
SP
A
AN
UA
L
1968
00
0000000021
1969
1647
00
0000000055
1970
1023
546
00
0000000085
1971
1058
815
1130
00
0000000181
1972
484
223
88
(444
)00
0000000101
1973
384
177
75
(237
)48
00
0000000105
1974
381
212
141
(74
)196
365
00
0000000144
1975
376
234
180
18
245
357
349
00
0000000194
1976
359
235
190
59
244
317
294
240
00
0000000241
1977
364
256
219
111
275
340
331
322
410
00
0000000340
1978
328
230
196
101
234
275
253
222
214
45
00
0000000355
1979
348
260
232
150
276
319
310
301
321
279
566
00
0000000556
1980
356
276
252
180
296
336
331
328
350
331
503
442
00
0000000801
1981
404
332
314
252
370
417
424
437
480
499
690
756
1138
00
0000001714
1982
420
353
338
283
395
440
450
465
506
526
677
716
872
639
00
0000002808
1983
601
544
544
503
646
722
767
827
931
1035
1325
1567
2111
2753
7593
00
0000024133
1984
728
679
689
659
817
911
976
1062
1197
1340
1677
1980
2573
3241
5822
4415
00
00001307
1985
839
798
816
796
965
1071
1151
1253
1408
1574
1928
2250
2824
3423
5157
4212
4016
00
00006555
1986
813
773
788
767
919
1011
1077
1160
1283
1408
1673
1886
2239
2520
3261
2373
1662
412
00
0000926
1987
785
746
758
737
875
954
1009
1076
1176
1273
1478
1624
1858
2000
2385
1682
1122
380
349
00
0001249
1988
1042
1015
1044
1039
1212
1325
1415
1526
1680
1841
2140
2392
2775
3095
3770
3240
2989
2696
4978
25
495
00
0033082
1989
1269
1252
1296
1306
1507
1648
1768
1913
2111
2323
2692
3022
3508
3949
4795
4426
4429
4537
7731
21
214
17
625
00
061615
1990
1330
1316
1364
1376
1576
1716
1836
1980
2172
2376
2723
3028
3464
3844
4547
4210
4177
4210
6220
11
630
7720
3083
00
25157
1991
1580
1577
1640
1669
1898
2067
2216
2396
2632
2886
3299
3676
4204
4688
5532
5312
5451
5728
8193
13
853
11
248
8932
23
159
06
0777
1992
1742
1746
1819
1857
2100
2283
2447
2642
2896
3169
3602
4000
4546
5048
5891
5724
5908
6232
8494
13
027
10
965
9324
15
417
10
156
67
805
1993
2092
2112
2209
2269
2557
2781
2989
3236
3554
3900
4432
4937
5619
6273
7328
7302
7706
8327
11
214
16
634
15
255
14
711
23
621
23
855
54
372
3754
52
1994
2254
2281
2385
2454
2753
2988
3208
3467
3797
4155
4696
5208
5890
6539
7561
7558
7959
8556
11
135
15
609
14
366
13
786
19
397
18
277
24
340
10
596
43
539
2
1995
2113
2133
2222
2278
2541
2743
2927
3142
3414
3703
4138
4534
5053
5520
6251
6149
6332
6615
8183
10
671
9381
8418
10
131
8171
7591
2384
(13
)42
990
0
1996
2042
2058
2139
2189
2429
2611
2774
2963
3200
3449
3822
4151
4578
4946
5520
5383
5471
5622
6729
8383
7241
6335
7088
5498
4676
1657
272
638
70
399
4
1997
1966
1978
2051
2093
2313
2476
2620
2786
2993
3206
3526
3801
4153
4444
4897
4741
4767
4834
5637
6784
5794
4989
5326
4060
3320
1283
328
540
448
101
965
0
1998
1821
1828
1889
1922
2115
2253
2373
2510
2680
2852
3112
3326
3599
3811
4146
3973
3943
3937
4480
5224
4385
3692
3774
2787
2163
784
117
164
(18
)(3
35
)67
843
0
1999
1811
1817
1876
1907
2090
2222
2334
2462
2620
2779
3017
3211
3455
3641
3934
3766
3725
3705
4162
4772
4026
3409
3446
2599
2061
890
315
412
344
295
1519
170
916
0
2000
1712
1714
1766
1791
1956
2072
2169
2279
2415
2549
2752
2911
3111
3255
3487
3319
3258
3212
3554
4000
3352
2813
2787
2082
1624
698
232
288
213
144
500
(107
)152
592
0
2001
1622
1621
1666
1686
1836
1939
2024
2119
2236
2350
2524
2657
2822
2935
3121
2956
2883
2822
3084
3420
2852
2377
2320
1722
1327
566
176
211
140
74
260
(109
)(1
10
)135
775
0
2002
1535
1532
1571
1586
1723
1814
1887
1970
2071
2168
2318
2428
2566
2654
2803
2644
2564
2493
2697
2954
2452
2032
1958
1443
1099
459
126
148
82
20
135
(130
)(1
41
)(1
70
)112
684
0
2003
1517
1513
1550
1565
1694
1781
1850
1927
2021
2111
2250
2350
2475
2553
2686
2534
2455
2384
2563
2786
2325
1940
1867
1400
1087
504
199
228
179
139
268
68
134
280
973
222
363
0
2004
1464
1459
1493
1505
1626
1705
1767
1836
1921
2001
2126
2213
2322
2387
2500
2354
2274
2201
2350
2535
2116
1766
1690
1272
990
471
197
222
179
144
253
89
145
245
525
178
261
962
5
2005
1421
1415
1446
1456
1569
1642
1699
1762
1839
1911
2024
2101
2198
2252
2350
2210
2131
2058
2185
2340
1957
1636
1560
1181
924
454
204
228
189
160
256
118
170
253
437
227
277
334
559
4
2006
1383
1376
1405
1413
1520
1587
1640
1697
1768
1833
1936
2005
2091
2137
2223
2089
2011
1939
2048
2182
1829
1532
1457
1110
873
444
214
237
202
178
265
146
195
268
409
260
303
329
444
737
1
2007
1352
1345
1372
1379
1479
1543
1591
1645
1710
1770
1865
1927
2005
2045
2121
1992
1916
1845
1941
2058
1730
1453
1381
1060
841
443
230
252
222
201
283
179
227
294
415
302
346
382
436
638
861
0
2008
1272
1263
1286
1290
1382
1439
1481
1527
1584
1635
1717
1770
1835
1865
1927
1803
1728
1656
1734
1827
1528
1276
1203
913
714
359
166
181
150
126
187
91
119
156
222
110
94
39
(8
1)
(412
)375
503
1
2009
1260
1251
1273
1277
1365
1419
1459
1503
1557
1605
1683
1731
1792
1819
1876
1758
1684
1615
1686
1772
1489
1251
1181
909
720
385
202
219
191
172
234
149
182
224
294
207
212
197
155
36
827
685
884
1
2010
1217
1208
1227
1230
1313
1363
1399
1439
1488
1531
1602
1645
1699
1721
1771
1657
1585
1517
1579
1653
1389
1167
1099
846
670
359
189
204
177
159
214
136
163
199
255
176
176
157
117
28
359
10
693
048
1
2011
1166
1156
1174
1175
1252
1298
1331
1366
1410
1449
1513
1550
1597
1614
1657
1548
1477
1411
1463
1526
1280
1073
1007
772
609
322
163
175
149
130
178
105
127
154
197
124
117
92
50
(29
)148
(90
)(1
81
)567
540
8
2012
1132
1121
1137
1138
1211
1254
1283
1316
1357
1392
1451
1484
1527
1540
1578
1473
1405
1340
1386
1441
1210
1014
951
730
576
307
158
169
144
127
170
103
122
146
184
119
111
89
54
(09
)129
(39
)(6
2)
74
609
520
8
2013
1089
1077
1092
1091
1160
1199
1226
1256
1292
1323
1377
1406
1444
1454
1487
1386
1319
1256
1296
1343
1127
943
881
675
530
279
139
148
124
107
145
82
98
118
148
88
78
55
21
(35
)65
(69
)(9
4)
(47
)(1
55
)515
071
6
2014
1054
1043
1056
1054
1119
1156
1180
1207
1241
1269
1319
1345
1379
1386
1415
1318
1253
1192
1226
1268
1063
890
830
636
499
262
130
138
115
98
133
74
88
105
132
76
67
46
15
(34
)49
(61
)(7
8)
(41
)(9
4)
(29
)500
074
1
2015
1017
1005
1017
1014
1075
1109
1132
1156
1187
1213
1258
1281
1311
1316
1341
1247
1185
1125
1155
1191
998
834
776
593
464
241
116
122
100
84
115
60
72
86
109
57
47
26
(0
3)
(47
)21
(74
)(9
0)
(65
)(1
07
)(8
3)
(133
)433
499
6
2016
1001
989
1000
998
1056
1089
1110
1133
1162
1186
1229
1251
1279
1283
1305
1215
1154
1096
1124
1157
972
815
759
584
461
247
127
134
113
98
129
77
90
104
127
80
72
55
31
(07
)61
(18
)(2
3)
12
(03
)54
97
389
602
272
8
2017
976
964
974
971
1027
1058
1078
1099
1126
1148
1188
1207
1233
1236
1256
1169
1109
1053
1078
1108
932
782
728
561
443
240
125
131
112
97
126
77
89
103
124
80
72
57
35
02
63
(07
)(0
9)
23
13
60
91
224
79
649
840
6
Paacutegin
a 1
Figu
ra22
ndashTa
xas
anua
isde
cres
cim
ento
doIb
oves
pade
sde
1968
122
Resende Charlene Caacutessia deR433m Modelo matemaacutetico-computacional para previsatildeo de tendecircncia de preccedilos
abordagem com muacuteltiplos ativos buscando oportunidades em desvios dahipoacutetese de mercado eficiente Charlene Caacutessia de Resende ndash 2021
122 f
Tese de doutorado apresentada ao Programa de Poacutes-Graduaccedilatildeo emModelagem Matemaacutetica e Computacional
Orientador Arthur Rodrigo Bosco de MagalhatildeesTese (doutorado) ndash Centro Federal de Educaccedilatildeo Tecnoloacutegica de Minas
Gerais
1 Mercado de accedilotildees ndash Modelos matemaacuteticos ndash Teses 2 Equaccedilotildeesdiferenciais ndash Teses4 Financcedilas ndash Teses 5 Futuros financeiros ndash Teses6 Probabilidades ndash Teses 7 Simulaccedilatildeo (Computadores) ndash Teses I MagalhatildeesArthur Rodrigo Bosco de II Centro Federal de Educaccedilatildeo Tecnoloacutegica deMinas Gerais III Tiacutetulo
CDD 53013
Elaboraccedilatildeo da ficha catalograacutefica pela bibliotecaacuteria Jane Marangon Duarte CRB 6o 1592 CefetMG
Agradecimentos
Agradeccedilo a Deus por ter abenccediloado todos os dias da minha vida por iluminar meu caminho
e me dar forccedilas para seguir sempre em frente
Agradeccedilo aos meus pais que muitas vezes se doaram e renunciaram aos seus sonhos para
que eu pudesse realizar os meus Quero dizer que essa conquista natildeo eacute soacute minha mas
nossa Tudo que consegui soacute foi possiacutevel graccedilas ao amor apoio e dedicaccedilatildeo que vocecircs
sempre tiveram por mim Sempre me ensinaram agir com respeito simplicidade dignidade
honestidade e amor ao proacuteximo E graccedilas ao trabalho e perseveranccedila os obstaacuteculos foram
ultrapassados e vitoacuterias foram conquistadas
Meu filho Miguel a quem dedico em especial este trabalho que embora pequeno em idade
foi grande em pensamento sabendo apoiar compreender e permitir a minha ausecircncia em
momentos importantes de sua vida Mesmo diante das dificuldades noacutes conseguimos
A toda minha famiacutelia pelo apoio torcida e confianccedila que sempre depositaram em mim
Ao meu orientador Dr Arthur Rodrigo Bosco de Magalhatildees que me acompanhou ao
longo de toda minha formaccedilatildeo acadecircmica Tenho muito orgulho de citaacute-lo como um dos
maiores responsaacuteveis pela conclusatildeo deste trabalho Agradeccedilo pela confianccedila motivaccedilatildeo
inspiraccedilatildeo amizade e conselhos Um exemplo de dedicaccedilatildeo compreensatildeo e competecircncia
Preocupado natildeo soacute com a realizaccedilatildeo do trabalho mas principalmente com o ser humano
Enfim cumpriu o seu papel de forma brilhante Muitiacutessimo obrigada
Meu agradecimento aos docentes do curso pelos conhecimentos e competecircncias que me
transmitiram ao longo deste percurso acadecircmico Em especial agradeccedilo aos professores
Adriano Rodrigo Joseacute Geraldo Albens Acebal e Giovani pelas valiosas sugestotildees
Aos amigos colegas e funcionaacuterios que fizeram parte desta minha longa passagem pelo
CEFET Em especial Dr Nilmar o grande amigo que ganhei nesta caminhada
Ao Programa de Poacutes Graduaccedilatildeo em Modelagem Matemaacutetica Computacional
Ao CEFET-MG e agrave FAPEMIG pelo apoio financeiro
iii
Os sonhos natildeo determinam o lugar onde vo-cecircs vatildeo chegar mas produzem a forccedila neces-saacuteria para tiraacute-los do lugar em que vocecircs es-tatildeo Sonhem com as estrelas para que vocecircspossam pisar pelo menos na Lua Sonhemcom a Lua para que vocecircs possam pisar pelomenos nos altos montes Sonhem com os al-tos montes para que vocecircs possam ter digni-dade quando atravessarem os vales das per-das e das frustraccedilotildees Bons alunos aprendema matemaacutetica numeacuterica alunos fascinantesvatildeo aleacutem aprendem a matemaacutetica da emo-ccedilatildeo que natildeo tem conta exata e que rompea regra da loacutegica Nessa matemaacutetica vocecirc soacuteaprende a multiplicar quando aprende a di-vidir soacute consegue ganhar quando aprende aperder soacute consegue receber quando aprendea se doar
Sem sonhos a vida natildeo tem brilho Sem me-tas os sonhos natildeo tecircm alicerces Sem priori-dades os sonhos natildeo se tornam reais Sonhetrace metas estabeleccedila prioridades e corrariscos para executar seus sonhos Melhor eacuteerrar por tentar do que errar por se omitir
Augusto Cury
iv
Resumo
A teoria econocircmica claacutessica defende que os mercados satildeo eficientes que os preccedilos cami-
nham em direccedilatildeo a um ponto de equiliacutebrio no longo prazo e que natildeo haacute possibilidades de
arbitragens Para investigar esta Hipoacutetese de Mercado Eficiente (HME) definimos um mo-
delo de previsatildeo de tendecircncias de retornos de ativos financeiros baseado em um sistema
de equaccedilotildees diferenciais lineares acopladas discretizado Neste modelo consideramos que
as relaccedilotildees entre os desvios dos preccedilos das accedilotildees em relaccedilatildeo a um preccedilo considerado
justo traz informaccedilatildeo sobre a dinacircmica dos preccedilos das accedilotildees Tais desvios satildeo calculados
utilizando-se a diferenccedila logariacutetmica entre os preccedilos reais e os preccedilos justos modelados
por uma meacutedia moacutevel exponencial Visando a comparaccedilatildeo entre um mercado emergente e
um desenvolvido aplicamos o modelo para a bolsa de valores brasileira e norte-americana
A consistecircncia do modelo foi investigada comparando-se resultados em quadrimestres
diferentes A relaccedilatildeo entre a acuraacutecia do modelo e o expoente de Hurst foi estudada Paracirc-
metros de execuccedilatildeo do modelo tais como janela de ajuste nuacutemero de accedilotildees e frequecircncia
de amostragem dos dados satildeo explorados com o objetivo de encontrar uma combinaccedilatildeo
que apresente taxas de acuraacutecia relevantes Testes de hipoacuteteses foram aplicados aos
resultados da previsatildeo para investigar se o modelo tem uma taxa de acerto de tendecircncia de
preccedilos diferente de um processo totalmente aleatoacuterio Diante dos paracircmetros explorados
escolhemos um conjunto que apresentou resultados satisfatoacuterios e aplicamos o modelo em
simulaccedilatildeo realiacutestica do mercado utilizando uma plataforma de algotrading Na simulaccedilatildeo
definimos dois modelos de operaccedilatildeo para as estrateacutegias de negociaccedilatildeo MO1 e MO2 No
MO1 as operaccedilatildeo satildeo abertas de acordo com o sinal enviado pelo preditor e encerradas no
fechamento do mesmo candle Para MO2 as operaccedilotildees satildeo encerradas por meio de stops
Os resultados foram comparados levando em consideraccedilatildeo indicadores de desempenho
tais como risco de exposiccedilatildeo ao mercado retorno financeiro taxas operacionais e capital
alocado
Palavras-chave Equaccedilotildees Diferenciais Mercado de Accedilotildees Seacuteries Financeiras Hipoacutetese
de Mercado Eficiente Previsatildeo de Tendecircncias Simulaccedilatildeo Realiacutestica Expoente de Hurst
Modelo de previsatildeo
v
Abstract
The classical economic theory argues that markets are efficient that prices move towards a
long-term equilibrium and that there is no possibility of arbitrage To investigate this Efficient
Market Hypothesis (EMH) we defined a model for forecasting trends in financial asset
returns based on a discretized coupled linear differential equation system In this model
we consider that the relationship between stock price deviations from a price considered
fair provides information on the dynamics of stocks prices Such deviations are calculated
using the logarithmic difference between actual and fair prices modeled by an exponential
moving average To compare an emerging and a developed market we applied the model
to the Brazilian and North American stock exchanges The consistency of the model was
investigated by comparing results in different periods of four months The relationship
between model accuracy and Hurst exponent was studied The execution parameters of the
model such as the fitting window number of assets and frequency of data sampling are
explored in order to find a combination that presents relevant accuracy rates Hypothesis
tests were applied to the forecast results to investigate whether the model has a success
rate different than a completely random process Given the parameters explored we chose
a set that presented satisfactory results and applied the model in a realistic simulation
of the market using an algotrading platform In the simulation we defined two operating
models for the trading strategies MO1 and MO2 In MO1 the operations are opened
according to the signal sent by the predictor and closed at the closing of the same candle
For MO2 operations are closed using stops The results were compared taking into account
performance indicators such as risk of exposure to the market financial return operating
rates and allocated capital
Keywords Differential Equations Stock market Financial Series Efficient Market Hypothe-
sis Trend Forecasting Realistic Simulation Hurst exponent Forecasting Model
vi
Lista de Figuras
Figura 1 ndash Histoacuterico de perfil dos investidores pessoas fiacutesicas na Bovespa 4
Figura 2 ndash Organizaccedilatildeo do trabalho 12
Figura 3 ndash Candles do WINZ20 23
Figura 4 ndash Comparaccedilatildeo de preccedilos brutos meacutedias moacuteveis e preccedilos tratados 29
Figura 5 ndash Distribuiccedilatildeo das distacircncias entre as matrizes A em tempos adjacentes 33
Figura 6 ndash Acuraacutecia meacutedia para todas as n accedilotildees que compotildeem os iacutendices Dow
Jones e Ibovespa 39
Figura 7 ndash Acuraacutecia meacutedia para as 10 accedilotildees com maiores participaccedilotildees no
Ibovespa E Dow Jones 41
Figura 8 ndash Exemplo de um formato de um boxplot 43
Figura 9 ndash Boxplot da Acuraacutecia para todas as accedilotildees que compotildeem os iacutendices
Dow Jones e Ibovespa 44
Figura 10 ndash Acuraacutecia meacutedia para diferentes valores de n accedilotildees que compotildeem as
carteiras do Ibovespa e Dow Jones 46
Figura 11 ndash Expoente de Hurst para todas accedilotildees que compotildeem os iacutendices Dow
Jones e Ibovespa 49
Figura 12 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que com-
potildeem os iacutendices Dow Jones e Ibovespa Q1 50
Figura 13 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que com-
potildeem os iacutendices Dow Jones e Ibovespa Q2 51
Figura 14 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 55
Figura 15 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 58
Figura 16 ndash Acuraacutecias obtidas no primeiro quadrimestre de 2017 utilizando vota-
ccedilatildeo meacutedia e sem votaccedilatildeo 63
Figura 17 ndash Acuraacutecias obtidas no segundo quadrimestre de 2017 utilizando vota-
ccedilatildeo meacutedia e sem votaccedilatildeo 64
Figura 18 ndash Fluxograma das estrateacutegias 73
Figura 19 ndash Rendimentos esperados e os efetivamente obtidos para o ano de 2017 84
Figura 20 ndash Rendimentos esperados e os efetivamente obtidos para o ano de 2018 86
Figura 21 ndash Retornos e riscos do modelo de operaccedilatildeo 2 91
Figura 22 ndash Taxas anuais de crescimento do Ibovespa 122
vii
Lista de Tabelas
Tabela 1 ndash Perfil dos investidores pessoa fiacutesica na Bovespa 3
Tabela 2 ndash Coeficientes angulares (β) e os correspondentes coeficientes de
determinaccedilatildeo (r2) 40
Tabela 3 ndash Acuraacutecia do modelo aplicado a diferentes granularidades de tempo
para R = 500 47
Tabela 4 ndash Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo quadri-
mestres para as accedilotildees dos iacutendices Ibovespa e Dow Jones 54
Tabela 5 ndash Acuraacutecias do modelo no primeiro e segundo quadrimestres para a
combinaccedilatildeo das 10 accedilotildees com maiores pesos 57
Tabela 6 ndash Comparaccedilatildeo das acuraacutecias para todas as accedilotildees dos iacutendices Ibo-
vespa e Dow Jones 60
Tabela 7 ndash Acuraacutecias do modelo para as 10 accedilotildees dos iacutendices Ibovespa e Dow
Jones com os melhores a 61
Tabela 8 ndash Taxas de negociaccedilatildeo e de liquidaccedilatildeo da BOVESPA 71
Tabela 9 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2017 76
Tabela 10 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2018 76
Tabela 11 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2018 76
Tabela 12 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2018 77
Tabela 13 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas ano de 2017 78
Tabela 14 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas no ano de 2018 78
Tabela 15 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacio-
nais para o ano de 2017 78
Tabela 16 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacio-
nais para o ano de 2018 79
Tabela 17 ndash Rendimentos do MO1 no ano de 2017 83
Tabela 18 ndash Rendimentos do MO1 no ano de 2018 85
Tabela 19 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de
2017 92
Tabela 20 ndash Resultados da simulaccedilatildeo utilizando stop gain Sg (equaccedilatildeo 49) e loss
Sl (equaccedilatildeo 48) sem taxas para o ano de 2018 93
Tabela 21 ndash Resultados da simulaccedilatildeo utilizando stops com taxas para o ano de
2017 94
viii
Tabela 22 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de
2018 95
Tabela 23 ndash Meacutedia de preccedilos e retornos das accedilotildees 97
Tabela 24 ndash Lotes padratildeo no mercado real e na plataforma de simulaccedilatildeo no ano
de 2017 115
Tabela 25 ndash Lotes padratildeo no mercado real e na plataforma de simulaccedilatildeo no ano
de 2017 116
Tabela 26 ndash Composiccedilatildeo da carteira teoacuterica do Ibovespa 119
Tabela 27 ndash Composiccedilatildeo do iacutendice Dow Jones 120
ix
Lista de Abreviaturas e Siglas
HME Hipoacutetese de mercado eficiente
MO1 Modelo de operaccedilatildeo 1
MO2 Modelo de operaccedilatildeo 2
DFA Detrended fluctuation analysis
DMA Detrending moving average
x
Lista de Siacutembolos e Variaacuteveis
a Acuraacutecia do modelo
ρ Coeficiente de correlaccedilatildeo de Pearson
σ Desvio padratildeo
ε Erro associado
R Quantidade de pontos utilizados no ajuste
a Acuraacutecia meacutedia do modelo
σa Desvio padratildeo da acuraacutecia meacutedia
H Expoente de Hurst
Q Tamanho da janela para calculo de quartis
u4 Representa os dados do quarto quartil
n Nuacutemero de accedilotildees
nr Nuacutemero de retornos
N Nuacutemero de execuccedilotildees (previsotildees)
Nc Nuacutemero de execuccedilotildees (previsotildees) corretas
d Distacircncia
β Coeficiente angular da reta
r2 Coeficiente de determinaccedilatildeo
S Tamanho da janela para calcular meacutedia moacutevel
x Preccedilo bruto
qo Aproximaccedilatildeo para o preccedilo de abertura do candle
qc Aproximaccedilatildeo para o preccedilo de fechamento do candle
x Preccedilo justo
X Preccedilo tratado
xi
T Tendecircncia
ra Retorno (rendimento) acumulado
ra Retorno acumulado para o conjunto de accedilotildees
λ Quantidade de accedilotildees negociadas
∆x Retorno bruto da accedilatildeo
∆X Retorno tratado da accedilatildeo
∆x Retorno previsto bruto da accedilatildeo
∆X Retorno pervisto tratado da accedilatildeo
Sg Stop gain
Sl Stop loss
xii
Sumaacuterio
1 ndash Introduccedilatildeo 1
11 Objetivos 6
12 Organizaccedilatildeo do trabalho 7
2 ndash Delineamento Metodoloacutegico 8
21 Levantamento bibliograacutefico 8
22 Definiccedilatildeo do modelo 8
23 Dados utilizados 8
24 Tratamento dos dados 9
25 Exploraccedilatildeo do modelo 10
26 Simulaccedilatildeo 11
27 Avaliaccedilatildeo dos resultados do modelo 11
3 ndash Trabalhos relacionados 13
31 Hipoacutetese de Mercado Eficiente 13
32 Financcedilas comportamentais 15
33 Trabalhos aplicados em previsatildeo 16
34 Expoente de Hurst 18
4 ndash Fundamentaccedilatildeo teoacuterica 20
41 Fundamentaccedilatildeo teoacuterica em financcedilas 20
411 Indicadores utilizados nas estrateacutegias 24
5 ndash Modelos 27
51 Tratamento dos dados 27
52 Ajuste linear do dados 28
53 Modelo de previsatildeo 32
6 ndash Exploraccedilatildeo do modelo de previsatildeo 37
61 Variaccedilotildees do tamanho de R 37
62 Variaccedilotildees da quantidade de accedilotildees 45
63 Variaccedilatildeo da granularidade 47
64 Anaacutelise da acuraacutecia em funccedilatildeo do expoente de Hurst das seacuteries 48
65 Acuraacutecias em quadrimestres diferentes 52
651 Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo quadri-
mestres de 2017 52
xiii
652 Aplicaccedilatildeo do modelo utilizando a combinaccedilatildeo das 10 accedilotildees com
maiores pesos nos iacutendices Ibovespa e Dow Jones 56
653 Anaacutelise do desempenho do modelo aplicado agraves accedilotildees de melhor
acuraacutecia no quadrimestre precedente 59
66 Votaccedilatildeo 62
67 Consideraccedilotildees gerais 65
7 ndash Simulaccedilatildeo 67
71 Visatildeo geral dos modelos de operaccedilatildeo 68
72 Modelo de operaccedilatildeo 1 74
721 Acuraacutecias 75
722 Simulaccedilatildeo 77
723 Anaacutelise estatiacutestica de resultados financeiros relativos ao MO1 81
724 Consideraccedilotildees sobre MO1 87
73 Modelo de operaccedilatildeo 2 87
74 Consideraccedilotildees finais 96
8 ndash Conclusatildeo 98
81 Trabalhos Futuros 102
Referecircncias 103
Apecircndices 109
APEcircNDICE A ndash Estimaccedilatildeo da matriz de coeficientes pelo meacutetodo dos miacutenimos
quadrados 110
APEcircNDICE B ndash Tabelas lotes padratildeo das accedilotildees 115
Anexos 117
ANEXO A ndash Tabela de accedilotildees que participaram da carteira teoacuterica do Ibovespa
no primeiro quadrimestre de 2017 118
ANEXO B ndash Tabela de accedilotildees que participaram da carteira teoacuterica do Dow Jones
no primeiro quadrimestre de 2017 120
ANEXO C ndash Tabela das taxas anuais de crescimento do Ibovespa 121
xiv
Capiacutetulo 1
Introduccedilatildeo
A teoria econocircmica claacutessica defende que natildeo eacute possiacutevel obter informaccedilotildees de dados
baseando-se em informaccedilotildees passadas que levem a ganhos fora do padratildeo do mercado
(SAMUELSON 1965) Seus teoacutericos defendem que os mercados seriam assim eficientes
e que os preccedilos caminham em direccedilatildeo a um ponto de equiliacutebrio no longo prazo Esta
discussatildeo inclui a definiccedilatildeo da hipoacutetese de mercado eficiente (HME) (MALKIEL FAMA
1970 SHILLER 1980) Tal hipoacutetese considera que natildeo haacute possibilidades de arbitragem
que o mercado descobre o preccedilo correto dos ativos natildeo sendo possiacutevel ganhos acima
da meacutedia sem correr riscos acima da meacutedia Considera tambeacutem que os investidores
satildeo racionais e que toda informaccedilatildeo relevante eacute disponiacutevel e absorvida imediatamente
pelo mercado (MALKIEL FAMA 1970) No entanto um grande nuacutemero de analistas do
mercado especuladores e investidores fundamentalistas ou teacutecnicos estatildeo em busca de
tais informaccedilotildees (FENG et al 2012)
Investigaccedilotildees empiacutericas sobre a eficiecircncia do mercado tecircm sido realizadas em muitos con-
textos utilizando diversas ferramentas estatiacutesticas (BARKOULAS BAUM 1996 GRECH
MAZUR 2004 CAJUEIRO TABAK 2004 ZUNINO et al 2007 CHORDIA ROLL SU-
BRAHMANYAM 2008 BELAIRE-FRANCH OPONG 2010 CAGINALP DESANTIS 2011
CHARLES DARNEacute KIM 2012 AL-KHAZALI PYUN KIM 2012 LAZAR TODEA FILIP
2012 CHOUDHRY JAYASEKERA 2012 CHOUDHRY JAYASEKERA 2014 KATUSIIME
SHAMSUDDIN AGBOLA 2015 NTIM et al 2015 CURME STANLEY VODENSKA 2015
PODOBNIK et al 2006 RESENDE et al 2017) Pesquisas mostram que o mercado natildeo eacute
tatildeo eficiente em termos de absorccedilatildeo de informaccedilatildeo nem toda informaccedilatildeo relevante estaacute
disponiacutevel aos investidores (ROSS 1989 HEALY PALEPU 2001 BRUNNERMEIER 2005)
No estudo realizado por (CAJUEIRO TABAK 2004) os expoentes de Hurst das seacuteries
de paiacuteses desenvolvidos estatildeo bem proacuteximos de 0 5 Jaacute os valores obtidos para paiacuteses
emergentes se distanciam mais deste valor indicando que mercados emergentes satildeo
menos eficientes que mercados desenvolvidos A ineficiecircncia dos mercados emergentes
dentre outros fatores pode estar relacionada agrave baixa liquidez do mercado (CHORDIA ROLL
1
SUBRAHMANYAM 2008 CHUNG HRAZDIL 2010) e ao fluxo de informaccedilatildeo (ROSS 1989
HEALY PALEPU 2001 BRUNNERMEIER 2005) Tambeacutem haacute pesquisas no campo de
financcedilas comportamentais onde o comportamento natildeo racional eacute estudado em detalhes
(KAHNEMAN TVERSKY 1979 SHILLER FISCHER FRIEDMAN 1984) Em (CAGINALP
ERMENTROUT 1990) os autores desenvolveram um modelo utilizando equaccedilotildees dife-
renciais que incorpora o aspecto emocional dos investidores em um mercado financeiro
teoacuterico Indicam que fatores psicoloacutegicos satildeo capazes de influenciar a estabilidade dos
preccedilos evidenciando desvios da hipoacutetese de mercado eficiente
Algoritmos de automatizaccedilatildeo de estrateacutegias e operaccedilotildees tambeacutem tecircm sido foco de vaacuterias
pesquisas na aacuterea Muitos desses trabalhos utilizam redes neurais artificiais para a constru-
ccedilatildeo dos modelos de previsatildeo Em (NAMETALA et al 2016) os autores desenvolveram uma
estrateacutegia automatizada que combina redes neurais artificiais e preditores economeacutetricos
para gerar sinais de compra ou venda por meio de um modelo de negociaccedilatildeo incorporado
ao algoritmo
Pesquisas nestas aacutereas de automatizaccedilatildeo caracterizaccedilatildeo e modelagem de mercados
constituem-se relativamente novas e promissoras pois com o surgimento de novas tec-
nologias e diversas plataformas de negociaccedilatildeo o nuacutemero de pessoas atuando na bolsa
tem aumentado significativamente O cadastro de CPFs na Bolsa brasileira teve um grande
avanccedilo sendo que em maio de 2020 este nuacutemero chegou agrave marca de 2483286 O aumento
pode ainda estar relacionado dentre outros fatores agrave ampla divulgaccedilatildeo e tambeacutem agrave redu-
ccedilatildeo da taxa de juros do paiacutes tornando a renda variaacutevel uma atrativa fonte de investimento
As pessoas fiacutesicas representam 98 86 do total de investidores sendo destes 75 05
homens e 23 81 mulheres O valor investido pelas pessoas fiacutesicas eacute de 303 63 bilhotildees
de reais Ainda de acordo com o relatoacuterio disponibilizado pela Bolsa a maior parte dos
investimentos estaacute concentrada no estado de Satildeo Paulo Os dados com os nuacutemeros de
investidores bem como os valores por estado satildeo mostrados na tabela 1 que foi adaptada
de (BMampFBOVESPA 2020a)
A figura 1 apresenta a evoluccedilatildeo da distribuiccedilatildeo da participaccedilatildeo de homens e mulheres no
total de investidores pessoa fiacutesica na bolsa brasileira A curva azul corresponde aos CPFs
relacionados ao sexo masculino que em todo o periacuteodo apresentado se manteve acima
da curva vermelha que representa a participaccedilatildeo das mulheres na bolsa Para ambos
os perfis percebemos um aumento significativo dos investidores a partir do ano de 2018
Segundo dados da Bovespa (BMampFBOVESPA 2020a) o nuacutemero de CPFs cadastrados na
bolsa brasileira dobrou em 2019 saltando de 813291 para 1681033 O criteacuterio de contagem
considera o CPF cadastrado em cada agente de custoacutedia ou seja pode contabilizar o
mesmo investidor caso ele possua conta em mais de um corretora Entretanto este aumento
no nuacutemero de pessoas eacute bem relevante
2
Tabela 1 ndash Perfil dos investidores pessoa fiacutesica na Bovespa
EstadoContas Valor (R$ bilhotildees)
Homens Mulheres Total Homens Mulheres TotalSP 725848 245265 971113 11615 3426 15042 4954RJ 204690 70602 275292 3536 1212 4748 1564MG 182502 54644 237146 2538 424 2962 975RS 108117 30292 138409 1246 360 1606 529SC 91315 25268 116583 789 206 995 328PR 118032 33968 152000 1071 284 1355 446BA 59552 18373 77925 511 110 622 205DF 65687 23372 89059 620 119 739 243ES 39356 11092 50448 295 058 352 116PE 42806 12570 55376 280 075 355 117CE 36110 10321 46431 224 069 292 096GO 44555 13562 58117 222 046 268 088PB 16386 4761 21147 075 017 093 031MT 20172 5841 26013 113 020 133 044MS 17871 4995 22866 128 016 144 047PA 19571 6147 25718 101 022 123 041RN 17016 4454 21470 090 017 107 035AM 12893 4137 17030 075 014 088 029MA 13847 4135 17982 073 012 085 028AL 10212 2863 13075 047 008 055 018SE 9966 2801 12767 050 010 060 020PI 8512 2456 10968 039 007 046 015RO 7805 2339 10144 034 008 042 014AP 1921 616 2537 008 001 009 003AC 2557 802 3359 011 003 014 004RR 2204 712 2916 008 001 009 003TO 5693 1702 7395 017 003 020 006
Total 1885196 598090 2483286 23817 6546 30363Nota Os dados apresentados satildeo referentes ao perfil dos investidores pessoa fiacutesica naBovespa em 29052020 Os resultados foram segmentados por estados e mostram os
nuacutemeros de contas de pessoas fiacutesicas na Bovespa bem como o saldo financeiro Acontagem dos CPFs de investidores satildeo por agente de custoacutedia Adaptado do site de
serviccedilos da Bovespa Histoacuterico de perfil dos investidores pessoas fiacutesicas de Maio de 2020disponiacutevel em lthttpwwwb3combrpt_brmarket-data-e-indicesservicos-de-dados
market-dataconsultasmercado-a-vistahistorico-pessoas-fisicasgt
3
2002 2004 2006 2008 2010 2012 2014 2016 2018 2020
Anos
0
05
1
15
2
25
Con
tas
106
HomensMulheresTotal
Figura 1 ndash Histoacuterico de perfil dos investidores pessoas fiacutesicas na Bovespa Representaa evoluccedilatildeo do nuacutemero de investidores na Bovespa entre os anos de 2002 a 2020A curva na cor azul corresponde ao nuacutemero de CPFs de investidores do sexomasculino a curva na cor vermelha representa a evoluccedilatildeo da participaccedilatildeo demulheres na Bolsa e a curva na cor verde mostra o total de pessoas fiacutesicas aolongo do periacuteodo
Nem todos os agentes atuantes no mercado tecircm retornos positivos e muitos acabam fracas-
sando e desistindo do mercado uma vez que a renda variaacutevel depende de diversos fatores
tais como gerenciamento de risco definiccedilatildeo de estrateacutegia e ateacute mesmo controle emocional
Desta forma as estrateacutegias automatizadas podem facilitar o ingresso neste cenaacuterio de
grandes oscilaccedilotildees e incertezas com mais assertividade e precisatildeo nas operaccedilotildees Isto nos
incentiva a pesquisar e desenvolver ferramentas que auxiliem na tomada de decisatildeo
Neste contexto motivados pela lacuna deixada pela hipoacutetese de mercado eficiente sugerida
por modelos interessados na previsatildeo de dinacircmicas de mercados (ATSALAKIS K 2013
ATSALAKIS VALAVANIS 2009) e por modelos empenhados na previsatildeo do sinal de
retornos de ativos (NYBERG 2011 ANATOLYEV GOSPODINOV 2012 CHEVAPATRAKUL
2013 POumlNKAuml 2014) propomos tambeacutem um modelo de previsatildeo Este eacute baseado em um
sistema de equaccedilotildees diferenciais lineares acopladas Discretizando o sistema obtemos um
modelo que se assemelha a um modelo de regressatildeo linear multivariado
Neste modelo consideramos que os desvios dos preccedilos brutos das accedilotildees em relaccedilatildeo a um
preccedilo justo satildeo os fatores importantes na nossa anaacutelise Tais desvios seratildeo denominados
4
preccedilos tratados De fato sabemos que existem modelos para precificaccedilatildeo de ativos poreacutem
neste trabalho vamos utilizar meacutedias moacuteveis exponenciais como aproximaccedilatildeo para o preccedilo
justo Assim o preccedilo considerado justo seraacute denominado preccedilo de referecircncia O preccedilo
tratado seraacute dado pela diferenccedila logariacutetmica entre o preccedilo bruto e o preccedilo de referecircncia
Na investigaccedilatildeo utilizamos dados de todas as accedilotildees que compotildeem os iacutendices Dow Jones e
Ibovespa no ano de 2017 O Dow Jones eacute um iacutendice do mercado americano que representa
a negociaccedilatildeo das 30 maiores empresas de capital aberto negociadas neste mercado O
Ibovespa eacute o iacutendice composto em meacutedia por 58 accedilotildees negociadas na bolsa de valores
de Satildeo Paulo Para compor a carteira teoacuterica do Ibovespa as accedilotildees tecircm que atender a
criteacuterios estabelecidos pela BMampFBOVESPA1 relativos agrave liquidez volume de negociaccedilatildeo
participaccedilatildeo nos pregotildees de negociaccedilatildeo e outros As seacuteries utilizadas satildeo compostas por
dados de candles intraday2 onde maiores correlaccedilotildees satildeo esperadas (ALLEZ BOUCHAUD
2011) O iacutendice Ibovespa foi escolhido por ser de um mercado de paiacutes emergente onde
a ineficiecircncia tende a ser mais evidenciada possibilitando assim maiores oportunidades
de sucesso na previsatildeo de tendecircncias de retornos (CAJUEIRO TABAK 2004 ZUNINO et
al 2007) O mercado Americano foi escolhido para contrastar com este cenaacuterio e tambeacutem
devido agrave sua importacircncia
Os paracircmetros do modelo satildeo explorados de forma a definir-se uma combinaccedilatildeo ideal
que apresente resultados relevantes de acuraacutecia na previsatildeo de tendecircncia de retornos das
accedilotildees Nosso objetivo eacute mostrar que o modelo de previsatildeo de tendecircncia apresenta uma
taxa de acuraacutecia superior a um processo totalmente aleatoacuterio Para validar estes resultados
realizaremos anaacutelises estatiacutesticas A hipoacutetese de pesquisa a ser testada eacute que a acuraacutecia
do modelo eacute diferente de 0 5 evidenciando desvio da hipoacutetese de mercado eficiente
Diante dos paracircmetros definidos durante a exploraccedilatildeo do modelo vamos desenvolver
duas estrateacutegias de negociaccedilatildeo e aplicaacute-las no mercado real atraveacutes de uma plataforma
de simulaccedilatildeo Os resultados seratildeo comparados levando em consideraccedilatildeo as variaacuteveis
envolvidas na simulaccedilatildeo tais como risco de exposiccedilatildeo ao mercado retorno financeiro
taxas operacionais e capital alocado
Um problema desafiador que surge no acircmbito das pesquisas em mercados financeiros eacute a
possibilidade de se utilizar teacutecnicas e modelos matemaacuteticos para representar a dinacircmica
dos movimentos dos preccedilos O problema torna-se mais complexo quando envolve teacutecnicas
de previsatildeo de tais valores poreacutem um grande nuacutemero de agentes do mercado estatildeo em
busca destas informaccedilotildees Assim nosso problema neste trabalho eacute desenvolver um modelo
matemaacutetico-computacional para a previsatildeo de tendecircncia de preccedilos no mercado de accedilotildees
brasileiro e no mercado americano
1Bolsa de Valores Mercadorias e Futuros de Satildeo Paulo2Dados dentro de um periacuteodo regular da bolsa (dia)
5
Nesta perspectiva este trabalho Justifica-se como complementaccedilatildeo de outros estudos
que envolvem a combinaccedilatildeo de ferramentas estatiacutesticas redes neurais artificiais e outras
abordagens aplicadas para a modelagem de mercado de accedilotildees podendo assim ser
utilizado em pesquisas futuras
11 Objetivos
Este trabalho tem como objetivo geral apresentar um modelo de previsatildeo de tendecircncias de
preccedilos das accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa buscando oportunidades
em desvios da hipoacutetese de mercado eficiente A pesquisa iraacute contribuir para a compreensatildeo
da dinacircmica dos mercados de accedilotildees
Na decomposiccedilatildeo do objetivo geral destacam-se alguns dentre os principais objetivos
especiacuteficos
bull Desenvolver um modelo capaz de prever tendecircncias de preccedilos com taxas de acertos
superiores a um processo totalmente aleatoacuterio
bull Testar o niacutevel de eficiecircncia de dois mercados com caracteriacutesticas diferentes A investi-
gaccedilatildeo seraacute por meio da anaacutelise de resultados obtidos para Dow Jones e Ibovespa
bull Explorar o modelo de previsatildeo de tendecircncia com o objetivo de encontrar paracircmetros
que retornem os melhores resultados
bull Desenvolver estrateacutegias de negociaccedilatildeo aplicadas ao mercado real em periacuteodos
diferentes utilizando tais paracircmetros
De forma especiacutefica a principal contribuiccedilatildeo deste trabalho eacute favorecer a compreensatildeo
da dinacircmica do mercado de accedilotildees Jaacute sob o ponto de vista social diante do aumento do
nuacutemero de agentes atuando na Bolsa de valores e da queda na taxa de juros podemos
dizer que o mercado de renda variaacutevel tem se tornado atrativo para novos investimentos
impactando assim a forma como as pessoas aplicam as suas economias Por isso eacute
importante verificar a Hipoacutetese de Mercado Eficiente neste cenaacuterio
Neste contexto o modelo de operaccedilatildeo implementado depois de adaptado e validado tam-
beacutem pode contribuir para operaccedilotildees em outros cenaacuterios tais como mercados futuros(doacutelar
e iacutendices) e commodities3 (por exemplo milho feijatildeo cafeacute soja)
3Satildeo produtos de qualidade e caracteriacutesticas uniformes que funcionam como mateacuteria-prima produzidosem escala e que podem ser estocados sem perda de qualidade Seu preccedilo eacute definido de acordo com a ofertae demanda americana
6
12 Organizaccedilatildeo do trabalho
A tese estaacute estruturada em 8 capiacutetulos dois apecircndices e trecircs anexos
No capiacutetulo 1 que eacute o presente capiacutetulo apresentamos a introduccedilatildeo do trabalho Aqui satildeo
introduzidas as etapas e caracteriacutesticas do desenvolvimento da pesquisa
No capiacutetulo 2 descrevemos o delineamento da pesquisa o planejamento do modelo a
exploraccedilatildeo do modelo e a definiccedilatildeo dos dados utilizados nas anaacutelises
No capiacutetulo 3 apresentamos uma breve revisatildeo bibliograacutefica dos trabalhos referentes ao
tema da pesquisa
No capiacutetulo 4 descrevemos alguns conceitos necessaacuterios para a compreensatildeo do trabalho
e as ferramentas computacionais utilizadas
No capiacutetulo 5 apresentamos a formulaccedilatildeo do tratamento dos dados a apresentaccedilatildeo de um
modelo baseado em um sistema de equaccedilotildees diferenciais lineares e a sua adaptaccedilatildeo para
um novo modelo de ajuste de pontos bem como a definiccedilatildeo de um modelo de previsatildeo de
tendecircncia de preccedilos
No capiacutetulo 6 eacute apresentada a exploraccedilatildeo do modelo Neste analisamos os paracircmetros de
entrada com o objetivo de encontrar a combinaccedilatildeo que apresente as melhores acuraacutecias
do modelo na previsatildeo de tendecircncia dos preccedilos
No capiacutetulo 7 mostramos as estrateacutegias de negociaccedilatildeo aplicadas no mercado real Para
a simulaccedilatildeo utilizamos o modelo que retorna um sinal de compra venda ou natildeo opera
apresentado no capiacutetulo 5 Para calibrar o modelo de previsatildeo utilizamos os paracircmetros
explorados no Capiacutetulo 6
No capiacutetulo 8 descrevemos a conclusatildeo bem como os passos futuros do trabalho
O apecircndice A complementa a tese com a descriccedilatildeo da forma de estimar a matriz de
coeficientes por meio da teacutecnica de otimizaccedilatildeo matemaacutetica dos miacutenimos quadrados Jaacute o
apecircndice B conteacutem a tabela de lotes padratildeo de negociaccedilatildeo das accedilotildees na Bovespa
Os anexos A B e C mostram respectivamente a tabela das accedilotildees que participaram da
carteira teoacuterica do Ibovespa no primeiro quadrimestre de 2017 a tabela das accedilotildees que
participaram da carteira teoacuterica do iacutendice Dow Jones tambeacutem no primeiro quadrimestre de
2017 e a tabela das taxas anuais de crescimento do Ibovespa
7
Capiacutetulo 2
Delineamento Metodoloacutegico
Neste capiacutetulo vamos apresentar o delineamento da pesquisa o planejamento a exploraccedilatildeo
do modelo simulaccedilatildeo bem como a definiccedilatildeo dos dados utilizados nas anaacutelises
21 Levantamento bibliograacutefico
A etapa de levantamento bibliograacutefico tem como objetivo contextualizar a pesquisa dentro
do conjunto de atividades cientiacuteficas relacionadas a modelos de previsatildeo desenvolvidos
para o mercado de accedilotildees
22 Definiccedilatildeo do modelo
A definiccedilatildeo do modelo seraacute apresentada no capiacutetulo 5 O modelo de previsatildeo foi definido
baseando-se em um sistema de equaccedilotildees diferenciais lineares acopladas (RESENDE et al
2017) Este sistema foi discretizado de forma a se aproximar de um modelo de regressatildeo
linear multivariado De fato natildeo esperamos que um modelo linear seja capaz de representar
a dinacircmica do mercado financeiro Poreacutem a violaccedilatildeo ou natildeo das premissas de adequaccedilatildeo
a um modelo de regressatildeo natildeo inviabiliza o trabalho uma vez que o objetivo principal deste
eacute prever tendecircncias de preccedilos de accedilotildees A matriz de coeficientes do modelo obtida ateacute o
tempo t seraacute determinada com base em manipulaccedilotildees algeacutebricas expostas por (AGUIRRE
2007) e seraacute utilizada como instrumento para a previsatildeo da tendecircncia dos preccedilos no tempo
t+ 1 Trabalhamos aqui com a hipoacutetese de linearidade local na vizinhanccedila de t
23 Dados utilizados
Para a definiccedilatildeo e exploraccedilatildeo do modelo utilizamos preccedilos de fechamento das accedilotildees que
participaram da composiccedilatildeo da carteira teoacuterica dos iacutendices Dow Jones e Ibovespa com
frequecircncias de 5 10 15 20 e 30 minutos no primeiro e segundo quadrimestres de 2017
8
Na seccedilatildeo 63 vamos analisar todas estas granularidades de tempo e definir a amostra que
apresentar melhores resultados As seacuteries de dados utilizadas foram obtidas na plataforma
Bloomberg 1
Alteraccedilotildees na composiccedilatildeo da carteira do Ibovespa denominadas viradas satildeo realizadas a
cada quadrimestre As inclusotildees e exclusotildees de accedilotildees no iacutendice satildeo realizadas nos meses
de Janeiro Maio e Setembro utilizando como base o uacuteltimo dia de pregatildeo do mecircs anterior
A tabela 26 anexo A mostra as accedilotildees que participaram da carteira teoacuterica do Ibovespa no
primeiro quadrimestre de 2017 02012017 a 28042017 As accedilotildees estatildeo ordenadas de
acordo com a maior porcentagem de participaccedilatildeo no Ibovespa No quadrimestre 2 uma
nova accedilatildeo foi incluiacuteda na carteira alterando assim as porcentagens de participaccedilatildeo das
accedilotildees Poreacutem por simetria e comparaccedilatildeo de resultados decidimos manter as mesmas
accedilotildees e as porcentagens baseados no quadrimestre 1
O iacutendice Dow Jones eacute um dos principais indicadores do mercado americano A sua com-
posiccedilatildeo eacute definida pela meacutedia das 30 maiores e mais importantes empresas do mercado
As accedilotildees que compotildeem o iacutendice satildeo apresentadas na tabela 27 anexo B Alteraccedilotildees na
composiccedilatildeo do iacutendice Dow Jones satildeo pouco frequentes As alteraccedilotildees que aconteceram no
periacuteodo foram em relaccedilatildeo agrave ordem de peso de participaccedilatildeo na carteira Por isso decidimos
manter a ordem de participaccedilatildeo baseada no primeiro quadrimestre de 2017 A Tabela 27
anexo B apresenta as 30 accedilotildees que compotildeem o iacutendice Dow Jones ordenadas de acordo
com a sua porcentagem de participaccedilatildeo na carteira
Para a simulaccedilatildeo realiacutestica apresentada no capiacutetulo 7 utilizamos dados com frequecircncia
de cotaccedilatildeo de 5 minutos das 10 accedilotildees com maior liquidez na Bovespa nos anos de 2017 e
2018 A escolha do mercado brasileiro foi baseada no resultado da exploraccedilatildeo do modelo
(6) sendo este cenaacuterio o que apresentou melhores resultados
24 Tratamento dos dados
Na seccedilatildeo 51 eacute apresentado de forma detalhada o tratamento dos dados No modelo
analisado consideramos que os desvios dos preccedilos em relaccedilatildeo a um preccedilo considerado
justo traz informaccedilotildees sobre a dinacircmica dos preccedilos das accedilotildees Tais desvios satildeo calculados
utilizando-se a diferenccedila logariacutetmica entre o preccedilo bruto e o preccedilo de referecircncia Poreacutem
calcular o preccedilo referecircncia de cada accedilatildeo envolve diversas anaacutelises e variaacuteveis que natildeo
estatildeo no foco do trabalho Por isto utilizamos como alternativa para tal preccedilo uma meacutedia
moacutevel exponencial que seraacute considerada o preccedilo de referecircncia No caacutelculo da aproximaccedilatildeo
para o valor definimos uma janela moacutevel de tamanho 12 composta pelos dados observados
1A Bloomberg eacute uma empresa privada que oferece serviccedilos para profissionais do mercado com foco emsoftware dados e miacutedia financeira privada Foi fundada por Michael Bloomberg em 1981
9
da amostra analisada A escolha do valor de S = 12 foi baseada em aspectos experimentais
de trabalhos anteriores (RESENDE et al 2017) e tambeacutem considerando que em uma hora
de negociaccedilatildeo temos 12 candles com frequecircncia de cotaccedilatildeo de 5 minutos
25 Exploraccedilatildeo do modelo
No capiacutetulo 6 vamos explorar os diversos paracircmetros do modelo Poreacutem o objetivo principal
natildeo eacute encontrar paracircmetros oacutetimos mas sim selecionar uma combinaccedilatildeo que apresente
bons resultados de acuraacutecia2 na previsatildeo de tendecircncia Para isto exploramos as seguintes
combinaccedilotildees de paracircmetros do modelo
bull Variaccedilatildeo do tamanho da janela de pontos utilizada no ajuste
Aplicamos quantidades diferentes de pontos R ao ajuste e definimos baseados nos
resultados um valor considerado satisfatoacuterio como paracircmetro para ajustes futuros
bull Variaccedilatildeo da quantidade de accedilotildees Utilizando a quantidade de pontos definida no
item anterior variamos a quantidade n de accedilotildees envolvidas na anaacutelise O valor inicial
de n foi a combinaccedilatildeo miacutenima de 2 accedilotildees incrementando 1 accedilatildeo na ordem do seu
peso de participaccedilatildeo nas carteiras ateacute o valor maacuteximo de n = 30 para accedilotildees do Dow
Jones e n = 58 para as accedilotildees que compotildeem o Ibovespa
bull Variaccedilatildeo da granularidade dos dados
Analisamos as frequecircncias de cotaccedilotildees de 5 10 15 20 e 30 minutos para avaliar em
qual granularidade o modelo obteacutem as melhores taxas de previsatildeo de tendecircncia
Tambeacutem exploramos o modelo tendo em vista as seguintes anaacutelises
bull Taxas de acerto de tendecircncias em funccedilatildeo do expoente de Hurst
Nesta anaacutelise estamos interessados em estudar o comportamento de persistecircncia
e anti-persistecircncia das seacuteries de preccedilos brutos das accedilotildees e investigar se haacute uma
relaccedilatildeo entre os resultados e o poder de previsibilidade do modelo
bull Taxas de acerto de tendecircncias em quadrimestres diferentes
O intuito desta anaacutelise eacute investigar se as taxas de acertos obtidas no primeiro quadri-
mestre apresentam correlaccedilatildeo com as taxas relativas ao segundo quadrimestre de
2017 Isto nos possibilita verificar a consistecircncia do modelo em diferentes periacuteodos
bull Votaccedilatildeo
Uma votaccedilatildeo entre tendecircncias apontadas pelos ajustes utilizando diferentes quantida-
des de pontos R tambeacutem deve ser elaborada Nesta votaccedilatildeo consideraremos como a
tendecircncia prevista a direccedilatildeo apontada pela maioria dos votantes e empate entre os
votantes como sinal para natildeo abrir novas posiccedilotildees no momento
bull Validaccedilatildeo estatiacutestica dos resultados
Testes de hipoacuteteses seratildeo aplicados aos resultados de taxas de acertos obtidas pelo
2Capiacutetulo 5 equaccedilatildeo (30)
10
modelo A hipoacutetese a ser testada eacute que a acuraacutecia do modelo eacute estatisticamente
diferente de 0 5
26 Simulaccedilatildeo
Depois de explorados e definidos paracircmetros satisfatoacuterios para o modelo no capiacutetulo
de simulaccedilatildeo realiacutestica (capiacutetulo 7) desenvolveremos duas estrateacutegias de negociaccedilatildeo
utilizando tais paracircmetros Estas estrateacutegias seratildeo denominadas modelo de operaccedilatildeo 1
(MO1) e modelo de operaccedilatildeo 2 (MO2) As accedilotildees utilizadas nos modelos de operaccedilatildeo foram
as 10 accedilotildees com maior liquidez no ano de 2017 e 2018 As seacuteries de dados utilizadas foram
de candles de 5 minutos Em ambos os modelos de operaccedilatildeo as posiccedilotildees satildeo abertas
quando o modelo de previsatildeo de tendecircncia envia um sinal natildeo neutro De acordo com este
sinal as operaccedilotildees de compra ou venda descoberta satildeo abertas No modelo de operaccedilatildeo 1
(MO1) as operaccedilotildees satildeo fechadas a cada passo de tempo (fechamento do candle) Jaacute no
modelo de operaccedilatildeo 2 (MO2) as posiccedilotildees satildeo fechadas de acordo com valores de stop
gain e stop loss definidos
27 Avaliaccedilatildeo dos resultados do modelo
A anaacutelise dos resultados obtidos com os modelos de operaccedilatildeo nos permite avaliar as
caracteriacutesticas de cada estrateacutegia apontando as vantagens e desvantagens de cada uma
delas As variaacuteveis levadas em consideraccedilatildeo seratildeo baseadas em risco de exposiccedilatildeo ao
mercado retorno financeiro taxas operacionais e capital alocado A figura 2 mostra as
etapas e organizaccedilatildeo do trabalho descritas anteriormente
11
Tamanho de R
Numero de accedilotildees
Granularidade do dados
Quadrimestres
Expoente de Hurst
Votaccedilatildeo
Revisatildeo
bibliograacutefica
Simulaccedilatildeo
Exploraccedilatildeo do
modelo
Modelo Coleta de dadosTratamento dos
dados
Modelo de
previsatildeo
Resultados
Paracircmetros
MO1 MO2
Figura 2 ndash Organizaccedilatildeo geral do trabalho Na etapa de revisatildeo bibliograacutefica uma pesquisaeacute realizada para identificar o estado da arte do tema abordado bem como asteacutecnicas de previsatildeo utilizadas no mercado de accedilotildees Na parte do modeloapresentamos a formulaccedilatildeo do modelo baseado em um sistema de equaccedilotildeesdiferenciais lineares e a sua adaptaccedilatildeo para um novo modelo de ajuste de pontosa definiccedilatildeo e o tratamento dos dados bem como a definiccedilatildeo de um modelo deprevisatildeo de tendecircncia de preccedilos Na etapa de exploraccedilatildeo o modelo foi testadoem diferentes cenaacuterios investigando a influecircncia do tamanho de R nuacutemero deaccedilotildees granularidade dos dados e outros paracircmetros nos resultados do modeloNa simulaccedilatildeo desenvolvemos duas estrateacutegias de negociaccedilatildeo (MO1 e MO2)baseadas no modelo de previsatildeo e utilizando os paracircmetros definidos Na fasede resultados apresentamos a anaacutelise dos resultados obtidos com os modelosde operaccedilatildeo
12
Capiacutetulo 3
Trabalhos relacionados
Neste capiacutetulo vamos apresentar uma breve revisatildeo bibliograacutefica dos trabalhos relativos ao
tema da pesquisa Na seccedilatildeo 31 vamos relacionar os principais trabalhos sobre Hipoacutetese
de Mercado Eficiente (HME) Na seccedilatildeo 32 apresentaremos trabalhos que exploram a
racionalidade dos agentes do mercado por meio de estudos em financcedilas comportamentais
Nas seccedilotildees 33 e 34 descreveremos alguns trabalhos que investigam desvios da HME por
meio de modelos de previsatildeo e por anaacutelises utilizando algumas ferramentas estatiacutesticas
31 Hipoacutetese de Mercado Eficiente
Em um mercado eficiente os preccedilos dos ativos deveriam assimilar e refletir imediatamente
toda informaccedilatildeo relevante disponiacutevel Esta eacute a denominada Hipoacutetese de Mercado Eficiente
(HME)
De acordo com a HME o comportamento dos investidores eacute racional e natildeo existe memoacuteria
nas seacuteries de preccedilos que possibilite oportunidade de arbitragem A Hipoacutetese de Mercado
Eficiente foi apresentada matematicamente por (SAMUELSON 1965) mostrando que
as flutuaccedilotildees dos preccedilos acontecem de forma aleatoacuteria a expectativa para o preccedilo em
t + 1 eacute o preccedilo no tempo t Seus teoacutericos defendem que os preccedilos caminham para um
ponto de equiliacutebrio e com isso natildeo eacute possiacutevel obter ganhos demasiados sem correr
riscos proporcionais Defendem que toda informaccedilatildeo relevante estaacute disponiacutevel e que logo
eacute absorvida e processada pelo mercado sendo desta forma refletida nos valores dos
ativos (MANTEGNA STANLEY 1999) Os mercados seriam assim capazes de reunir a
sabedoria coletiva e precificar os ativos com precisatildeo
Trecircs formas diferentes de HME satildeo consideradas fraca semi-forte e forte Um mercado eacute
dito eficiente na forma fraca quando toda as informaccedilotildees puacuteblicas disponiacuteveis satildeo absorvidas
imediatamente
13
No niacutevel semi-forte considera-se que o mercado reflete toda a informaccedilatildeo publicamente
disponiacutevel incluindo informaccedilotildees obtidas atraveacutes de demonstraccedilotildees contaacutebeis publicadas
e informaccedilotildees histoacutericas A diferenccedila entre a eficiecircncia semi-forte e a eficiecircncia fraca eacute
que a semi-forte exige dos agentes uma anaacutelise completa de dados fundamentalistas das
empresas Esse tipo de anaacutelise requer um maior embasamento teoacuterico para avaliar com
propriedade empresas ou setores da economia Isso implica conhecimento tempo e custo
o que pode limitar a forma de eficiecircncia do mercado
Um mercado eacute eficiente no sentido forte quando reflete aleacutem das informaccedilotildees publicamente
disponiacuteveis e das histoacutericas de preccedilos as informaccedilotildees privadas Este niacutevel engloba as hipoacute-
teses fraca e semi-forte e considera que os preccedilos refletem imediatamente toda informaccedilatildeo
puacuteblica e privada inerente ao ativo
No entanto considerando todas as caracteriacutesticas um mercado dito eficiente na forma mais
estrita eacute um sistema idealizado Em mercados reais resiacuteduos de ineficiecircncia satildeo observa-
dos Mercados reais satildeo apenas uma aproximaccedilatildeo do mercado eficiente(MANTEGNA
STANLEY 1999) A eficiecircncia de mercado tem sido investigada em muitos contextos utili-
zando uma variedade de ferramentas estatiacutesticas (BARKOULAS BAUM 1996 GRECH
MAZUR 2004 CAJUEIRO TABAK 2004 ZUNINO et al 2007 CHORDIA ROLL SU-
BRAHMANYAM 2008 BELAIRE-FRANCH OPONG 2010 CAGINALP DESANTIS 2011
CHARLES DARNEacute KIM 2012 AL-KHAZALI PYUN KIM 2012 LAZAR TODEA FILIP
2012 CHOUDHRY JAYASEKERA 2012 CHOUDHRY JAYASEKERA 2014 KATUSIIME
SHAMSUDDIN AGBOLA 2015 NTIM et al 2015 CURME STANLEY VODENSKA 2015
PODOBNIK et al 2006) Analistas teacutecnicos tambeacutem acreditam que eacute possiacutevel obter in-
formaccedilatildeo sobre os preccedilos baseados em dados histoacutericos Em financcedilas comportamentais
o comportamento irracional dos investidores tambeacutem tem sido investigado (KAHNEMAN
TVERSKY 1979 SHILLER FISCHER FRIEDMAN 1984)
Desvios da Hipoacutetese de Mercado Eficiente tambeacutem tecircm sido associados a diversos fatores
tais como custos de operaccedilatildeo (LIU 2010) baixa liquidez (CHORDIA ROLL SUBRAH-
MANYAM 2008 CHUNG HRAZDIL 2010) limitaccedilotildees no fluxo de informaccedilatildeo (ROSS
1989 HEALY PALEPU 2001 BRUNNERMEIER 2005) intervenccedilotildees do banco central
(RAFFERTY TOMLJANOVICH 2002 BORDO LANDON-LANE 2013 ALONSO-RIVERA
CRUZ-AKEacute VENEGAS-MARTIacuteNEZ 2014 CHEN HUANG SU 2014) incertezas poliacuteticas
(PASQUARIELLO ZAFEIRIDOU 2014) e crises financeiras (LIM BROOKS KIM 2008)
No estudo realizado por (SHARMA BANERJEE 2015) nos variados setores da Bolsa
de valores de Bombaim1 (BSE) em um periacuteodo de 8 anos (abril 2006 a marccedilo 2014) os
resultados indicam que os dados natildeo satisfazem agrave suposiccedilatildeo de normalidade Mostram
que os retornos dos ativos analisados satildeo guiados por curvas assimeacutetricas e com caudas1Foi fundada em 1875 e eacute a principal bolsa de valores da Iacutendia
14
pesadas indicando tambeacutem que o mercado natildeo segue a hipoacutetese de random walk
Nas proacuteximas seccedilotildees vamos apresentar de forma sucinta alguns trabalhos no contexto
de investigaccedilatildeo de desvios da HME por meio de estudos em financcedilas comportamentais
modelos de previsatildeo e expoente de Hurst
32 Financcedilas comportamentais
No trabalho (KAHNEMAN TVERSKY 1979) Kahneman e Tversky se uniram e seus
estudos foram essenciais para quebrar os paradigmas que existiam em teoria de financcedilas
Satildeo considerados os precursores da chamada economia comportamental Eles estudaram
e exploraram os desvios e falhas de racionalidade na tomada de decisotildees por meio do
comportamento humano no mercado Em 1979 desenvolveram a Teoria da Perspectiva
tambeacutem conhecida como Teoria do Prospecto (Prospect Theory) As teorias racionais
consideram que agentes idealizados tomam decisotildees de forma racional jaacute a Teoria da
Perspectiva surge como um questionamento a esta completa racionalidade dos agentes o
que denominaram de racionalidade limitada
Na teoria apresentada os autores observaram que os agentes tomam suas decisotildees
baseados nos valores de perdas e ganhos e natildeo no resultado final Desta forma tentam
evitar perdas sendo este o foco principal De forma geral satildeo mais impactados pelas
perdas do que pelos ganhos Esta atitude estaacute associada agrave aversatildeo ao risco prolongando
posiccedilotildees em ativos perdedores para evitar assumir prejuiacutezo Diante disso formularam a
Teoria da Perspectiva que eacute uma criacutetica agrave Teoria da Utilidade (KAHNEMAN TVERSKY
1979) Em resumo a Teoria da Perspectiva tem como objetivo estudar o comportamento de
tomada de decisatildeo humana no mercado Jaacute a Teoria da Utilidade tem como objetivo mostrar
qual a melhor decisatildeo a ser tomada A Teoria da Perspectiva concebe que os agentes tecircm
mais aversatildeo ao risco sendo que tendem a evitar perder algo a ganhar sendo assimeacutetrica
a relaccedilatildeo ganho e perda Jaacute a Teoria da Utilidade considera que perdas e ganhos tecircm o
mesmo efeito e magnitude
A anaacutelise sugere que um agente que natildeo aceita a perda e tem uma falha de adaptaccedilatildeo
estaacute sujeito a aceitar apostas mais arriscadas que provavelmente natildeo seriam aceitas em
outras circunstacircncias (KAHNEMAN TVERSKY 1979) Na anaacutelise tambeacutem realizada por
(TVERSKY KAHNEMAN 1991) a aversatildeo agraves perdas (loss aversion) eacute investigada e sugere
que o impacto das desvantagens eacute maior que vantagens auferidas implicando aversatildeo
dos agentes a perdas e realccedilando a assimetria da funccedilatildeo de utilidade de ganhos e perdas
Outra observaccedilatildeo foi que quando o preccedilo estaacute aumentando o impacto na decisatildeo de
consumo eacute maior A relutacircncia para aceitar perdas foi observada nos agentes Um estudo
no mercado de accedilotildees mostrou que o nuacutemero de operaccedilotildees aumenta quando o mercado
15
estaacute em tendecircncia de alta sendo assim a propensatildeo a compras eacute maior quando o preccedilo
do ativo estaacute subindo (TVERSKY KAHNEMAN 1991)
Na mesma linha os autores de (MERKLE MUumlLLER-DETHARD WEBER 2020) desenvolve-
ram experimentos para analisar a exposiccedilatildeo ao risco depois de realizadas e natildeo realizadas
perdas e tambeacutem para investimentos com diferentes assimetrias O estudo explorava os
desvios e falhas de racionalidade na tomada de decisotildees Os resultados de tais experimen-
tos evidenciaram que os agentes se expotildeem a riscos menores depois de perdas realizadas
e mais riscos depois de perdas ainda natildeo realizadas definido como efeito de realizaccedilatildeo
No trabalho publicado por (KAHNEMAN et al 2016) os autores exploram o conceito de
ruiacutedos como fonte de inconsistecircncia e irracionalidade em resultados Argumentam que
algoritmos estatildeo menos propensos a apresentarem tais ruiacutedos e vieses nas tomadas de
decisotildees
No estudo (HOMMES KOPAacuteNYI-PEUKER SONNEMANS 2020) desenvolveram um experi-
mento com grupos de agentes do mercado e investigou-se a formaccedilatildeo de bolhas nos preccedilos
No experimento observaram que o contaacutegio atraveacutes de notiacutecias afeta o comportamento
de tais agentes Por outro lado no trabalho (FAN et al 2009) os autores desenvolveram
um modelo baseado em autocircmatos celulares para descrever a dinacircmica do mercado de
accedilotildees e investigar se o grau de imitaccedilatildeo entre os agentes influencia a complexidade e
estabilidade do mercado Os resultados obtidos com o mercado simulado sugerem que haacute
uma correlaccedilatildeo entre tais fatores Tambeacutem observaram que quando o comportamento dos
agentes eacute distribuiacutedo de forma aleatoacuteria o mercado tende a ser mais estaacutevel
Em (CAGINALP ERMENTROUT 1990) os autores desenvolveram um modelo utilizando
equaccedilotildees diferenciais que incorpora o aspecto emocional dos investidores em um mercado
financeiro teoacuterico Resultados indicaram que fatores psicoloacutegicos satildeo capazes de influenciar
a estabilidade dos preccedilos evidenciando desvios da hipoacutetese de mercado eficiente
33 Trabalhos aplicados em previsatildeo
Haacute na literatura uma abundacircncia de artigos interessados na previsatildeo da dinacircmica do
mercado Alguns dos trabalhos estudados utilizam teacutecnicas computacionais interessados
na possibilidade de explorar possiacuteveis desvios de eficiecircncia do mercado e com isso obter
estimativas razoaacuteveis para preccedilos futuros
No trabalho (CARBONE CASTELLI STANLEY 2004) os autores argumentam que a
modelagem para previsatildeo de retorno e volatilidade de preccedilos eacute a principal tarefa da pesquisa
financeira A atividade neste sentido tem sido mantida pela suposiccedilatildeo de que muitas
seacuteries financeiras temporais apresentam algum padratildeo de correlaccedilatildeo e pela oportunidade
16
de arbitragem Se correlaccedilatildeo de longo prazo estaacute presente nas seacuteries de retornos de
ativos financeiros entatildeo a hipoacutetese de que o preccedilo segue um caminho completamente
aleatoacuterio natildeo eacute vaacutelida (CAJUEIRO TABAK 2004) Podemos destacar algumas contribuiccedilotildees
relacionadas agrave aacuterea de previsatildeo realizada por (RECHENTHIN STREET 2013) e (OLIVEIRA
NOBRE ZARATE 2013) Na primeira contribuiccedilatildeo os autores realizam um estudo utilizando
probabilidade condicional para identificar continuidade e reversatildeo de tendecircncias de preccedilos
em dados de negociaccedilotildees em alta frequecircncia O estudo eacute realizado para os dados dos
preccedilos do fundo de accedilotildees do SampP 500 para as frequecircncias de cotaccedilotildees de 1 3 5 10 e 20
segundos e 1 5 e 30 minutos Os autores concluem que o mercado apresenta ineficiecircncia
ateacute aproximadamente 30 minutos Para intervalos maiores o mercado analisado caminha em
direccedilatildeo a se tornar mais eficiente Jaacute na contribuiccedilatildeo (OLIVEIRA NOBRE ZARATE 2013)
os autores desenvolveram um modelo baseado em redes neurais artificiais As entradas da
rede satildeo alguns indicadores teacutecnicos e fundamentalistas juntamente com a seacuterie de preccedilos
da accedilatildeo preferencial da Petrobraacutes (PETR4) e a saiacuteda da rede eacute o preccedilo previsto As taxas
de acerto do preccedilo e de sua tendecircncia para as configuraccedilotildees das redes e os periacuteodos
apresentados satildeo satisfatoacuterias
Na referecircncia (ATSALAKIS VALAVANIS 2009) os autores realizam uma revisatildeo de artigos
baseados em modelos que utilizam teacutecnicas derivadas de redes neurais e fuzzy aplicadas na
previsatildeo de valores de mercados Nesta contribuiccedilatildeo satildeo apresentados diversos trabalhos
que satildeo classificados de acordo com o tipo de processamento de dados as variaacuteveis de
entrada tamanho da amostra tipo e caracteriacutestica da teacutecnica de implementaccedilatildeo bem como
meacutetodo de treinamento e validaccedilatildeo Os artigos aplicam os diferentes modelos na previsatildeo
de accedilotildees especiacuteficas portfoacutelios e iacutendices de mercados desenvolvidos e emergentes Os
autores encontraram dificuldades na definiccedilatildeo dos modelos em relaccedilatildeo agrave estrutura das
redes no que se refere agrave quantidade de camadas neurocircnios e outras paracircmetros
Na referecircncia (ATSALAKIS K 2013) o autor analisa 150 artigos cientiacuteficos que utilizam
teacutecnicas de previsatildeo de mercados de accedilotildees baseadas em modelos autoregressivos (AR)
meacutedia moacutevel (MA) autoregressivo com meacutedia moacutevel (ARMA) autoregressivo integrado com
meacutedia moacutevel (ARIMA) autoregressivo generalizado condicional (GARCH) dentre outros
Na revisatildeo satildeo observadas as teacutecnicas de processamento e tratamento dos dados bem
como os resultados e anaacutelise estatiacutestica dos modelos
No trabalho (GARCIA et al 2020) os autores natildeo argumentam que o mercado pode ser
representado por uma dinacircmica linear mas baseiam-se na suposiccedilatildeo de que possa existir
componentes lineares na dinacircmica das seacuteries Baseados nisso propotildeem um modelo para
capturar tal comportamento atraveacutes de um oscilador harmocircnico amortecido em que tentam
descrever a dinacircmica das oscilaccedilotildees de preccedilos comumente observadas no mercado pela
suposiccedilatildeo de que os preccedilos retornam a um preccedilo justo assimilando a restauraccedilatildeo das
17
forccedilas Os paracircmetros obtidos na janela analisada satildeo utilizados como estimativas para
fazer a previsatildeo dos preccedilos futuros adjacentes
Na referecircncia (MEI et al 2017) os autores realizam um estudo para investigar a melhora
na previsatildeo de volatilidade do mercado de accedilotildees utilizando dados de alta frequecircncia e
incorporando assimetria e curtose como variaacuteveis adicionais aos modelos de volatilidade
comuns Argumentam que o uso de dados de alta frequecircncia permite melhor compreensatildeo
da dinacircmica dos preccedilos facilitando a previsatildeo de volatilidade e com isso melhorando a
alocaccedilatildeo de portfoacutelio e o gerenciamento de risco
No trabalho apresentado em (NELSON PEREIRA OLIVEIRA 2017) os autores estudam o
uso de redes neurais recorrentes em particular a rede LSTM (Long-Short term memory)
para a previsatildeo de tendecircncias de preccedilos de accedilotildees utilizando dados histoacutericos e tambeacutem
a combinaccedilatildeo de indicadores da anaacutelise teacutecnica A investigaccedilatildeo foi realizada no mercado
brasileiro para dados com frequecircncia de cotaccedilatildeo de 15 minutos para as accedilotildees que compotildeem
o iacutendice Ibovespa no periacuteodo avaliado As acuraacutecias obtidas satildeo avaliadas de acordo com
meacutetricas estabelecidas e comparadas com outros modelos de previsatildeo tradicionais que
tambeacutem utilizam redes neurais De acordo com os autores os resultados satildeo promissores
Algoritmos de automatizaccedilatildeo de estrateacutegias e operaccedilotildees tambeacutem tecircm sido foco de vaacuterias
pesquisas na aacuterea Muitos destes trabalhos utilizam redes neurais artificiais para a constru-
ccedilatildeo dos modelos de previsatildeo Em (NAMETALA et al 2016) os autores desenvolveram uma
estrateacutegia automatizada que combina redes neurais artificiais e preditores economeacutetricos
para gerar sinais de compra ou venda por meio de um modelo de negociaccedilatildeo incorporado
ao algoritmo
A previsatildeo da direccedilatildeo dos preccedilos de ativos em mercados de accedilotildees eacute uma tarefa complicada
e tem sido um grande desafio mas que tem chamado a atenccedilatildeo de pesquisadores e agentes
de mercado tornando-se um campo de pesquisas promissoras Assim as pesquisas natildeo se
limitam apenas a estes trabalhos citados aqui Um amplo conjunto de teacutecnicas e modelos
de vaacuterias aacutereas tem sido empregado neste cenaacuterio com o objetivo de entender e modelar o
movimento deste sistema dinacircmico e complexo que eacute o mercado
34 Expoente de Hurst
O expoente de Hurst foi resultado de estudos realizados pelo hidroacutelogo britacircnico Harold
Edwin Hurst para o projeto de uma represa em meados 1951 Neste ele verificou que
alguns fenocircmenos da natureza natildeo se comportavam de maneira aleatoacuteria Tais fenocircmenos
observados possuiacuteam uma dependecircncia dentre eles as flutuaccedilotildees do rio Nilo e a partir
disso ele criou o meacutetodo para verificar a dependecircncia de longo alcance
18
Os modelos econocircmicos apresentados nos artigos (CARBONE CASTELLI STANLEY
2004) e (CAJUEIRO TABAK 2004) testam a hipoacutetese de mercado eficiente utilizando a
metodologia do expoente de Hurst O expoente de Hurst eacute calculado utilizando dados de
seacuteries temporais com o objetivo de observar o seu comportamento O resultado assume
valores entre 0 e 1 Valores proacuteximos de 1 indicam persistecircncia valores proacuteximos de zero
indicam anti-persistecircncia e valores proacuteximos de 0 5 indicam que a seacuterie natildeo possui tendecircn-
cia Uma vez que o meacutetodo DFA objetiva retirar tendecircncias das seacuteries quando ele eacute usado
a interpretaccedilatildeo sobre persistecircncia e anti persistecircncia vale para as seacuteries sem tendecircncia No
artigo (CARBONE CASTELLI STANLEY 2004) os autores calcularam o expoente de Hurst
para seacuteries artificiais de fractais e em seacuteries dos log retornos do DAX2 e BOBL 3 utilizando
o meacutetodo DFA (detrended fluctuation analysis) e DMA (detrending moving average) Para
as seacuteries de preccedilos reais de ativos encontraram valores fora da faixa de variabilidade local
indicando que o mercado natildeo segue o movimento browniano Este resultado contraria a
Hipoacutetese de Mercado Eficiente onde os expoentes devem ser proacuteximos de 0 5 Jaacute no
artigo (CAJUEIRO TABAK 2004) com o objetivo de mostrar que mercados emergentes
satildeo menos eficientes que mercados desenvolvidos os autores calculam o expoente de
Hurst das seacuteries dos iacutendices de 11 mercados emergentes e de 2 paiacuteses desenvolvidos
Como resultado encontraram que a dinacircmica do expoente de Hurst para paiacuteses desen-
volvidos se aproxima de passeio aleatoacuterio sem vieacutes flutuando em torno do valor 0 5 Nos
paiacuteses emergentes os valores dos expoentes apresentam uma maior variaccedilatildeo indicando
certos niacuteveis de ineficiecircncia com predominacircncia de persistecircncia Ainda de acordo com
(CAJUEIRO TABAK 2004) a maior ineficiecircncia em mercados emergentes pode estar
relacionada a algumas caracteriacutesticas que os diferenciam dos mercados desenvolvidos
relacionadas agrave velocidade de propagaccedilatildeo de informaccedilotildees ao fluxo de capitais e agrave eficiecircncia
no processo de negociaccedilatildeo Na mesma linha os autores do artigo (CAGINALP DESANTIS
2011) afirmam que em um paiacutes em desenvolvimento em um mercado de accedilotildees em iniacutecio
de implantaccedilatildeo pode ser esperada ineficiecircncia devida agrave dificuldade de capitalizaccedilatildeo dos
ativos ao menor nuacutemero e agrave falta de experiecircncia dos investidores Quanto agrave ineficiecircncia
atribuiacuteda agrave quantidade de capital disponiacutevel resultados experimentais mostram que um
desbalanceamento entre a quantidade de capital e de ativos pode levar o mercado a preccedilos
incorretos (CAGINALP 2002) Esse resultado sugere que o preccedilo negociado no mercado eacute
reflexo tambeacutem do fluxo de recursos e natildeo apenas do preccedilo verdadeiro do ativo Outros
resultados experimentais que indicam a ineficiecircncia de mercado podem ser encontrados
em (CAGINALP PORTER SMITH 2000)
2Iacutendice que representa as 30 maiores empresas de capital aberto da Alemanha3Tiacutetulo do governo federal alematildeo
19
Capiacutetulo 4
Fundamentaccedilatildeo teoacuterica
Neste capiacutetulo vamos descrever de forma sucinta alguns conceitos de financcedilas necessaacuterios
para a compreensatildeo do trabalho O mercado de capitais eacute um amplo sistema financeiro que
envolve diversas variaacuteveis que natildeo seratildeo contempladas neste trabalho Vamos concentrar
nossos estudos no mercado de accedilotildees por isso vamos estender as discussotildees para
definiccedilotildees relacionados a este mercado
41 Fundamentaccedilatildeo teoacuterica em financcedilas
O mercado financeiro eacute um extenso sistema que envolve diversos tipos de mercados dentre
eles o mercado de renda variaacutevel que eacute aquele em que natildeo se pode dimensionar os
resultados do investimento no momento da aplicaccedilatildeo As accedilotildees satildeo tiacutetulos especiacuteficos
deste mercado de renda variaacutevel Satildeo fraccedilotildees do capital social de uma empresa de capital
aberto (sociedade anocircnima) Cada empresa tem o seu coacutedigo de negociaccedilatildeo na bolsa
que no Brasil geralmente eacute dado por quatro letras seguidas de um nuacutemero Podem ser
negociadas em lotes padratildeo ou fracionaacuterio Elas podem ser do tipo ordinaacuterias (ON) ou
preferenciais (PN) As principais diferenccedilas entre os dois tipos eacute que a preferencial tem
preferecircncia no recebimento de proventos e tambeacutem preferecircncia e reembolso de capital em
caso de liquidaccedilatildeo da empresa jaacute a ordinaacuteria concede direito a voto nas assembleacuteias de
acordo com o volume de participaccedilatildeo em ativos A remuneraccedilatildeo aos acionistas eacute dada por
meio de proventos como dividendos juros sobre capital proacuteprio bonificaccedilotildees e direito de
subscriccedilatildeo Os dividendos correspondem ao valor de parte do lucro obtido pela empresa
que eacute distribuiacutedo aos acionistas Juros sobre capital proacuteprio satildeo valores pagos em dinheiro
poreacutem deduzido do lucro tributaacutevel da empresa Do ponto de vista do acionista a diferenccedila
do recebimento entre os dois eacute que os dividendos natildeo tem incidecircncia de imposto de renda jaacute
os juros sobre capital proacuteprio tem uma aliacutequota de 15 sobre o valor recebido A bonificaccedilatildeo
eacute quando a empresa distribui a cada acionista uma quantidade de accedilotildees proporcional
agraves possuiacutedas em custoacutedia A subscriccedilatildeo confere ao acionista o direito de adquirir uma
20
quantidade proporcional agraves suas a um preccedilo preestabelecido pela empresa
As negociaccedilotildees em accedilotildees no Brasil satildeo realizadas na B3 comumente conhecida como
Bovespa que eacute a bolsa de Valores Mercadorias e Futuros de Satildeo Paulo que atua no
segmento BMampFBOVESPA A B3 administra uma uacutenica plataforma de negociaccedilatildeo multiativos
ndash o PUMA Trading System Atraveacutes deste sistema satildeo realizadas as operaccedilotildees com ativos
de renda variaacutevel renda fixa derivativos e commodities (BMampFBOVESPA 2020b) Os
custos transacionais para operar accedilotildees na B3 satildeo taxa de corretagem e emolumentos que
satildeo divididos em taxa de liquidaccedilatildeo negociaccedilatildeo e registro O imposto de renda eacute cobrado
sobre o valor do ganho nas operaccedilotildees sendo 20 para day trade e 15 em operaccedilotildees
comuns
O Ibovespa eacute o principal iacutendice de accedilotildees da B3 Eacute composto por uma carteira teoacuterica
contendo em meacutedia sessenta principais accedilotildees listadas na bolsa sendo um importante indi-
cador de desempenho destas empresas A cada quatro meses a composiccedilatildeo eacute reavaliada
e as accedilotildees satildeo incluiacutedas (excluiacutedas) de acordo com os criteacuterios descritos na sua metodo-
logia de seleccedilatildeo levando em consideraccedilatildeo o nuacutemero de negoacutecios e o volume financeiro
(BMampFBOVESPA 2015) A composiccedilatildeo do Ibovespa em janeiro de 2017 eacute apresentada
na tabela 26 anexo A Jaacute o Dow Jones tambeacutem referenciado como Dow Jones Industrial
Average eacute um iacutendice do mercado americano que representa a negociaccedilatildeo das 30 maiores e
mais importantes empresas de capital aberto negociadas A sua composiccedilatildeo em janeiro de
2017 eacute apresentada na tabela 27 anexo B O Dow Jones eacute um dos principais indicadores
do movimento do mercado americano e tem grande influecircncia sobre outros mercados tal
como o mercado brasileiro
As negociaccedilotildees no mercado de accedilotildees satildeo realizadas por meio de ordens lanccediladas na
corretora e que posteriormente satildeo enviadas agrave bolsa As ordens podem ser enviadas
atraveacutes do home broker que eacute uma plataforma oferecida pelas corretoras para possibilitar
a conexatildeo e o envio de ordens agrave bolsa ou atraveacutes de outras plataformas de negociaccedilatildeo
contratadas pelos agentes As ordens enviadas podem ser do tipo a mercado ordem limite
ou ordem stop Na ordem a mercado a operaccedilatildeo eacute realizada no preccedilo atual do ativo Na
ordem limite o preccedilo eacute definido e a operaccedilatildeo soacute ocorreraacute se o valor for atingido ou em casos
especiacuteficos em um preccedilo melhor do que o definido Jaacute na ordem stop eacute possiacutevel enviar
ordens com valores de ganhos (perdas) preacute definidos para uma operaccedilatildeo Nesta opccedilatildeo
as ordens soacute seratildeo disparadas quando o preccedilo for atingido Os stops satildeo ferramentas
de seguranccedila utilizadas para controlar a perda maacutexima aceitaacutevel (stop loss) e o ganho
almejado (stop gain) definido para uma estrateacutegia O perfil do investidor pode ser definido
como conservador moderado ou agressivo (arrojado) de acordo com a sua toleracircncia a
riscos
As operaccedilotildees no mercado de accedilotildees brasileiro podem ser classificadas com base na
21
frequecircncia em que realizam-se as transaccedilotildees Day trade eacute uma estrateacutegia de curta duraccedilatildeo
em que as posiccedilotildees em ativos satildeo abertas e fechadas em um mesmo dia Swing trade eacute
modalidade em que as operaccedilotildees satildeo fechadas em intervalos menores de dias geralmente
de dois a cinco dias Jaacute em operaccedilotildees de position trade as transaccedilotildees satildeo realizadas em
frequecircncias maiores pensando em longo prazo
No mercado de accedilotildees o retorno eacute dado pela diferenccedila percentual entre o preccedilo no tempo
t e t minus 1 Eacute usual considerar-se retornos logariacutetmicos que satildeo dados pela diferenccedila dos
logaritmos dos preccedilos no tempo t e tminus 1 A volatilidade estaacute relacionada agrave amplitude de
variaccedilatildeo destes retornos Quanto mais os preccedilos de um ativo variam em um intervalo de
tempo maiores as possibilidades de ganhos ou perdas em operaccedilotildees Em alguns modelos
a volatilidade eacute utilizada como medida de risco da estrateacutegia Jaacute a liquidez de um ativo
refere-se agrave capacidade deste converter-se em dinheiro sem perdas em relaccedilatildeo a isso
Quanto maior a liquidez menor a diferenccedila (spread) do preccedilo entre as ofertas de compra e
venda de um ativo
Seacuterie temporal eacute um conjunto de observaccedilotildees (dados) armazenadas ao longo de um
intervalo de tempo No mercado de accedilotildees as seacuteries podem ser compostas por valores de
fechamento abertura maacuteximo miacutenimo volume e outros dados de ativos Satildeo importantes
para a realizaccedilatildeo de backtests anaacutelises empiacutericas e caracterizaccedilatildeo de movimento e
oscilaccedilatildeo do mercado Tambeacutem satildeo utilizadas por analistas teacutecnicos na composiccedilatildeo de
graacuteficos
No mercado de accedilotildees existem duas metodologias de anaacutelises amplamente utilizadas e
que satildeo comumente chamada de escolas de anaacutelises teacutecnicas e fundamentalistas Anaacutelise
teacutecnica baseia-se na suposiccedilatildeo de que preccedilos passados podem ajudar a prever o movimento
futuro e para tanto utilizam-se graacuteficos para definir a dinacircmica dos preccedilos dos ativos Natildeo
leva em consideraccedilatildeo informaccedilotildees fundamentalistas das empresas pois acredita que o
graacutefico jaacute estaacute precificado com tais informaccedilotildees O candle (candlestick ) eacute a ferramenta da
anaacutelise teacutecnica mais utilizada no mercado de accedilotildees Representa graficamente a variaccedilatildeo do
preccedilo em um determinado intervalo de tempo Eacute formado por um corpo e sombras inferior e
superior sendo possiacutevel representar o preccedilo de abertura fechamento maacuteximo e miacutenimo na
frequecircncia analisada Na figura 3 mostramos os candles diaacuterios para o contrato futuro de
mini iacutendice no mecircs de outubro de 2020 Os candles na cor vermelha indicam que a abertura
foi maior que o fechamento sendo um candle de baixa Os candles na cor verde indicam
que a abertura foi menor que o fechamento sendo assim de alta As sombras inferiores
(superiores) tambeacutem denominadas pavios representam os valores miacutenimos (maacuteximos) na
frequecircncia analisada
22
0 2 4 6 8 10 12 14 16 18 20 22
Dias
93
94
95
96
97
98
99
10
101
102
103P
onto
s104
Figura 3 ndash Candles do WINZ20 Representa os dados da seacuterie de pontos diaacuterios do contratofuturo do mini iacutendice no mecircs de outubro de 2020 Os candles na cor vermelhaindicam que a abertura foi maior que o fechamento Candles na cor verde indicamque a abertura foi menor que o fechamento As sombras inferiores (superiores)indicam o valor miacutenimo (maacuteximo) do intervalo
A anaacutelise fundamentalista leva em consideraccedilatildeo vaacuterias informaccedilotildees financeiras para projetar
resultados futuros no meacutedio e longo prazo As projeccedilotildees satildeo baseadas principalmente em
interpretaccedilotildees de dados e indicadores disponibilizados atraveacutes de balanccedilos da empresa
Em ambas as anaacutelises eacute possiacutevel desenvolver um modelo e realizar um backtest utilizando
dados histoacutericos relevantes O backtest serve para testar a estrateacutegia e verificar como
ela se comportou em dados passados e com base nestes resultados tentar aplicar em
dados futuros com a perspectiva de que os resultados seratildeo aproximadamente replicados
Algumas plataformas que possibilitam o backtest apresentam certas limitaccedilotildees tais como
natildeo considerar execuccedilatildeo de ordem no preccedilo pior do que o esperado (slippage) natildeo simular
a fila do livro de ofertas natildeo replicar momentos de grande volatilidade e liquidez do ativo
bem como natildeo considerar a diferenccedila vigente entre o menor preccedilo de venda e o maior
preccedilo de compra (spread) Outro problema do backtest eacute a super otimizaccedilatildeo (overfit) que
23
consiste em trabalhar em um certo periacuteodo e otimizar todos os paracircmetros da estrateacutegia
para obter uma boa condiccedilatildeo naquele intervalo poreacutem em periacuteodos diferentes a estrateacutegia
natildeo apresenta bons resultados
Na nossa simulaccedilatildeo utilizamos alguns indicadores retornados pela plataforma de simulaccedilatildeo
que geralmente satildeo utilizados para avaliar o desempenho dos investimentos Estes seratildeo
descritos na seccedilatildeo seguinte
411 Indicadores utilizados nas estrateacutegias
Nesta seccedilatildeo vamos descrever os indicadores utilizados para medir o desempenho das
estrateacutegias que seratildeo apresentadas no capiacutetulo 7 Os caacutelculos dos indicadores econocircmicos
financeiros satildeo baseados principalmente nos valores de retorno e de capital inicial (Ci) e
final (Cf ) Os indicadores aqui apresentados satildeo os que a plataforma de simulaccedilatildeo retorna
e alguns casos satildeo ligeiramente diferentes dos usualmente utilizados no mercado
bull Perdas e ganhos - PNL
Mostra o resultado financeiro (lucro ou prejuiacutezo) apoacutes a execuccedilatildeo da estrateacutegia Eacute a
diferenccedila entre o capital possuiacutedo ao final da execuccedilatildeo da estrateacutegia e o capital inicial
investido
PNL = Cf minus Ci (1)
bull Retorno acumulado - ra
O retorno acumulado obtido com a estrateacutegia ao final da execuccedilatildeo eacute dado pelo razatildeo
entre o capital final possuiacutedo Cf e o capital inicial investido Ci
ra =CfCi (2)
bull Retorno anual esperado - EAR
Retorno estimado que a estrateacutegia alcanccedilaraacute em um periacuteodo de um ano mantendo a
mesma performance Eacute medido utilizando a inclinaccedilatildeo da regressatildeo linear da curva
de retorno acumulado por dia (slope)
EAR = 252times slope (3)
bull Estabilidade - R2
Mostra a estabilidade da estrateacutegia atraveacutes do coeficiente de determinaccedilatildeo R2 da
seacuterie de retornos acumulados O valor do coeficiente varia entre 0 e 1 Quanto maior
o valor de R2 maior a capacidade do modelo se ajustar agrave amostra
24
bull Volatilidade - V olatilidade
Mostra a volatilidade anualizada da estrateacutegia que eacute baseada no desvio padratildeo
dos retornos diaacuterios σr extrapolado para o periacuteodo de um ano Neste caacutelculo satildeo
considerados apenas os dias uacuteteis (252)
V olatilidade = σrradic
252 (4)
bull Sharpe - IS
Eacute um indicador utilizado para avaliar a relaccedilatildeo entre o risco e o retorno de um
investimento Mostra o retorno r acima de uma taxa livre de risco rf ajustado pela
volatilidade (risco) σ Quanto maior o Sharpe maior a expectativa de retorno frente ao
risco associado Eacute dado por
IS =r minus rfσ
(5)
bull Sortino - ISO
Eacute um indicador que como o iacutendice Sharpe avalia a relaccedilatildeo entre o risco e o retorno
de um investimento Poreacutem o Sortino leva em consideraccedilatildeo apenas a volatilidade
negativa σd anulando os desvios dos retornos positivos
ISO =r minus rfσd
(6)
bull Max Drawdown - MDD
Retrata a maior perda percentual que a estrateacutegia teve durante sua execuccedilatildeo
bull Beta - β
Eacute uma medida de volatilidade da estrateacutegia em relaccedilatildeo a um benchmark1 Mede o
quanto o desempenho da estrateacutegia segue o da economia em geral eacute dado por
β =cov(r rb)
var(rb) (7)
onde r eacute o retorno da estrateacutegia e rb o retorno do benchmark
bull Alpha - α
Este paracircmetro estima o quanto a estrateacutegia se destacou positivamente dos retornos
retratados pelo benchmark selecionado ou seja tenta mensurar quanto retorno a
estrateacutegia gerou acima do crescimentodecrescimento natural da economia
α = rd minus βrb (8)
onde rd eacute a meacutedia dos retornos diaacuterios da estrateacutegia rb eacute o retorno do benchmark e β
o coeficiente calculado1Paracircmetro utilizado como orientaccedilatildeo para avaliar o desempenho de um investimento
25
bull Value at Risk - V aR
Este paracircmetro estima o risco potencial de uma perda maacutexima de um ativo ou portfoacutelio
em um horizonte de tempo definido e com um determinado niacutevel de confianccedila Na
plataforma seu caacutelculo pelo meacutetodo parameacutetrico eacute feito assumindo a distribuiccedilatildeo
normal nos retornos diaacuterios de toda a carteira e considerando um niacutevel de confianccedila
de 95
V aR = ppf(0 05 rd σrd) (9)
onde ppf eacute a funccedilatildeo de densidade de probabilidade gaussiana rd eacute a meacutedia dos retor-
nos diaacuterios e σrd eacute o desvio padratildeo dos retornos diaacuterios O ponto de 5 corresponde
aproximadamente a 1645 desvios agrave esquerda da meacutedia dos retornos
26
Capiacutetulo 5
Modelos
Neste capiacutetulo vamos mostrar a formulaccedilatildeo do tratamento dos dados que seratildeo
utilizados nas etapas seguintes do trabalho a apresentaccedilatildeo de um modelo baseado
em um sistema de equaccedilotildees diferenciais lineares e a sua adaptaccedilatildeo para um novo
modelo de ajuste de pontos bem como a definiccedilatildeo de um modelo de previsatildeo de
tendecircncia de preccedilos
51 Tratamento dos dados
O preccedilo bruto de cada uma das n accedilotildees no tempo t isin Z1 eacute representado por xk(t)
(k = 1 2 middot middot middot n) Neste trabalho vamos utilizar dados com preccedilos tratados que
consistem nos desvios destes preccedilos brutos xk(t) em relaccedilatildeo a preccedilos considerados
justos Contudo determinar o preccedilo justo de cada accedilatildeo envolve diversas variaacuteveis que
natildeo estatildeo no foco do estudo Uma forma que estabelecemos como aproximaccedilatildeo para
o caacutelculo foi utilizar uma meacutedia moacutevel exponencial xk (t) calculada em um periacuteodo
precedente ao preccedilo bruto analisado definida como
xk (t) = (xk (tminus 1)minus xk (tminus 1))times 2
(S + 1)+ xk (tminus 1) (10)
onde S eacute um paracircmetro relacionado ao peso dado ao uacuteltimo valor xk(t) no caacutelculo e
xk (tminus 1) eacute a meacutedia moacutevel exponencial calculada no periacuteodo anterior2 Quanto maior o
tamanho de S menor o peso dado ao uacuteltimo preccedilo Neste trabalho utilizamos S = 12
1Embora t seja usualmente utilizado para definir tempo contiacutenuo no trabalho vamos utilizar para represen-tar tempo discreto
2A Eq (10) tem caracteriacutestica recursiva ou seja o caacutelculo de xk (t) depende de um valor de xk (t0) inicialDesta forma para o primeiro caacutelculo foi utilizada uma meacutedia simples calculada em uma janela de pontosprecedentes ao preccedilo analisado escolhida com tamanho S
xk(0) =1
S
t0minus1sumt=t0minusS
xk (t) (11)
27
para o caacutelculo das meacutedias moacuteveis que foram utilizadas como aproximaccedilatildeo para os
preccedilos justos Com isto a nova seacuterie de preccedilos tratados seraacute dada pela diferenccedila
entre o logaritmo dos preccedilos brutos e o logaritmo dos preccedilos considerados justos
definida como
Xk (t) = ln xk (t)minus ln xk (t) (12)
Consideramos que os desvios dos preccedilos brutos em relaccedilatildeo aos preccedilos justos eacute que
satildeo importantes para a representaccedilatildeo da dinacircmica das seacuteries Desta forma a partir
deste ponto em nossas anaacutelises utilizaremos as novas seacuteries de preccedilos tratados
Para ilustrar o comportamento das seacuteries construiacutemos a figura 4 que mostra o
logaritmo da seacuterie de preccedilos brutos x1 e da seacuterie de meacutedias moacuteveis x1 (em (a)) bem
como o logaritmo da seacuterie de preccedilos tratados X1 para a accedilatildeo ITUB4 (em (b)) A
escolha da seacuterie foi justificada por ser ITUB4 a accedilatildeo que tem a maior porcentagem
de participaccedilatildeo na carteira teoacuterica do Ibovespa do primeiro quadrimestre de 2017
Podemos observar que a curva das meacutedias moacuteveis representada pela linha pontilhada
eacute mais suave que a curva dos valores brutos Tambeacutem observamos que a curva de
preccedilos tratados X1 tende a se aproximar da origem apoacutes as variaccedilotildees observadas
52 Ajuste linear do dados
O modelo de equaccedilotildees diferenciais lineares que propusemos em (RESENDE et al
2017) eacute dado na formad
dtXa (t) = BXa (t) (13)
onde
Xa(t) =
X1(tminus n+ 1) middot middot middot X1(tminus 1) X1(t)
X2(tminus n+ 1) middot middot middot X2(tminus 1) X2(t)
Xn(tminus n+ 1) middot middot middot Xn(tminus 1) Xn(t)
e
B =
B11 B12 middot middot middot B1n
B21 B22 middot middot middot B2n
Bn1 Bn2 middot middot middot Bnn
A equaccedilatildeo (13) equivale a n equaccedilotildees do tipo
d
dt
X1(τ)
X2(τ)
Xn(τ)
= B
X1(τ)
X2(τ)
Xn(τ)
(14)
28
357
358
359
36
361
362lnx1lnx1
0 100 200 300 400 500minus002
minus001
0
001
002
003
t
lnX
1
(a)
(b)
Figura 4 ndash Comparaccedilatildeo de preccedilos brutos meacutedias moacuteveis e preccedilos tratados da seacuterieda ITUB4 (k = 1) A figura mostra 500 pontos com granularidade de 5 minutospara a accedilatildeo com maior participaccedilatildeo na carteira teoacuterica do Ibovespa no primeiroquadrimestre de 2017 (a) A linha contiacutenua representa a evoluccedilatildeo do logaritmodos preccedilos brutos lnx1 e a linha pontilhada descreve as meacutedias moacuteveis ln x1 (b)Representa os preccedilos tratados lnX1
com tminus n+ 1 le τ le t
Neste modelo consideramos que os desvios dos preccedilos brutos em relaccedilatildeo aos
preccedilos considerados justos satildeo os elementos importantes para a caracterizaccedilatildeo das
dinacircmicas das seacuteries
Discretizando o modelo de equaccedilotildees diferenciais representado pela equaccedilatildeo (13)
obtemos
Xa(t)minusXa(tminus 1)
∆t= BXa(t) (15)
equivalente a
29
Xa(tminus 1) = Xa(t)minus∆tBXa(t) (16)
= (Iminus∆tB)Xa(t)
onde I eacute a matriz identidade ntimesn Assumindo que Aa = (Iminus∆tB)minus1 existe podemos
escrever
Xa(t) = AaXa(tminus 1) (17)
No modelo apresentado acima se existir a inversa de Xa(tminus 1) podemos encontrar
as matrizes Aa perfeitamente ajustadas para a equaccedilatildeo (17) isto eacute o sistema definido
desta maneira apresenta soluccedilotildees que passam em todos os pontos no intervalo [tminusn
t] Agora adaptaremos o modelo buscando matrizes Aa que satildeo aproximadamente
ajustadas em intervalos maiores Para a definiccedilatildeo suponha que a evoluccedilatildeo dos preccedilos
tratados ainda possa ser expressa pela combinaccedilatildeo linear das n accedilotildees analisadas
sendo
X(t) = AX(tminus 1) + ε (18)
onde
X(t) =
X1(tminusR + 1) X1(tminus 1) X1(t)
X2(tminusR + 1) X2(tminus 1) X2(t)
Xn(tminusR + 1) Xn(tminus 1) Xn(t)
X(tminus 1) =
X1(tminusR) X1(tminus 2) X1(tminus 1)
X2(tminusR) X2(tminus 2) X2(tminus 1)
Xn(tminusR) Xn(tminus 2) Xn(tminus 1)
A =
A(1 1) A(1 nminus 1) A(1 n)
A(2 1) A(2 nminus 1) A(2 n)
A(n 1) A(n nminus 1) A(n n)
ε =
ε1(tminusR + 1) ε1(tminus 1) ε1(t)
ε2(tminusR + 1) ε2(tminus 1) ε2(t)
εn(tminusR + 1) εn(tminus 1) εn(t)
ε eacute o erro associado ao ajuste R eacute a quantidade de pontos utilizados no ajuste e n
a quantidade de accedilotildees analisadas Os diferentes valores que R pode assumir seratildeo
testados e apresentados mais detalhadamente na seccedilatildeo 61
30
Observe que a equaccedilatildeo (18) eacute diferente da equaccedilatildeo (17) uma vez que existe um erro
associado ao ajuste aproximado e tambeacutem pelo fato de que Xa(t)(Xa(tminus 1)) eacute ntimes ne X(t)(X(tminus 1)) eacute da ordem ntimesR e consequentemente a matriz de coeficientes A
eacute diferente de B
Expandindo a equaccedilatildeo (18) para tminusR + 1 le τ le t o sistema fica na formaX1(τ) = A(1 1)X1(τ minus 1) + A(1 2)X2(τ minus 1) + A(1 n)Xn(τ minus 1) + ε1(τ)
X2(τ) = A(2 1)X1(τ minus 1) + A(2 2)X2(τ minus 1) + A(2 n)Xn(τ minus 1) + ε2(τ)
Xn(τ) = A(n 1)X1(τ minus 1) + A(n 2)X2(τ minus 1) + A(n n)Xn(τ minus 1) + εn(τ)
(19)
A equaccedilatildeo (18) se assemelha a um modelo de regressatildeo linear multivariado En-
tretanto a sua validaccedilatildeo como tal modelo depende da capacidade do mesmo em
representar a dinacircmica que produziu os dados A possiacutevel violaccedilatildeo das premissas
de um modelo de regressatildeo natildeo invalida o nosso modelo Como veremos adiante
estamos interessados nos resultados de acerto de tendecircncia que seratildeo analisados
com rigor estatiacutestico De fato natildeo esperamos que um modelo linear seja capaz de
representar a dinacircmica do mercado financeiro O que eacute refletido na distribuiccedilatildeo dos
erros que natildeo atendem as premissas de independecircncia e normalidade Contudo
as matrizes apresentaram melhores resultados em termos computacionais e de
qualidade das soluccedilotildees que os obtidos com o meacutetodo do gradiente explorado em
trabalhos anteriores (RESENDE et al 2017)
Na equaccedilatildeo (18) desconsiderando o erro a partir dos X(t) e X(t minus 1) podemos
definir a matriz de coeficientes A de forma anaacuteloga agrave descrita por (AGUIRRE 2007)
Como a matriz X(t minus 1) natildeo eacute quadrada ela natildeo pode ser invertida Entretanto
podemos multiplicar a equaccedilatildeo (18) em ambos os lados por X(t minus 1)T e obter A
fazendo
X(t)X(tminus 1)T = AX(tminus 1)X(tminus 1)T
A(X(tminus 1)X(tminus 1)T )(X(tminus 1)X(tminus 1)T )minus1 = X(t)X(tminus 1)T (X(tminus 1)X(tminus 1)T )minus1
A = (X(t)X(tminus 1)T )(X(tminus 1)X(tminus 1)T )minus1 (20)
Para as manipulaccedilotildees algeacutebricas consideramos a existecircncia da inversa de (X(tminus1)X(t minus 1)T ) Outra forma para estimar a matriz A eacute atraveacutes do meacutetodo dos miacuteni-
mos quadrados conforme descrito por (AGUIRRE 2007) A teacutecnica da otimizaccedilatildeo
matemaacutetica eacute apresentada no apecircndice A para complementar o trabalho
31
A matriz A pode variar de acordo com a escolha de t conforme a equaccedilatildeo (20)
Deste modo usaremos a notaccedilatildeo A(t) para a denotar a matriz A calculada utilizando
pontos do tempo tminusR ateacute o tempo t
Com a matriz X(t) e X(tminus 1) podemos calcular a variaccedilatildeo nos preccedilos das accedilotildees
que eacute a diferenccedila do preccedilo da accedilatildeo no periacuteodo t em relaccedilatildeo ao periacuteodo anterior tminus 1
Esta variaccedilatildeo do preccedilo ∆X(t) eacute denominada retorno do ativo definida por
∆X(t) =
∆X1(t)
∆X2(t)
∆Xn(t)
(21)
sendo
∆Xk(t) = Xk(t)minusXk(tminus 1) (22)
= log
(xk(t)
xk(t)
)minus log
(xk(tminus 1)
xk(tminus 1)
)
onde usamos no passo final a equaccedilatildeo (12)
53 Modelo de previsatildeo
Para tentar prever o preccedilo no tempo t + 1 vamos utilizar como paracircmetro a matriz
A(t) Para tanto eacute desejaacutevel que A(t) varie pouco no tempo sendo A(t) proacutexima a
A(tminus 1) Trabalhamos com a hipoacutetese de linearidade local na vizinhanccedila de t Para
analisar esta variaccedilatildeo da matriz A(t) no tempo definimos a distacircncia
d (A(t)A(tminus 1)) =
radicradicradicradic nsumi=1
nsumj=1
|A(t)ij minus A(tminus 1)ij|2 (23)
onde A(t)ij (A(tminus 1)ij) eacute o elemento da matriz A(t) (A(tminus 1)) na linha i e coluna j
entre as matrizes adjacentes A(t) e A(tminus 1) para vaacuterios valores de R e mostramos
os resultados na figura 5
32
0
5
10
15
20
25
30
200 400 600 800 1000minus05
0
05
1
15
0
2
4
6
8
d
200 400 600 800 1000minus05
0
05
1
R
(a) (c)
(d)(b)
Figura 5 ndash Distribuiccedilatildeo das distacircncias entre as matrizes A em tempos adjacentespara valores de R variando de 100 a 1000 Foram realizadas 5 000 execuccedilotildeespara as accedilotildees do Ibovespa e 3 900 para as accedilotildees que compotildeem o Dow JonesUtilizamos seacuteries de preccedilos com granularidade de 5 minutos no periacuteodo de020117 a 280417 (primeiro quadrimestre de 2017) A linha contiacutenua representaa meacutedia das distacircncias e a linha pontilhada mostra a meacutedia de dplusmn os desvios (a)Calculamos a distacircncia entre as matrizes adjacentes obtidas para todas as accedilotildeesdo iacutendice Dow Jones (b) Distacircncia das matrizes adjacentes obtidas utilizando as10 accedilotildees com maiores participaccedilotildees no iacutendice Dow Jones (c) Distacircncia entreas matrizes adjacentes calculadas utilizando todas as accedilotildees que compotildeem acarteira teoacuterica do Ibovespa (d) Distacircncia entre as matrizes obtidas utilizando as10 accedilotildees com maiores pesos de participaccedilatildeo na composiccedilatildeo do Ibovespa
33
Analisando os resultados da figura 5 obtidos com a Eq (20) percebemos que agrave
medida em que aumentamos o valor de R as distacircncias entre as matrizes calculadas
em tempos adjacentes diminuiacuteram Anaacutelises da quantidade de accedilotildees tamanho de R
e outras seratildeo exploradas no Cap 6
Com a perspectiva de que a matriz A(t) calculada utilizando-se R + 1 preccedilos passa-
dos varie pouco e com isso seja uma boa estimativa para A(t+ 1) a empregamos
como instrumento para o modelo de previsatildeo Este modelo seraacute baseado na equaccedilatildeo
(18) definido por
X(t+ 1) = A(t)Xc(t) (24)
onde A(t) foi obtida com os R + 1 preccedilos ateacute o tempo t
X(t+ 1) =
X1(t+ 1)
X2(t+ 1)
Xn(t+ 1)
eacute a matriz com preccedilos previstos das accedilotildees no tempo t+ 1 e
Xc =
X1(t)
X2(t)
Xn(t)
eacute uma matriz coluna com os valores dos preccedilos tratados no tempo t
Mesmo que haja pouca variaccedilatildeo entre as matrizes A(t) e A(t+1) eacute natural obtermos
um erro associado agrave previsatildeo
O retorno previsto das accedilotildees eacute dado por
∆X(t+ 1) =
∆1X(t+ 1)
∆2X(t+ 1)
∆nX(t+ 1)
(25)
onde
∆Xk(t+ 1) = Xk(t+ 1)minusXk(t) (26)
Os retornos reais ∆X(t+1) e os previstos ∆X(t) dos ativos satildeo referentes a retornos
de preccedilos tratados A partir destes valores podemos definir tendecircncias poreacutem para
analisar a direccedilatildeo destes preccedilos eacute preciso analisar dados de preccedilos brutos x(t) e natildeo
mais os preccedilos tratados X(t) Para o caacutelculo com estes dados brutos eacute preciso fazer
a operaccedilatildeo para reverter os dados tratados que foram utilizados ateacute este ponto do
34
trabalho Para o tratamento inicial dos dados utilizamos a equaccedilatildeo (12) reproduzida
abaixo
Xk (t) = ln xk (t)minus ln xk (t) (27)
onde Xk(t) eacute o preccedilo tratado de fechamento da accedilatildeo k no tempo t xk(t) eacute o preccedilo
bruto de fechamento da accedilatildeo k no tempo t e xk eacute a meacutedia moacutevel calculada utilizando
dados precedentes a xk(t)
Para transformar os preccedilos tratados em preccedilos brutos partimos da equaccedilatildeo (12) e
obtemos
xk(t) = xk(t) lowast eXk(t) (28)
Evidentemente os preccedilos brutos reais satildeo conhecidos e este procedimento eacute impor-
tante para calcularmos preccedilos brutos previstos Assim podemos definir os retornos
de preccedilos brutos reais ∆x(t) e os previstos ∆x(t) utilizando as equaccedilotildees 22 e 26
respectivamente
A partir da variaccedilatildeo do preccedilo no periacuteodo podemos definir o vetor de tendecircncia
T =
T1(t)
T2(t)
Tn(t)
(29)
onde T assume os valores minus1 0 e 1 sendo minus1 associado agrave tendecircncia de baixa 0
sinal neutro e 1 agrave tendecircncia de alta do preccedilo Deste ponto em diante do trabalho
estamos interessados apenas na tendecircncia e natildeo no valor do preccedilo previsto Assim o
bom resultado do modelo ocorreraacute quando a tendecircncia do preccedilo previsto for igual a
tendecircncia observada do preccedilo real Deste modo o desempenho do modelo seraacute dado
pela acuraacutecia
a =Nc
N (30)
onde Nc eacute o nuacutemero de previsotildees de tendecircncias corretas e N eacute o nuacutemero total de
previsotildees executadas pelo modelo de previsatildeo
Nos resultados que apresentamos em (RESENDE et al 2017) mostramos que o
tamanho do retorno previsto traz informaccedilatildeo sobre a tendecircncia Logo dividimos o
conjunto de retornos previstos U em 4 subconjuntos U1 U2 U3 e U4 de forma que
cada subconjunto contenha um quarto dos retornos previstos Os maiores retornos
(em moacutedulo) estatildeo em U4 seguidos pelos retornos em U3 U2 e U1 nesta ordem Os
melhores resultados em (RESENDE et al 2017) foram obtidos para o subconjunto
U4 Portanto neste trabalho vamos analisar apenas as tendecircncias previstas obtidas
com retornos previstos em U4 Para verificar se os retornos previstos estatildeo em U4
considerado o quarto quartil utilizamos uma janela de tamanho Q = 100 pontos A
35
janela Q eacute ordenada e 25 dos maiores valores satildeo armazenados em U4 Desta
forma a primeira operaccedilatildeo soacute poderaacute ocorrer a partir do (Q+1)-eacutesimo sinal produzido
Antes disso o modelo sempre retornaraacute sinais neutros Para verificar se o (Q+ 1)-
eacutesimo sinal estaacute em U4 comparamos se o seu valor eacute maior que o sinal armazenado
na posiccedilatildeo 75 da janela Q de retornos precedentes dispostos em ordem crescente
Se a condiccedilatildeo eacute satisfeita o modelo envia um sinal vaacutelido caso contraacuterio um sinal
neutro eacute enviado
36
Capiacutetulo 6
Exploraccedilatildeo do modelo de previsatildeo
O modelo apresentado na seccedilatildeo 52 conforme a equaccedilatildeo (18) foi utilizado para
desenvolver o modelo de previsatildeo representado pela equaccedilatildeo (24) Neste capiacutetulo
vamos explorar algumas das possibilidades de combinaccedilotildees de paracircmetros para
ajustar este modelo de forma a obter melhores acuraacutecias Entretanto encontrar a
combinaccedilatildeo oacutetima de paracircmetros envolve anaacutelises que natildeo estatildeo no foco do trabalho
O capiacutetulo seraacute organizado no seguinte modo na seccedilatildeo 61 investigaremos se haacute uma
relaccedilatildeo entre a acuraacutecia a e a variaccedilatildeo da quantidade de pontos R utilizados para
calcular a matriz de coeficientes A Na seccedilatildeo 62 vamos investigar se a quantidade
de accedilotildees interfere na acuraacutecia do modelo Na seccedilatildeo 63 analisaremos a relaccedilatildeo da
acuraacutecia do modelo com a granularidade dos dados Na seccedilatildeo 64 calcularemos
os expoentes de Hurst das seacuteries de preccedilos das accedilotildees e analisaremos se haacute uma
relaccedilatildeo entre as acuraacutecias obtidas e os seus expoentes de Hurst Jaacute na seccedilatildeo 65
vamos investigar se as taxas de acuraacutecia calculadas em um quadrimestre se mantecircm
no quadrimestre seguinte Com esta anaacutelise estamos interessados em verificar se o
modelo se mantecircm para outro periacuteodo Tambeacutem vamos selecionar quais as accedilotildees que
apresentam melhores acuraacutecias no primeiro quadrimestre e investigar as acuraacutecias
do modelo para estas accedilotildees no segundo quadrimestre Na seccedilatildeo 66 vamos elaborar
uma votaccedilatildeo em relaccedilatildeo agrave tendecircncia entre diferentes tamanhos de R
61 Variaccedilotildees do tamanho de R
O objetivo do modelo eacute prever a tendecircncia do preccedilo no tempo t + 1 Para isto ele
utiliza a matriz de coeficientes A que minimiza a diferenccedila quadraacutetica entre a matriz
de preccedilos reais X(t+ 1) e a matriz de preccedilos previstos X(t+ 1) Para calcular esta
matriz A eacute preciso R+ 1 pontos Natildeo sabemos o tamanho ideal de R logo definimos
a quantidade de pontos baseados em alguns testes baacutesicos de acuraacutecia do modelo
na previsatildeo de tendecircncia de preccedilos No Capiacutetulo 5 Eq (30) reproduzida abaixo
37
definimos a acuraacutecia para cada accedilatildeo como
a =Nc
N (31)
onde Nc eacute o nuacutemero de previsotildees corretas e N eacute o nuacutemero total de previsotildees
Como estamos analisando diferentes tamanhos de R para vaacuterias accedilotildees vamos definir
a acuraacutecia meacutedia
a =
nsumk
ak
n(32)
e o desvio padratildeo
σa =
radicradicradicradicradic nsumk
(ak minus a)2
nminus 1 (33)
onde ak eacute a acuraacutecia a para cada accedilatildeo k e n eacute o nuacutemero total de accedilotildees analisadas
Nesta anaacutelise uma acuraacutecia meacutedia a envolvendo todas as k accedilotildees eacute calculada para
cada tamanho de R A figura 6 mostra a acuraacutecia meacutedia a e plusmnσa do modelo para
todas as accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa Os dados analisados
satildeo referentes ao primeiro quadrimestre de 2017 Utilizamos diferentes tamanhos de
R variando de 100 a 1100 com incremento de 10 pontos a cada nova execuccedilatildeo do
programa O objetivo desta figura eacute sinalizar o momento em que natildeo haacute mais ganhos
significativos na acuraacutecia agrave medida que aumentamos o tamanho de R
38
048
05
052
054
056
100 200 300 400 500 600 700 800 900 1000048
05
052
054
056
macr a
(a)
(b)
R
Figura 6 ndash Acuraacutecia meacutedia para todas as n accedilotildees que compotildeem os iacutendices Dow Jo-nes e Ibovespa Os dados analisados satildeo referentes agraves seacuteries de preccedilos comgranularidade de 5 minutos no periacuteodo de 020117 a 280417 (primeiro quadri-mestre de 2017) Foram utilizados diferentes tamanhos de R Com valor inicialde R = 100 com incremento de 10 Para cada valor de R foram realizadas 5000execuccedilotildees para a seacuterie do Ibovespa e 3900 para Dow Jones (a) A linha contiacutenuarepresenta a acuraacutecia meacutedia a obtida para todas as accedilotildees do iacutendice Dow JonesA linha pontilhada representa a acuraacutecia meacutedia a plusmnσa das acuraacutecias obtidas (b)A linha contiacutenua mostra a acuraacutecia meacutedia a de todas as accedilotildees que compotildeema carteira teoacuterica do iacutendice Ibovespa A linha pontilhada apresenta a acuraacuteciameacutedia a plusmnσa
39
Podemos observar na figura 6 que para valores maiores de R a curva da acuraacutecia
meacutedia a tende a quase se estabilizar poreacutem ainda podemos perceber um leve cres-
cimento Para analisar se ainda haacute ganhos na acuraacutecia para valores de R gt 500
calculamos o coeficiente angular β e os coeficientes de determinaccedilatildeo r 2 da reta de
ajuste aos pontos com valores de R superiores a 500 Os coeficientes angulares β
para todas as accedilotildees dos igravendices Dow Jones e Ibovespa calculados para o intervalo
500 le R le 1000 foram β = 5 63 times 10minus5 e β = 1 24 times 10minus5 respectivamente
Embora pequenos natildeo satildeo irrelevantes observe que numa variaccedilatildeo de 0 02 na
acuraacutecia (o que eacute significativo) entre R = 500 e R = 1000 temos coeficiente angular
4times 10minus5 ou seja na ordem dos observados Os coeficientes de determinaccedilatildeo foram
r 2 = 0 2905 para todas as accedilotildees do iacutendice Dow Jones e r 2 = 0 6295 para todas
as accedilotildees do Ibovespa Eles indicam que o ajuste linear natildeo eacute satisfatoacuterio Contudo
isto natildeo eacute relevante aqui uma vez que estamos interessados sobretudo no caraacuteter
crescente das curvas Os valores de β e r2 obtidos satildeo apresentados na tabela 2
Valores dos coeficientes angulares β calculados para o intervalo 500 le R le 1000
pequenos poreacutem positivos indicam crescimento da curva e nos motivam a investigar
o comportamento do graacutefico para valores de R maiores que 1000
Tabela 2 ndash Coeficientes angulares (β) e os correspondentes coeficientes de determinaccedilatildeo(r 2) para o ajuste linear das curvas de acuraacutecias meacutedias a para diferentes valoresde R das Fig 6 e 7
Todas Accedilotildees (Fig 6) 10 Accedilotildees + (Fig 7)
Dow Jonesβ 5 63times 10minus5 9 79times 10minus5
r2 02905 062953
Ibovespaβ 1 24times 10minus4 9 98times 10minus5
r2 0 6970 0 7629
Nota Para a Fig 6 que analisa o conjunto de todas as accedilotildees que compotildeem os iacutendices Dow Jones eIbovespa os coeficientes β e r2 foram calculados para o intervalo de 500 le R le 1000 Jaacute na Fig 7os coeficientes β e r2 foram calculados para o intervalo de 1000 le R le 2000 Todos os coeficientes
β satildeo positivos indicando que as evoluccedilotildees das curvas ainda satildeo positivas
Para cada tamanho de R satildeo realizadas 5000 execuccedilotildees para as accedilotildees do Ibovespa
e 3900 para as accedilotildees do Dow Jones A diferenccedila na quantidade de execuccedilotildees entre
Dow Jones e Ibovespa eacute devida ao menor tempo diaacuterio de permanecircncia do pregatildeo
de negociaccedilatildeo do Dow Jones em relaccedilatildeo ao Ibovespa Com isso as quantidades
de dados disponiacuteveis nas amostras satildeo diferentes Ainda assim o nuacutemero de exe-
cuccedilotildees para cada valor de R eacute grande Como estamos interessados em analisar
mais tamanhos diferentes de R vamos diminuir o nuacutemero de accedilotildees envolvidas nos
testes O criteacuterio para escolha destas accedilotildees eacute selecionar as 10 accedilotildees com maiores
pesos nos iacutendices Ibovespa e Dow Jones As composiccedilotildees e as ordens de pesos das
participaccedilotildees nos iacutendices Ibovespa e Dow Jones satildeo apresentadas nas tabelas 26 e
27 respectivamente
40
Nesta anaacutelise utilizando valores maiores de pontos nos ajustes vamos explorar R
variando de 10 a 2000 com incremento de 10 pontos a cada nova execuccedilatildeo do
programa Para cada execuccedilatildeo foram realizadas 3000 e 2000 previsotildees para as
10 accedilotildees com maiores pesos de participaccedilatildeo nos iacutendices Ibovespa e Dow Jones
respectivamente A figura 7 apresenta as acuraacutecias meacutedias a linha contiacutenua e a plusmnσalinha pontilhada obtidos na anaacutelise
10 200 400 600 800 1000 1200 1400 1600 1800 2000045
05
055
06
R
a
045
05
055
06
(a)
(b)
Figura 7 ndash Acuraacutecia meacutedia para as 10 accedilotildees com maiores participaccedilotildees na carteirateoacuterica do Ibovespa E Dow Jones Os dados analisados satildeo referentes agravesseacuteries de preccedilos de fechamento com granularidade de 5 minutos no periacuteodode 020117 a 280417 (primeiro quadrimestre de 2017) Foram utilizados 200diferentes tamanhos de R Com o valor inicial de R = 10 com incremento de10 Para cada valor de R foram realizadas 3000 execuccedilotildees com as seacuteries dasaccedilotildees do Ibovespa e 2000 com a seacuteries do Dow Jones (a) A linha contiacutenuarepresenta a acuraacutecia meacutedia obtida para as 10 accedilotildees com maior participaccedilatildeo doiacutendice Dow Jones A linha pontilhada representa a meacutedia plusmnσa que eacute o desviopadratildeo das acuraacutecias obtidas (b) A linha contiacutenua mostra a acuraacutecia meacutedia paraas 10 as accedilotildees com maior peso de participaccedilatildeo na carteira teoacuterica do iacutendiceIbovespa A linha pontilhada apresenta a acuraacutecia meacutedia plusmnσa
Analisando a figura 7 percebemos que agrave medida que aumentamos os valores de R a
curva da acuraacutecia meacutedia tende a oscilar menos Isso acontece devido ao incremento de
41
10 novos pontos serem cada vez menos significativos agrave medida em que aumentamos a
quantidade de pontos na janela O efeito eacute mais evidente ao compararmos os valores
de R proacuteximos a 10 com aqueles no final da seacuterie
A figura 7 sugere que a acuraacutecia para as accedilotildees do iacutendice Dow Jones tende a se
estabilizar para valores de R ge 400 pontos Poreacutem a curva ainda mostra um leve
crescimento dos resultados Para as accedilotildees do iacutendice Ibovespa eacute evidente que a
curva de acuraacutecia apresenta ganhos significativos agrave medida em que aumentamos o
tamanho de R Estas observaccedilotildees satildeo evidenciadas pelos valores dos coeficientes
angulares apresentados na tabela 2 Desta forma na aplicaccedilatildeo do modelo seria ideal
utilizar tamanhos maiores de R mas esta quantidade de pontos definida para o ajuste
afeta diretamente o tamanho da amostra restante para fazer as N previsotildees a cada
execuccedilatildeo do programa Por isto definimos baseados nas figuras 6 e 7 um valor de R
que natildeo comprometa a acuraacutecia e nem o tamanho da amostra Uma escolha coerente
da quantidade de pontos para utilizar no ajuste eacute R = 1000
As figuras 6 e 7 nos mostram as acuraacutecias meacutedias a Como estes resultados se
referem agraves meacutedias das acuraacutecias a de todas as accedilotildees para cada valor de R natildeo po-
demos visualizar o comportamento individual das accedilotildees para os diferentes tamanhos
de R Com isto para mostrar a dispersatildeo das acuraacutecias da accedilotildees para cada valor de
R construiacutemos os boxplots1 dos resultados A dispersatildeo localizaccedilatildeo e simetria das
acuraacutecias podem ser representadas pela figura 9 As caixas contecircm 50 dos dados
sendo o primeiro quartil (Q1) a mediana e o terceiro quartil (Q3) A altura da caixa eacute a
amplitude interquartil (AIQ) que eacute dada pela distacircncia entre Q1 e Q3 A linha superior
eacute traccedilada iniciando em Q3 ateacute o maior valor observado dentro da faixa com o conjunto
de pontos que vai de Q3 ateacute o valor do limite superior (Ls) calculado utilizando 1 5
vezes o valor do interquartil AIQ
Ls = Q3 + 1 5AIQ (34)
A linha inferior eacute traccedilada iniciando-se em Q1 ateacute o menor valor que eacute encontrado
dentro da faixa que comeccedila em Q1 e se estende ateacute o valor do limite inferior (Li)
calculado utilizando 1 5 do valor do interquartil AIQ
Li = Q1minus 1 5AIQ (35)
Os pontos fora destas linhas traccediladas satildeo chamados outliers (MONTGOMERY 2008)
A figura 8 mostra as caracteriacutesticas do boxplot Como esperado a figura 9 mostra que
as accedilotildees que compotildeem o iacutendice Ibovespa apresentam mais outliers com altas taxas
de acuraacutecia quando comparadas agraves accedilotildees do iacutendice Dow Jones
1Diagrama de caixa Eacute uma apresentaccedilatildeo graacutefica que descreve simultaneamente vaacuterias caracteriacutesticasde um conjunto de dados observados(MONTGOMERY 2008)
42
049
05
051
052
053
054
055
056
1
Terceiro quartil
Mediana
Valor Miacutenimo
Valor Maacuteximo
Outlier
Quarto quartil
Figura 8 ndash Exemplo de um formato de um boxplot
43
0 10 20 30 40 50 60 70 80 90 100
05
055
06
065
07
045
05
055 (a)
(b)
Figura 9 ndash Boxplot da Acuraacutecia para todas as accedilotildees que compotildeem os iacutendices DowJones e Ibovespa Os dados utilizados foram preccedilos de fechamento das accedilotildeesque compotildeem os iacutendices Dow Jones e Ibovespa com granularidade de 5 minutosno periacuteodo de 020117 a 280417 (primeiro quadrimestre de 2017) Foramanalisados 100 diferentes tamanhos de R Para cada valor de R foram realizadas3900 execuccedilotildees para as accedilotildees do iacutendice Dow Jones e 5000 execuccedilotildees paraas accedilotildees que compotildeem a carteira teoacuterica do Ibovespa (a) Boxplots com asacuraacutecias para todas as accedilotildees do Dow Jones (b) Acuraacutecias para todas as accedilotildeesdo iacutendice Ibovespa
44
62 Variaccedilotildees da quantidade de accedilotildees
Um ponto a ser questionado refere-se agrave quantidade de accedilotildees n que devemos usar
para calibrar o modelo de forma a obter a melhor acuraacutecia Para investigar a influecircncia
deste valor n nos resultados do modelo desenvolvemos uma anaacutelise que consiste
em executar o modelo com o nuacutemero miacutenimo de combinaccedilotildees n = 2 e expandir
ateacute o nuacutemero maacuteximo de accedilotildees que compotildeem os iacutendices Ibovespa e Dow Jones
O valor de n aumenta seguindo a ordem decrescente do peso de participaccedilatildeo das
accedilotildees nos iacutendices Para esta anaacutelise utilizamos os dados de preccedilos de fechamento
das accedilotildees com granularidade de 5 minutos no periacuteodo de 020117 a 280417 que se
refere ao primeiro quadrimestre de 2017 A quantidade de pontos utilizada no ajuste
foi R = 1000 pontos Para cada combinaccedilatildeo de n accedilotildees realizamos N = 3000
previsotildees para as seacuteries do Ibovespa e N = 2000 previsotildees para as seacuteries do Dow
Jones A figura 10 mostra a acuraacutecia meacutedia a e plusmnσa para diferentes combinaccedilotildees de
quantidades de accedilotildees envolvidas no modelo
45
2 5 10 15 20 25046
048
050
052
054
056
2 5 10 15 20 25 30 35 40 45 50 55045
050
055
06(b)
(a)
Figura 10 ndash Acuraacutecia meacutedia para diferentes valores de n accedilotildees que compotildeem ascarteiras do Ibovespa e Dow Jones O valor de n aumenta seguindo aordem decrescente do peso de participaccedilatildeo das accedilotildees nos iacutendices Os dadosanalisados satildeo referentes agraves seacuteries de preccedilos de fechamento com granularidadede 5 minutos no periacuteodo de 020117 a 280417 (primeiro quadrimestre de2017) A quantidade de pontos utilizados no ajuste foi R = 1000 Foramrealizadas 3000 previsotildees com as seacuteries das accedilotildees do Ibovespa e 2000 comas seacuteries do Dow Jones (a) A linha contiacutenua representa a acuraacutecia meacutediaobtida para n variando de 2 a 30 accedilotildees que compotildeem o iacutendice Dow Jones Alinha pontilhada representa a meacutedia plusmnσa que eacute o desvio padratildeo das acuraacuteciasobtidas (b) A linha contiacutenua mostra a acuraacutecia meacutedia para n variando de 2 a 58accedilotildees que compotildeem a carteira teoacuterica do iacutendice Ibovespa A linha pontilhadaapresenta a acuraacutecia meacutedia plusmnσa
46
Na figura 10 percebemos uma variaccedilatildeo maior nas acuraacutecias meacutedias a para as
combinaccedilotildees de n accedilotildees do Ibovespa quando comparadas agraves acuraacutecias obtidas
com as accedilotildees do iacutendice Dow Jones Este resultado eacute mais evidente para valores
menores de n As combinaccedilotildees de n accedilotildees do iacutendice Dow Jones satildeo mais estaacuteveis
e como esperado apresentam valores de acuraacutecias meacutedias a menores quando
comparados aos resultados das combinaccedilotildees das accedilotildees do Ibovespa uma vez que a
bolsa americana eacute mais eficiente que a brasileira Para as combinaccedilotildees das accedilotildees
do Ibovespa observamos um pico maior em torno de n = 10 e depois uma certa
estabilizaccedilatildeo de a Isto nos ajuda a definir a quantidade de accedilotildees que devemos usar
para calibrar o modelo
63 Variaccedilatildeo da granularidade
Nesta seccedilatildeo vamos analisar as acuraacutecias para dados com granularidade de 51015
20 e 30 minutos Para simetria das anaacutelises definimos que o modelo deve ser aplicado
em um mesmo intervalo de tempo Com isto agrave medida em que aumentamos a
granularidade das seacuteries diminuiacutemos a quantidade de dados da amostra Assim
nesta anaacutelise natildeo utilizamos o valor de R definido da seccedilatildeo 61 O intervalo de
negociaccedilatildeo tambeacutem foi alterado para um periacuteodo referente a 2 quadrimestres A
quantidade de dados utililizada no ajuste foi R = 500 e o periacuteodo de negociaccedilatildeo foi
de 020117 a 310817 (primeiro e segundo quadrimestres de 2017) Baseados na
seccedilatildeo 62 aleacutem da composiccedilatildeo total do iacutendice uma nova combinaccedilatildeo quantidade de
accedilotildees n = 10 tambeacutem foi analisada A tabela 3 mostra as meacutedias das acuraacutecias a
para os paracircmetros definidos
Tabela 3 ndash Acuraacutecia do modelo aplicado a diferentes granularidades de tempo para R = 500
Iacutendice n 5rsquo 10rsquo 15rsquo 20rsquo 30rsquo
Dow Jones30 05079 (00092) 05065 (00090) 05012 (00162) 05052 (00255) 05022 (00309)10 05132 (00116) 05062 (00136) 05143 (00178) 05061 (00201) 04976 (00337)
Ibovespa58 05216 (00260) 05222 (00287) 05185 (00271) 05215 (00276) 05143 (00338)10 05316 (00294) 05196 (00200) 05187 (00186) 05033 (00268) 05021 (00251)
Nota Os resultados satildeo referentes agraves meacutedias e os desvios das acuraacutecias do modelo de todas as accedilotildees quecompotildeem os iacutendices Dow Jones (30 accedilotildees) e Ibovespa (58 accedilotildees) Tambeacutem analisamos as 10 accedilotildees com
maiores participaccedilotildees nesses iacutendices Os dados analisados satildeo referentes aacutes seacuteries de preccedilos defechamento com granularidades de 5 10 15 20 e 30 minutos no periacuteodo de 02-01-17 a 31-08-17 (primeiro e
segundo quadrimestres de 2017) A quantidade de pontos utilizada no ajuste foi R = 500
Analisando a tabela 3 percebemos que natildeo haacute grandes oscilaccedilotildees nas acuraacutecias
meacutedias a quando variamos a granularidade da base de dados Menores variaccedilotildees da
acuraacutecia meacutedia a satildeo observadas quando aplicamos o modelo para todas as accedilotildees
do iacutendice Dow Jones Para a combinaccedilatildeo das 10 accedilotildees com maiores pesos um
moderado aumento nas acuraacutecias foi obtido para as granularidades de 5 e 15 minutos
47
Para as accedilotildees do Ibovespa maiores oscilaccedilotildees foram observadas principalmente
para a combinaccedilatildeo das 10 accedilotildees com maiores participaccedilotildees no iacutendice A maior
acuraacutecia meacutedia obtida foi para a granularidade de 5 minutos a = 0 5316 Em linhas
gerais observamos uma discreta tendecircncia que a acuraacutecia diminua com o aumento
da granularidade dos dados para as accedilotildees do Ibovespa Para as accedilotildees do iacutendice Dow
Jones natildeo observamos tendecircncia alguma
64 Anaacutelise da acuraacutecia em funccedilatildeo do expoente de Hurst
das seacuteries
O expoente de Hurst (H) aplicado a seacuteries de preccedilos de accedilotildees nos permite visualizar
o comportamento dos dados em relaccedilatildeo agrave memoacuteria de longo prazo Nas nossas
anaacutelises vamos utilizar o meacutetodo alternativo DFA introduzido por (PENG et al 1994)
que tambeacutem foi explorado por (HU et al 2001) e (CHEN et al 2002) Para realizar o
caacutelculo consideramos uma seacuterie de retornos ∆x(i) (i = 1 2 middot middot middot Nmax) Integrando
tal seacuterie obtemos
y(j) =
jsumi=1
(∆x(i)minus 〈∆x〉) (36)
onde 〈∆x〉 eacute a meacutedia
〈∆x〉 =1
Nmax
Nmaxsumj=1
∆x(i) (37)
A nova seacuterie eacute dividida em janelas de tamanho igual m Em cada uma dessas janelas
ajustamos a seacuterie integrada encontrando a funccedilatildeo polinomial Yfit Esta funccedilatildeo indica
a tendecircncia local que haacute em cada intervalo O grau do polinocircmio utilizado pode em
princiacutepio ser qualquer O meacutetodo DFA-l eacute aquele em que o grau l eacute escolhido
Na seacuterie temporal dividida em janelas de tamanho m subtraiacutemos a tendecircncia local
Yfit em cada das janelas Em seguida calculamos a funccedilatildeo de flutuaccedilatildeo
F (m) =
radicradicradicradic 1
Nmax
Nmaxsumi=1
(y(i)minus Yfit)2 (38)
Todo o caacutelculo acima eacute repetido para janelas de diferentes tamanhos m para obter-se
uma relaccedilatildeo entre F (m) e m e os dados satildeo dispostos em um graacutefico log minus log Uma
relaccedilatildeo de lei de potecircncia entre F (m) e a janela de tamanho m indica a presenccedila
de escala logF (m) sim= logmH ( F (m) sim= mH) Neste caso o paracircmetro H dado pelo
coeficiente angular da reta que ajusta os pontos (mF (m)) eacute chamado de expoente de
escala ou expoente de correlaccedilatildeo e eacute a generalizaccedilatildeo do expoente de Hurst Valores
de H lt 0 5 indicam anti-persistecircncia da seacuterie valores de H gt 0 5 indicam que a
48
seacuterie tem persistecircncia e valores de H = 0 5 indicam que as seacuteries natildeo possuem
tendecircncia Com o intuito de analisar se os dados passados fornecem informaccedilotildees
sobre dados futuros calculamos os expoentes de Hurst das seacuteries com preccedilos brutos
x de todas as accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa Os valores de
H obtidos satildeo mostrados na figura 11
1 5 10 15 20 25 30 35 40 45 50 55 5802
03
04
05
06
Accedilatildeo
H 1 5 10 15 20 25 3004
045
05
055
06
065
Figura 11 ndash Expoente de Hurst para todas accedilotildees que compotildeem os iacutendices Dow Jonese Ibovespa Os dados analisados satildeo referentes agraves seacuteries de preccedilos brutoscom granularidade de 5 minutos no periacuteodo de 020117 a 280417 (primeiroquadrimestre de 2017) (a) Representa os coeficientes de Hurst para as accedilotildeesdo iacutendice Dow Jones Foram utilizados 6276 pontos para o caacutelculo (b) Mostraos coeficientes de Hurst utilizando l = 1 para as accedilotildees que compotildeem o iacutendiceIbovespa Foram utilizados 7370 pontos para o caacutelculo
Analisando a figura 11 percebemos que a maioria dos resultados se concentram na
faixa de 0 45 le H le 0 55 Assim natildeo percebemos forte tendecircncia a persistecircncia ou
anti-persistecircncia das seacuteries analisadas
Na anaacutelise seguinte vamos investigar a relaccedilatildeo entre os resultados dos expoentes de
Hurst e as acuraacutecias obtidas pelo modelo As seacuteries de preccedilos ainda satildeo as referentes
aos preccedilos de fechamento de todas as accedilotildees que compotildeem os iacutendices Dow Jones
e Ibovespa A Fig 12 mostra a acuraacutecia meacutedia a de cada uma destas accedilotildees que
49
compotildeem os iacutendices para 100 diferentes valores de R e os expoentes de Hurst das
seacuteries de preccedilos brutos x destas accedilotildees
1 5 10 15 20 25 3004
045
05
055
06
065
1 5 10 15 20 25 30 35 40 45 50 55 58 Accedilotildees
02
03
04
05
06
07
Figura 12 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que compotildeem osiacutendices Dow Jones e Ibovespa Os dados analisados satildeo referentes agraves seacuteriesde preccedilos brutos com granularidade de 5 minutos no periacuteodo de 020117 a280417 (primeiro quadrimestre de 2017) Para o caacutelculo da acuraacutecia meacutediaforam utilizados 100 tamanhos diferentes de R para cada accedilatildeo A linha tracejadarepresenta os coeficientes de Hurst H e a linha contiacutenua a acuraacutecia meacutedia apara cada accedilatildeo utilizando 100 valores diferentes de R no ajuste O valor deR inicial foi 100 com incremento de 10 pontos a cada nova execuccedilatildeo (a)Representa a acuraacutecia meacutedia e os coeficientes de Hurst para as accedilotildees doiacutendice Dow Jones Foram utilizados 6276 pontos para o caacutelculo do expoente deHurst (b) Mostra a acuraacutecia meacutedia e os coeficientes de Hurst para as accedilotildeesque compotildeem o iacutendice Ibovespa Foram utilizados 7370 pontos para o caacutelculodos coeficientes
Analisando visualmente a figura 12 natildeo percebemos padrotildees para as accedilotildees que
compotildeem o iacutendice Dow Jones As suas taxas de acuraacutecia meacutedia a bem como os
valores de H estatildeo proacuteximos de 0 5 Jaacute as accedilotildees que compotildeem o iacutendice Ibovespa
apresentaram maiores taxas de acuraacutecia meacutedia a e tambeacutem maiores oscilaccedilotildees nos
valores dos expoentes de Hurst H A figura nos sugere ainda que os valores menores
deH resultam em maiores valores de a indicando que o modelo tem maior capacidade
50
de previsatildeo para seacuteries de preccedilos de accedilotildees que apresentam anti-persistecircncia Os
resultados mais discrepantes foram obtidos para a accedilatildeo 32 com a = 0 68 e H = 0 28
Para melhor visualizaccedilatildeo destes resultados construiacutemos a figura 13 que mostra a
concentraccedilatildeo dos expoentes de Hurst H em funccedilatildeo da acuraacutecia meacutedia a obtidos para
cada uma das accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa representados
pelos pontos nas cores verde e vermelha respectivamente
025 03 035 04 045 05 055 06 065046
048
05
052
054
056
058
06
062
064
066
H
a
Expoente de Hurst DOW JONESExpoente de Hurst IBOVESPA
Figura 13 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que compotildeem osiacutendices Dow Jones e Ibovespa Os dados analisados satildeo referentes agraves seacuteriesde preccedilos brutos com granularidade de 5 minutos no periacuteodo de 020117 a280417 (primeiro quadrimestre de 2017) Para o caacutelculo da acuraacutecia meacutedia aforam utilizados 100 tamanhos diferentes de R para cada accedilatildeo Com valor inicialde R = 100 com incremento de 10 pontos a cada nova execuccedilatildeo Os pontosna cor vermelha representam os expoentes H em funccedilatildeo da acuraacutecia a paraas accedilotildees do Ibovespa Os pontos na cor verde representam os coeficientes deHurst H em funccedilatildeo da acuraacutecia meacutedia a para cada accedilatildeo do iacutendice Dow JonesPara as accedilotildees do iacutendice Dow Jones utilizamos 6276 pontos para o caacutelculo de HPara as accedilotildees que compotildeem o iacutendice Ibovespa foram utilizados 7370 pontospara o caacutelculo dos coeficientes de Hurst
Pela figura 13 fica mais evidente que as taxas de acuraacutecia meacutedia a satildeo maiores para
as accedilotildees que compotildeem o iacutendice Ibovespa quando comparadas agraves accedilotildees do iacutendice
Dow Jones Observamos tambeacutem que os maiores desvios de H foram obtidos para
51
a seacuterie do Ibovespa Estes resultados vatildeo ao encontro dos estudos de (CAJUEIRO
TABAK 2004) onde os paiacuteses emergentes apresentam valores de H mais distantes
de 05 sugerindo que mercado de paiacuteses emergentes satildeo mais ineficientes que os
de paiacuteses desenvolvidos
Outra investigaccedilatildeo relevante foi baseada no caacutelculo da correlaccedilatildeo linear das acuraacutecias
obtidas em cada quadrimestre com os expoentes de Hurst calculados nos respectivos
quadrimestres Para tanto calculamos o coeficiente de correlaccedilatildeo linear de Pearson
ρ2 O coeficiente ρ obtido quando analisada a correlaccedilatildeo das acuraacutecias e os expoentes
de Hurst calculados no quadrimestre 1 foi ρ = minus0 3791 (pminus valor = 0 0388) para as
accedilotildees que compotildeem o iacutendice Dow Jones e para as accedilotildees do Ibovespa no mesmo
quadrimestre o resultado foi ρ = minus0 4622 (p minus valor = 2 6 times 10minus4) A correlaccedilatildeo
entre as acuraacutecias e os coeficientes de Hurst das seacuteries de preccedilos calculados no
segundo quadrimestre de 2017 foi ρ = minus0 6966 (pminus valor = 1 2571times 10minus9) para as
accedilotildees do Ibovespa e ρ = minus0 1743 (pminus valor = 0 3568) para as accedilotildees do Dow Jones
Estes resultados indicam que haacute uma anti-correlaccedilatildeo entre as acuraacutecias obtidas e os
expoentes H das seacuteries analisadas (COHEN 1977)
Baseados nestes resultados em etapas futuras da tese vamos aprofundar mais as
anaacutelises dos valores de H e a explorando as questotildees de memoacuteria das seacuteries de
preccedilos de accedilotildees e investigando ateacute que ponto informaccedilotildees dos dados passados
interferem na acuraacutecia do modelo de previsatildeo
65 Acuraacutecias em quadrimestres diferentes
Nas subseccedilotildees seguintes vamos aplicar o modelo em dados de quadrimestres di-
ferentes com o objetivo de investigar a consistecircncia das previsotildees em diferentes
periacuteodos
651 Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo qua-
drimestres de 2017
Nesta anaacutelise aplicamos o modelo utilizando as seacuteries de preccedilos tratados com
granularidade de 5 minutos do primeiro e segundo quadrimestres de 2017 de todas
as accedilotildees que integraram os iacutendices Ibovespa e Dow Jones no primeiro quadrimestre
de 2017 A tabela 4 mostra as acuraacutecias obtidas nos quadrimentres 1 e 2 do ano de
2017 Para a execuccedilatildeo do modelo foi utilizado como tamanho de ajuste R = 1000 A
coluna rsquoAcuraacutecia Q1rsquo refere-se agraves acuraacutecias obtidas no quadrimestre 1 Analogamente
a coluna denominada rsquoAcuraacutecia Q2rsquo refere-se agraves acuraacutecias no quadrimestre 2 Os
resultados estatildeo dispostos na ordem da porcentagem de peso de participaccedilatildeo de
2Mede o grau da correlaccedilatildeo (minus1 le ρ le 1) e a direccedilatildeo dessa correlaccedilatildeo (+ ou -) entre duas variaacuteveis
52
cada accedilatildeo nos seus respectivos iacutendices Os valores em negrito indicam que a acuraacutecia
da accedilatildeo obtida no quadrimestre 2 foi maior em relaccedilatildeo agrave mesma no quadrimestre
1 Este aumento de ganhos do quadrimestre 2 em relaccedilatildeo ao quadrimestre 1 foi em
53 30 das accedilotildees que compotildeem o Dow Jones e 60 30 das accedilotildees do Ibovespa
53
Tabela 4 ndash Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo quadrimestres paraas accedilotildees dos iacutendices Ibovespa e Dow Jones
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q1 Acuraacutecia Q2 Accedilatildeo Acuraacutecia Q1 Acuraacutecia Q2
1 05183 05223 1 04912 049482 04833 05329 2 04577 053403 05054 05427 3 05195 051264 05363 05510 4 05207 050425 05130 05296 5 05016 050796 05363 05268 6 05208 048137 04965 04974 7 05341 051178 05188 05203 8 05011 052309 05226 04840 9 05097 04995
10 05541 06053 10 05103 0515911 04862 05597 11 05087 0512412 05362 05578 12 05000 0489313 05147 05493 13 04894 0501114 05097 05070 14 04839 0498915 05449 05349 15 05178 0490716 05072 05479 16 05138 0505817 05320 04852 17 05218 0479318 05260 05283 18 05021 0495219 05350 04968 19 05175 0514220 05266 05262 20 05049 0531821 05208 05166 21 04843 0512822 05270 05138 22 04807 0496423 05100 05180 23 05089 0521724 05208 05210 24 05256 0482925 05057 05028 25 04904 0482126 05142 05167 26 05023 0508427 05018 05120 27 05222 0522428 05138 05169 28 05230 0520429 05142 05465 29 05061 0527230 05043 05020 30 04710 0511331 05201 0535332 06810 0741833 05414 0537934 05458 0509835 05362 0596436 05053 0516537 04968 0552238 05055 0543139 05494 0516540 04969 0509041 05230 0512542 05018 0523043 05288 0503544 05396 0518945 05048 0531846 05467 0530447 05181 0521348 05122 0505149 05385 0522550 05457 0556551 05227 0549452 05845 0580253 05214 0522554 05197 0530455 05229 0533956 05651 0551457 05612 0611058 05121 05205
Nota As acuraacutecias estatildeo representadas de acordo com a ordem decrescente da porcentagem de participaccedilatildeo das accedilotildeesnos iacutendices Dow Jones e Ibovespa Os resultados das 10 accedilotildees com maiores pesos estatildeo delimitados na tabela Os
valores em negrito indicam que a acuraacutecia aumentou no segundo quadrimentre em relaccedilatildeo ao primeiro 60 3 dos casospara o iacutendice Ibovespa e 53 3 dos casos para o iacutendice Dow Jones
54
A figura 14 mostra o panorama das acuraacutecias apresentadas na tabela 4 A linha
traccedilada no graacutefico delimita as 10 accedilotildees que apresentaram as melhores acuraacutecias
em cada quadrimestre Estas accedilotildees satildeo esboccediladas na cor vermelha Os pontos na
cor vermelha e circulados indicam que aleacutem de estarem entre as 10 accedilotildees que
apresentaram as melhores acuraacutecias no quadrimestre 1 tambeacutem estatildeo entre as 10
accedilotildees que apresentaram as melhores taxas no quadrimestre 2 O nuacutemero destas
accedilotildees foi maior para as accedilotildees do Ibovespa
046
048
05
052
054
056
045
05
055
06
065
07
1 10 20 30 40 50 5804
05
06
07
08
Accedilotildees1 5 10 15 20 25 30
046
048
05
052
054
056
a
(a) (c)
(d)(b)
Figura 14 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 Os resul-tados satildeo referentes agraves acuraacutecias do modelo de todas as accedilotildees que compotildeemos iacutendices Dow Jones e Ibovespa Os dados analisados satildeo referentes agraves seacute-ries de preccedilos de fechamento com granularidades de 5 minutos no periacuteodo de020117 a 310817 (primeiro e segundo quadrimestres de 2017) O tamanhodo ajuste utilizado foi R = 1000 A linha traccedilada sobre a figura delimita as10 accedilotildees que apresentaram as melhores acuraacutecias no quadrimestre em ques-tatildeo mostradas na cor vermelha Os pontos circulados indicam que as accedilotildeesapresentaram acuraacutecias entre as 10 melhores no quadrimestre 1 e tambeacutem noquadrimestre 2 (a) Representa as acuraacutecias de todas accedilotildees que compotildeem oiacutendice Dow Jones no primeiro quadrimestre (b) Mostra as acuraacutecias obtidasno segundo quadrimestre para todas as accedilotildees do iacutendice Dow Jones (c) e(d) Representam as acuraacutecias obtidas no primeiro e segundo quadrimestresrespectivamente para todas as accedilotildees que compotildeem o iacutendice Ibovespa
55
Se a presenccedila entre as accedilotildees com 10 maiores acuraacutecias for completamente alea-
toacuteria a chance de uma accedilatildeo que estaacute nesta situaccedilatildeo repetir o comportamento no
quadrimestre seguinte eacute 10n
onde n eacute o nuacutemero total de accedilotildees no grupo analisado
Assim o nuacutemero meacutedio de accedilotildees que aparecem em dois quadrimestres consecutivos
entre aqueles com as 10 maiores acuraacutecias eacute 10times 10n
Para as accedilotildees que compotildeem
o iacutendice Dow Jones esse nuacutemero eacute 103
para as accedilotildees que compotildeem o Ibovespa eacute10058
Na figura 14 observamos 3 accedilotildees nessa situaccedilatildeo para o Dow Jones sugerindo
a completa aleatoriedade Jaacute para o Ibovespa a figura 14 mostra 6 accedilotildees nessa
situaccedilatildeo um nuacutemero 348 vezes maior que o esperado indicando que o processo
natildeo deve ser completamente aleatoacuterio Estudos envolvendo um maior nuacutemero de
quadrimestres seriam interessantes para validaccedilatildeo estatiacutestica
O coeficiente de correlaccedilatildeo linear de Pearson ρ foi calculado para mostrar a relaccedilatildeo
entre as acuraacutecias obtidas no quadrimestre 1 e 2 para ambos mercados O coeficiente
ρ obtido quando analisada a correlaccedilatildeo das acuraacutecias no quadrimestre 1 e 2 para
as accedilotildees que compotildeem o Dow Jones foi ρ = minus01493 (p minus valor = 0 4311) Jaacute
para as accedilotildees que compotildeem o Ibovespa a correlaccedilatildeo entre as acuraacutecias obtidas
nos quadrimestres 1 e 2 foi ρ = 07156 (p minus valor = 2 7521 times 10minus10) O resultado
indica que haacute uma correlaccedilatildeo significativa entre as acuraacutecias obtidas para as accedilotildees
do Ibovespa
652 Aplicaccedilatildeo do modelo utilizando a combinaccedilatildeo das 10 accedilotildees com
maiores pesos nos iacutendices Ibovespa e Dow Jones
Na subseccedilatildeo 651 apresentamos as acuraacutecias obtidas com a combinaccedilatildeo de todas
as accedilotildees dos iacutendices no modelo Aqui estamos interessados em investigar o resultado
da combinaccedilatildeo linear apenas das 10 accedilotildees com maiores pesos de participaccedilatildeo nos
iacutendices Para tanto vamos executar o programa utilizando os mesmos paracircmetros
da anaacutelise anterior A tabela 5 mostra os resultados de acuraacutecias obtidos A coluna
denominada rsquoAcuraacutecia Q1rsquo mostra as acuraacutecias obtidas no quadrimestre 1 e a coluna
rsquoAcuraacutecia Q2rsquo mostra as acuraacutecias do quadrimestre 2 Os valores em negrito indicam
que a acuraacutecia aumentou no quadrimestre 2 em relaccedilatildeo ao quadrimestre 1 70 dos
casos do Ibovespa e 60 para o Dow Jones
56
Tabela 5 ndash Acuraacutecias do modelo no primeiro e segundo quadrimestres para a combinaccedilatildeodas 10 accedilotildees com maiores participaccedilotildees nos iacutendices Ibovespa e Dow Jones
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q1 Acuraacutecia Q2 Accedilatildeo Acuraacutecia Q1 Acuraacutecia Q2
1 05417 05630 1 04857 051892 05142 05293 2 04706 049693 05604 05496 3 05142 050544 05445 05770 4 05096 052075 05197 05336 5 04867 050186 05299 05226 6 05369 050507 05089 05354 7 05547 053028 04897 05430 8 04853 049819 05258 05212 9 05322 0540510 06155 06689 10 05113 05022
Nota Os valores em negrito indicam que a acuraacutecia aumentou no segundo quadrimentreem relaccedilatildeo ao primeiro Percebemos que os resultados satildeo melhores no segundo
quadrimestre para as accedilotildees dos dois iacutendices analisados A relaccedilatildeo de melhoria da acuraacuteciafoi de 70 para as accedilotildees do Ibovespa e 60 para as accedilotildees do Dow Jones
Analisando de forma geral as tabelas 4 e 5 natildeo eacute perceptiacutevel se houve ou natildeo
ganhos quando combinadas todas as accedilotildees que compotildeem os iacutendices em relaccedilatildeo a
quando combinamos apenas as 10 accedilotildees com maiores pesos nestes mesmos iacutendices
Para facilitar a anaacutelise construiacutemos a figura 15 que mostra as acuraacutecias obtidas no
primeiro e segundo quadrimestres de 2017 quando combinamos todas as accedilotildees dos
iacutendices Dow Jones e Ibovespa e tambeacutem quando combinamos apenas a 10 accedilotildees
com maiores participaccedilotildees nestes iacutendices O eixo das ordenadas do graacutefico se refere
agraves acuraacutecias obtidas no quadrimestre 2 jaacute o eixo das abscissas se refere agraves acuraacutecias
no quadrimestre 1
57
046
048
05
052
054
056
046 048 05 052 054 056046
048
05
052
054
056 a Q
2
05
06
07
08
05 055 06 065 07 a Q1
05
06
07
08
(c)
(d)(b)
(a)
Figura 15 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 Osresultados satildeo referentes agraves acuraacutecias do modelo para o primeiro e segundoquadrimestres de 2017 aplicado a todas as accedilotildees que compotildeem os iacutendicesDow Jones e Ibovespa e tambeacutem para as 10 accedilotildees com maiores pesos nestesiacutendices Os dados analisados satildeo referentes agraves seacuteries de preccedilos de fechamentocom granularidades de 5 minutos no periacuteodo de 020117 a 310817 (primeiroe segundo quadrimestres de 2017) O tamanho do ajuste utilizado foi R = 1000(a) Representa as acuraacutecias para a combinaccedilatildeo de todas accedilotildees que compotildeem oiacutendice Dow Jones no primeiro e segundo quadrimestres (b) mostra as acuraacuteciasobtidas no primeiro e segundo quadrimestres para a combinaccedilatildeo das 10 accedilotildeesdo iacutendice Dow Jones com maiores participaccedilotildees no iacutendice (c) Representa asacuraacutecias obtidas no primeiro e segundo quadrimestres para a combinaccedilatildeode todas as accedilotildees que compotildeem o iacutendice Ibovespa (d) Mostra as acuraacuteciasdo primeiro e segundo quadrimestres para a combinaccedilatildeo das 10 accedilotildees doIbovespa com maiores pesos no iacutendice
58
Analisando os pontos obtidos na figura 15 natildeo podemos concluir que a combinaccedilatildeo
das 10 accedilotildees com maiores pesos nos iacutendices melhora as acuraacutecias obtidas quando
comparadas com as taxas obtidas combinando todas as accedilotildees que compotildeem os
iacutendices
653 Anaacutelise do desempenho do modelo aplicado agraves accedilotildees de melhor
acuraacutecia no quadrimestre precedente
A tabela 6 mostra as acuraacutecias obtidas para todas as accedilotildees que compotildeem os iacutendices
Ibovespa e Dow Jones As acuraacutecias obtidas satildeo para R = 1000 e estatildeo ordenadas
do maior para a menor valor Destacamos os 10 melhores resultados de a As cores
semelhantes mostram as accedilotildees que participaram do conjunto com os melhores resul-
tados no quadrimestre 1 e tambeacutem apareceram entre as 10 accedilotildees com os melhores
resultados no quadrimestre 2 Os valores em negrito indicam que a accedilatildeo apresentou
maior acuraacutecia no quadrimestre 2 em relaccedilatildeo ao quadrimestre 1 Pela tabela 6 e
figura 14 podemos observar que as 10 melhores acuraacutecias obtidas conjuntamente
em ambos os quadrimestres natildeo satildeo necessariamente as accedilotildees com maiores partici-
paccedilotildees nos iacutendices exceto a accedilatildeo 10 do Ibovespa Isso nos motiva a investigar se
obtemos melhores acuraacutecias combinando no modelo a cada quadrimestre apenas
as 10 accedilotildees que apresentaram melhores resultados no quadrimestre anterior
Os resultados da anaacutelise satildeo mostrados na tabela 7 e comparados a resultados
de acuraacutecias obtidas tambeacutem no mesmo quadrimestre poreacutem utilizando dados de
todas as accedilotildees dos respectivos iacutendices (n = 30 Dow Jones e n = 58 Ibovespa)
Os valores em negrito indicam que a combinaccedilatildeo das 10 accedilotildees eacute melhor quando
comparada agraves acuraacutecias obtidas utilizando todas as accedilotildees dos iacutendices Utilizando o
primeiro quadrimestre para selecionar accedilotildees a investir no segundo quadrimestre natildeo
utilizamos dados futuros na anaacutelise Para as accedilotildees do Ibovespa a meacutedia das acuraacutecias
obtida para a combinaccedilatildeo de todas as accedilotildees foi 0 5737 e para a combinaccedilatildeo das 10
melhores accedilotildees do quadrimestre anterior foi 0 5746 A meacutedia para o iacutendice Dow Jones
foi 0 5019 para a combinaccedilatildeo de todas as accedilotildees e 0 5017 para a combinaccedilatildeo das
10 melhores accedilotildees do quadrimestre anterior Estes valores se referem agrave meacutedia das
acuraacutecias das 10 accedilotildees analisadas Pela proporccedilatildeo dos valores obtida natildeo podemos
concluir que haacute ganhos significativos aplicando esta metodologia
59
Tabela 6 ndash Comparaccedilatildeo das acuraacutecias para todas as accedilotildees dos iacutendices Ibovespa e DowJones no primeiro e segundo quadrimestres
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q1 Accedilatildeo Acuraacutecia Q2 Accedilatildeo Acuraacutecia Q1 Accedilatildeo Acuraacutecia Q2
32 06810 32 07417 7 05341 2 0533952 05844 57 06109 24 05256 20 0531856 05650 10 06053 28 05229 29 0527257 05612 35 05963 27 05221 8 0522910 05541 52 05802 17 05218 27 0522339 05493 11 05596 6 05207 23 0521746 05467 12 05578 4 05207 28 0520434 05458 50 05565 3 05194 10 0515950 05457 37 05521 15 05177 19 0514115 05448 56 05513 19 05174 21 0512733 05413 4 05510 16 05138 3 0512644 05395 51 05494 10 05102 11 0512349 05384 13 05493 9 05097 7 051164 05362 16 05478 23 05089 30 051126 05362 29 05465 11 05086 26 05084
35 05362 38 05430 29 05060 5 0507912 05361 3 05427 20 05048 16 0505719 05350 33 05379 26 05023 4 0504117 05320 31 05353 18 05021 13 0501043 05288 15 05349 5 05016 9 0499422 05270 55 05339 8 05010 14 0498920 05265 2 05329 12 05000 22 0496418 05259 45 05318 1 04912 18 0495141 05229 46 05304 25 04903 1 0494755 05229 54 05303 13 04893 15 0490751 05227 5 05295 21 04843 12 048939 05226 18 05282 14 04839 24 04829
53 05213 6 05268 22 04806 25 0482024 05208 20 05261 30 04710 6 0481221 05207 42 05229 2 04577 17 0479231 05200 49 0522554 05196 53 052248 05187 1 052231 05183 47 05212
47 05181 24 0521013 05147 58 0520529 05141 8 0520326 05141 44 0518928 05137 23 051805 05129 28 0516848 05121 26 0516658 05121 21 0516623 05100 36 0516514 05097 39 0516416 05072 22 0513725 05057 41 0512438 05055 27 051203 05053 34 05097
36 05052 40 0508945 05047 14 0506930 05042 48 0505042 05018 43 0503427 05017 25 0502740 04968 30 0501937 04967 7 049737 04964 19 0496811 04861 17 048512 04833 9 04840
Nota As acuraacutecias estatildeo em ordem decrescente Os 10 melhores resultados estatildeo delimitados na tabela As coresequivalentes indicam que a accedilatildeo tem o valor de acuraacutecia dentre os 10 melhores resultados no quadrimestre 1 e tambeacutemse manteve entre as 10 melhores no quadrimestre 2 Os valores em negrito indicam que aleacutem da accedilatildeo estar entre as 10
melhores nos 2 quadrimestres a acuraacutecia aumentou no segundo quadrimentre
60
Tabela 7 ndash Acuraacutecias do modelo para a combinaccedilatildeo das 10 accedilotildees dos iacutendices Ibovespa eDow Jones com os melhores resultados no primeiro quadrimestre
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q2
n = 58Acuraacutecia Q2n = 10
Accedilatildeo Acuraacutecia Q2n = 30
Acuraacutecia Q2n = 10
32 07418 07707 7 05117 0499652 05802 05800 24 04829 0503256 05514 05438 28 05204 0517457 06110 06050 27 05224 0524310 06053 05811 17 04793 0496039 05165 05174 6 04813 0494146 05304 05326 4 05042 0496634 05098 05253 3 05126 0484250 05565 05545 15 04907 0503415 05349 05363 19 05142 04986
Nota Para Ibovespa na coluna com n = 58 todas as accedilotildees do iacutendice foram utilizadas pelomodelo na coluna com n = 10 somente as accedilotildees com as 10 melhores acuraacutecias no
quadrimeste 1 foram empregadas pelo modelo Analogamente para Dow Jones Os valoresem negrito indicam que a acuraacutecia aumentou no segundo quadrimestre utilizando a
combinaccedilatildeo das 10 melhores accedilotildees no quadrimestre 1 em relaccedilatildeo ao segundoquadrimestre utilizando a combinaccedilatildeo de todas as accedilotildees dos iacutendices Natildeo observamos
ganhos nos resultados quando utilizamos apenas a combinaccedilatildeo das 10 melhores accedilotildees emrelaccedilatildeo ao modelo que utiliza a combinaccedilatildeo de todas as accedilotildees dos iacutendices
61
Diante das acuraacutecias obtidas na tabela 6 investigamos se haacute uma correlaccedilatildeo entre
estes valores de a Para isso calculamos o coeficiente de correlaccedilatildeo linear de Pearson
ρ O resultado do caacutelculo do coeficiente de correlaccedilatildeo entre as acuraacutecias das accedilotildees
do iacutendice Ibovespa obtidas no primeiro e segundo quadrimestre foi ρ = 0 7156
(pminus valor = 2 7521times 10minus10) e para as accedilotildees do iacutendice Dow Jones foi ρ = minus0 1493
Este resultado indica que para as accedilotildees do Ibovespa quando o modelo teve um bom
resultado no quadrimestre ele tende a ter bons resultados no quadrimestre seguinte
Como esperado o mesmo natildeo acontece para as accedilotildees do iacutendice Dow Jones em
que o coeficiente de correlaccedilatildeo ρ = minus0 1493 (p minus valor = 0 4311) indica uma
pequena anti-correlaccedilatildeo dos acertos de tendecircncias A accedilatildeo 32 do iacutendice Ibovespa
apresentou uma acuraacutecia alta em ambos quadrimestres Assim para evitar resultados
tendenciosos ela foi retirada do caacutelculo da correlaccedilatildeo Com a retirada destes valores
o coeficiente de correlaccedilatildeo das acuraacutecias das accedilotildees do iacutendice Ibovespa foi menor
ρ = 0 3894 (pminus valor = 0 0028) mas ainda significante (COHEN 1977)
66 Votaccedilatildeo
Uma votaccedilatildeo entre tendecircncias previstas foi utilizada com o intuito de melhorar a
consistecircncia da acuraacutecia do modelo e aumentar o tamanho da amostra A metodologia
da teacutecnica consiste em fazer vaacuterias previsotildees utilizando diferentes tamanhos de R
e posteriormente fazer a votaccedilatildeo levando em consideraccedilatildeo a direccedilatildeo de tendecircncia
de preccedilos apontada por cada modelo e o tamanho em moacutedulo do retorno previsto
Apenas os ajustes que tecircm previsotildees no conjunto U4 que se referem aos maiores
retornos previstos em moacutedulo entram na votaccedilatildeo Nesta votaccedilatildeo consideramos como
a decisatildeo de tendecircncia prevista a direccedilatildeo apontada pela maioria dos votantes e
empate entre os votantes como sinal para manter a posiccedilatildeo no tempo t + 1 (natildeo
operar)
Podemos variar diversos paracircmetros de entrada na votaccedilatildeo tais como quantidade
de votantes tamanho inicial de R incremento da quantidade de pontos a cada nova
iteraccedilatildeo accedilotildees que participam da combinaccedilatildeo linear e quantidade de votos que
decidem a previsatildeo Nas figuras 16 e 17 mostramos os resultados das acuraacutecias
obtidas para todas as accedilotildees dos iacutendices Dow Jones e Ibovespa no primeiro e segundo
quadrimestres de 2017 Nesta anaacutelise utilizamos 10 votantes um valor inicial de
R = 1000 incremento de 100 pontos a cada nova execuccedilatildeo e a diferenccedila acima de 1
voto jaacute decide direccedilatildeo da tendecircncia prevista que seraacute considerada
A figura 16 mostra os resultados obtidos para a amostra com os dados referentes ao
primeiro quadrimestre de 2017 A curva na cor vermelha eacute referente agraves acuraacutecias a
obtidas sem a votaccedilatildeo utilizando apenas um valor de R = 1000 A curva na cor azul
refere-se agrave meacutedia das acuraacutecias a obtidas utilizando 10 diferentes tamanhos de R
62
com o valor inicial de R = 1000 com incremento de 100 pontos a cada nova execuccedilatildeo
do modelo A curva na cor verde mostra a acuraacutecia a obtida com a votaccedilatildeo entre os
10 diferentes tamanhos de R
1 5 10 15 20 25 30045
05
055
06VotaccedilatildeoMeacutediaSem votaccedilatildeo
1 5 10 15 20 25 30 35 40 45 50 55 58 accedilotildees
045
05
06
07
(a)
(b)
Figura 16 ndash Acuraacutecias obtidas no primeiro quadrimestre de 2017 utilizando Votingmeacutedia e sem votaccedilatildeo A curva na cor vermelha representa a acuraacutecia autilizando apenas um valor de R = 1000 A curva na cor verde mostra aacuraacutecia a utilizando a votaccedilatildeo de 10 diferentes valores de R O valor inicialeacute R = 1000 com incremento de 100 pontos a cada nova execuccedilatildeo A curvaazul define a meacutedia da acuraacutecia a de todos os 10 tamanhos de R utilizados navotaccedilatildeo Os dados analisados satildeo referentes agraves seacuteries de preccedilos de fechamentocom granularidades de 5 minutos no periacuteodo de 020117 a 280417 (primeiroquadrimestre de 2017) (a) Acuraacutecias de todas as accedilotildees que compotildeem o iacutendiceDow Jones Foram realizadas 2200 execuccedilotildees para cada tamanho de R (b)Acuraacutecias obtidas para todas as accedilotildees que compotildeem o iacutendice Ibovespa Paracada tamanho de R realizamos 3300 execuccedilotildees
A figura 17 mostra os resultados obtidos para a amostra composta pelos dados
referentes ao segundo quadrimestre de 2017 Anaacuteloga agrave figura 16 os paracircmetros
utilizados satildeo os mesmos estabelecidos anteriormente
63
1 5 10 15 20 25 30046
048
05
052
054
056
1 5 10 15 20 25 30 35 40 45 50 55 58 Accedilotildees
04
05
06
07
08VotaccedilatildeoMeacutediaSem votaccedilatildeo
(b)
(a)
Figura 17 ndash Acuraacutecias obtidas no segundo quadrimestre de 2017 utilizando votaccedilatildeomeacutedia e sem votaccedilatildeo A curva na cor verde mostra a acuraacutecia a utilizando avotaccedilatildeo entre os 10 diferentes valores de R O valor inicial eacute R = 1000 comincremento de 100 pontos a cada nova execuccedilatildeo A curva azul representa ameacutedia da acuraacutecia a para todos os tamanhos de R utilizados na votaccedilatildeo Acurva em vermelho descreve a acuraacutecia a obtida para um valor de R = 1000Os dados analisados satildeo referentes agraves seacuteries de preccedilos de fechamento comgranularidades de 5 minutos no periacuteodo de 020517 a 310817 (segundoquadrimestre de 2017) (a) Acuraacutecias de todas as accedilotildees que compotildeem o iacutendiceDow Jones Foram realizadas 2700 execuccedilotildees para cada tamanho de R (b)Representam as acuraacutecias obtidas para todas as accedilotildees que compotildeem o iacutendiceIbovespa Para cada valor de R foram realizadas 3300 execuccedilotildees
64
Analisando as figuras 16 e 17 visualmente natildeo percebemos ganhos de acuraacutecia a
quando comparada agrave teacutecnica de votaccedilatildeo com os outros meacutetodos aplicados Como
mencionado anteriormente neste trabalho utilizamos apenas dados com maiores
retornos previstos em moacutedulo que se referem agraves tendecircncias previstas que estatildeo no
conjunto do quarto quartil U4 Assim a vantagem da votaccedilatildeo em relaccedilatildeo agrave utilizaccedilatildeo
de meacutedias ou de um valor fixo de R eacute a possibilidade de aumento na quantidade de
previsotildees uma vez que sem a votaccedilatildeo utilizamos em meacutedia apenas 14
dos dados
para as previsotildees no quarto quartil Por outro ladoa presenccedila de um ou mais votantes
em U4 jaacute eacute suficiente para que a votaccedilatildeo ocorra levando o nuacutemero de previsotildees a
crescer substancialmente
67 Consideraccedilotildees gerais
Na seccedilatildeo 61 investigamos a relaccedilatildeo da variaccedilatildeo do tamanho de R no resultado final
da acuraacutecia a Nesta anaacutelise observamos que para valores maiores de R os valores
de a tendem a aumentar Poreacutem utilizar valores grandes de R estaacute diretamente ligado
a perda de dados da amostra Assim eacute preciso definir uma quantidade de pontos
para o ajuste que apresente uma boa acuraacutecia sem comprometer o volume de dados
Baseados nas figuras 7 e 6 definimos que nas etapas de aplicaccedilatildeo e simulaccedilatildeo a
quantidade de pontos utilizados no ajuste seraacute R = 1000
Na seccedilatildeo 62 investigamos se a quantidade de accedilotildees interfere na acuraacutecia do modelo
A figura 10 sugere uma moderada melhora nos resultados das acuraacutecias em torno da
combinaccedilatildeo de 10 accedilotildees
Na seccedilatildeo 63 analisamos a relaccedilatildeo da acuraacutecia do modelo com a granularidade
dos dados Para as accedilotildees do iacutendice Dow Jones natildeo notamos diferenccedilas quando
combinamos todas as accedilotildees que compotildeem o iacutendice Um leve ganho no resultado foi
observado quando combinamos as 10 accedilotildees com maiores participaccedilotildees no iacutendice
Para as accedilotildees que compotildeem a carteira teoacuterica do Ibovespa a melhor acuraacutecia obtida
foi para os dados com frequecircncia de cotaccedilatildeo de 5 minutos quando combinadas
as 10 accedilotildees com maiores participaccedilotildees no iacutendice Desta forma a amostra com
granularidade de 5 minutos eacute a que seraacute utilizada em aplicaccedilotildees futuras do modelo de
previsatildeo
Na seccedilatildeo 64 investigamos se haacute uma relaccedilatildeo entre as acuraacutecias obtidas e os
expoentes de Hurst das seacuteries analisadas Em geral natildeo encontramos padrotildees
relacionados agraves acuraacutecias e os expoentes H Um caso atiacutepico foi a acuraacutecia e o
expoente de Hurst relacionado agrave accedilatildeo 32 do iacutendice Ibovespa Para esta accedilatildeo o
expoente foi H = 0 2816 e a taxa de acuraacutecia a = 68 10 Este resultado sugere que
para a seacuterie com anti-persistecircncia o modelo obteacutem melhores taxas de acerto Os
65
outros expoentes ficaram na faixa de variabilidade de 0 45 le H le 0 55 Com isso
natildeo podemos afirmar que haacute um padratildeo relacionando as acuraacutecias e os expoentes
de Hurst das seacuteries analisadas
Na seccedilatildeo 65 investigamos se as taxas de acuraacutecia calculadas em um quadrimestre
se mantecircm no quadrimestre seguinte Nas anaacutelises investigamos qual o nuacutemero
das accedilotildees que apareceram entre as 10 melhores acuraacutecias no quadrimestre 1 e
tambeacutem no quadrimestre 2 Na figura 14 observamos que para as accedilotildees do iacutendice
Dow Jones o nuacutemero de accedilotildees que estavam presentes entre as 10 que apresentaram
melhores acuraacutecias nos quadrimestres 1 e 2 foi 3 Este resultado sugere a completa
aleatoriedade Jaacute para as accedilotildees que compotildeem o Ibovespa a figura 14 mostra 6 accedilotildees
nessa condiccedilatildeo indicando que o processo natildeo deve ser completamente aleatoacuterio
Ainda na seccedilatildeo 65 outra anaacutelise foi baseada na quantidade e em quais accedilotildees que
devemos combinar para aplicar o modelo Baseados nas meacutedias das acuraacutecias obtidas
natildeo encontramos grandes variaccedilotildees nos valores quando utilizamos no modelo todas
as accedilotildees quando combinamos as 10 accedilotildees com maiores pesos e ainda quando
utilizamos a combinaccedilatildeo das 10 accedilotildees que apresentaram as melhores acuraacutecias
no quadrimestre anterior Em geral as anaacutelises desta seccedilatildeo nos mostraram que o
modelo tende a manter as taxas de acuraacutecia quando utilizamos diferentes accedilotildees e
quando variamos a sua quantidade As taxas tambeacutem se mantecircm para diferentes
quadrimestres indicando consistecircncia das previsotildees
Na seccedilatildeo 66 desenvolvemos uma teacutecnica de votaccedilatildeo em relaccedilatildeo agrave direccedilatildeo da ten-
decircncia prevista Nessa anaacutelise 10 diferentes valores de R participaram da votaccedilatildeo
Em geral os resultados obtidos com a teacutecnica natildeo foram melhores quando compa-
rados com a meacutedia das acuraacutecias obtida utilizando os 10 valores de R Em meacutedia
os resultados da votaccedilatildeo tambeacutem se equipararam aos resultados obtidos utilizando
um valor uacutenico de R = 1000 A vantagem do uso da teacutecnica estaacute na possibilidade de
aumento do tamanho da amostra
Na proacutexima etapa do trabalho vamos fazer simulaccedilotildees do modelo combinando os
melhores paracircmetros explorados neste capiacutetulo
66
Capiacutetulo 7
Simulaccedilatildeo
No Capiacutetulo 6 exploramos algumas das possibilidades de combinaccedilotildees de paracircmetros
que podem ser utilizadas para ajustar o modelo de previsatildeo de forma a obter uma
melhor acuraacutecia Na seccedilatildeo 61 investigamos a relaccedilatildeo entre a variaccedilatildeo do tamanho de
R e o resultado final da acuraacutecia para definirmos um valor razoaacutevel para ser utilizado
na etapa de aplicaccedilatildeo do modelo Na seccedilatildeo 62 investigamos o quanto o nuacutemero
de accedilotildees utilizadas como entrada para o modelo impactava as acuraacutecias Na seccedilatildeo
63 analisamos a relaccedilatildeo da acuraacutecia do modelo com a granularidade dos dados e
percebemos uma moderada melhora nos resultados para os dados com frequecircncia
de cotaccedilatildeo de 5 minutos Na seccedilatildeo 64 investigamos se haacute uma relaccedilatildeo entre as
acuraacutecias obtidas e os expoentes de Hurst das seacuteries Diante destas possibilidades
ajustamos o modelo de previsatildeo utilizando as combinaccedilotildees de paracircmetros mais
adequadas a cada anaacutelise Natildeo podemos afirmar que a combinaccedilatildeo escolhida eacute a
combinaccedilatildeo oacutetima poreacutem no Capiacutetulo 6 foram os paracircmetros que apresentaram as
melhores acuraacutecias Assim nesta etapa estas satildeo as entradas do modelo que seratildeo
utilizadas na simulaccedilatildeo
Neste capiacutetulo vamos mostrar as estrateacutegias de negociaccedilatildeo baseadas no modelo
que retorna um sinal de compra venda ou natildeo opera apresentado no capiacutetulo 5 Para
calibrar o modelo de previsatildeo utilizamos os paracircmetros explorados no Capiacutetulo 6
Os criteacuterios para definir uma compra ou venda dependem da tendecircncia prevista do
preccedilo de fechamento da accedilatildeo Os dados utilizados para a execuccedilatildeo do modelo de
previsatildeo para gerar o sinal da operaccedilatildeo satildeo os preccedilos tratados X(t) definidos na
seccedilatildeo 51 Na etapa de aplicaccedilatildeo e anaacutelise de ganhos financeiros vamos utilizar os
preccedilos brutos de fechamento x(t) definidos como
x(t) =
x1(t)
x2(t)
xn(t)
(39)
67
onde xk(t) eacute o preccedilo bruto da accedilatildeo k no tempo t
Na proacutexima seccedilatildeo vamos descrever o fluxo das estrateacutegias as bases de dados e as
configuraccedilotildees aplicadas nas simulaccedilotildees Nas seccedilotildees 72 e 73 vamos apresentar as
caracteriacutesticas de cada uma das estrateacutegias bem como os seus resultados obtidos
com a simulaccedilatildeo
71 Visatildeo geral dos modelos de operaccedilatildeo
Para a simulaccedilatildeo desenvolvemos duas estrateacutegias com caracteriacutesticas diferentes
uma que de acordo com o sinal enviado pelo modelo executa a operaccedilatildeo e desfaz
no passo seguinte (modelo de operaccedilatildeo 1 - MO1) e outra que executa a operaccedilatildeo e
desfaz somente quando atingir os valores dos stops definidos (modelo de operaccedilatildeo 2
- MO2) Nesta seccedilatildeo vamos apresentar o fluxo geral das estrateacutegias e nas seccedilotildees 72
e 73 cada uma delas seraacute apresentada de forma detalhada
A simulaccedilatildeo da negociaccedilatildeo no mercado real foi baseada em backtest1 disponibilizado
pelo portal dedicado ao desenvolvimento de algoritmos de investimento (algotrading)
Stratsphera BETA Na plataforma de algotrading as estrateacutegias foram desenvolvidas
utilizando a linguagem de programaccedilatildeo Python numa estrutura baseada em eventos
A plataforma foi descontinuada em Julho de 2019
Durante a simulaccedilatildeo o modelo de previsatildeo utiliza os candles disponiacuteveis ateacute o tempo
t para gerar um sinal indicando a tendecircncia do preccedilo de fechamento no tempo t+ 1
Baseados neste sinal podemos realizar operaccedilotildees de compra ou venda a mercado
De posse deste sinal que utiliza o uacuteltimo preccedilo de fechamento do candle o ideal seria
executar imediatamente a ordem na abertura do proacuteximo candle poreacutem por limitaccedilotildees
da plataforma de simulaccedilatildeo natildeo conseguimos realizar as operaccedilotildees exatamente no
preccedilo de abertura mas sim em um preccedilo aproximado de abertura
qo = po + (pc minus po)ε1 (40)
onde po eacute o preccedilo de abertura do candle pc eacute o preccedilo de fechamento do candle e ε1foi escolhido ε1 = 1
60
Para a estrateacutegia que utiliza fechamento de candle para zerar a posiccedilatildeo (MO1)
consideramos a aproximaccedilatildeo do preccedilo de fechamento
qc = po + (pc minus po)ε2 (41)
com ε2 = 1415
Valores menores de ε1 e maiores de ε2 levavam a operaccedilotildees que natildeo
aconteciam dentro do candle esperado Nas etapas seguintes do trabalho quando
1Execuccedilatildeo de uma estrateacutegia com uso de dados histoacutericos
68
referirmos a preccedilos de abertura e fechamento de candle utilizados em operaccedilotildees
consideraremos estas aproximaccedilotildees aqui definidas
Analogamente aos capiacutetulos anteriores somente retornos previstos que estatildeo no
quarto quartil (ver seccedilatildeo 53) satildeo considerados para a operaccedilatildeo Deste modo se
o preccedilo de fechamento previsto no tempo t + 1 for maior (menor) que o preccedilo real
no tempo t a tendecircncia prevista eacute de alta (baixa) Assim durante a simulaccedilatildeo a
cada novo evento (que corresponde a um novo candle) analisamos se o retorno
previsto para cada valor de R estaacute no quarto quartil e se esta condiccedilatildeo for satisfeita
o sinal correspondente eacute considerado em uma votaccedilatildeo (ver seccedilatildeo 66) De acordo
com o sinal da votaccedilatildeo realizamos uma nova operaccedilatildeo de compra (long) ou venda
descoberta (short) a mercado As posiccedilotildees de cada uma das operaccedilotildees satildeo fechadas
de forma independente
Para fechar as posiccedilotildees de compra ou venda descoberta de cada operaccedilatildeo definimos
dois modelos de operaccedilatildeo o modelo de operaccedilatildeo 1 (MO1) e o modelo de operaccedilatildeo 2
(MO2) O MO1 sempre desfaz a operaccedilatildeo no candle seguinte atraveacutes de uma contra
ordem O MO2 desfaz as posiccedilotildees baseado em stops As caracteriacutesticas de cada uma
das estrateacutegias seratildeo detalhadas nas seccedilotildees 72 e 73
Nas simulaccedilotildees utilizamos 3 tamanhos diferentes de R Para cada valor de R o
modelo gera um sinal de tendecircncia prevista sendo possiacutevel realizar a votaccedilatildeo entre
estes sinais gerados Nas execuccedilotildees seguintes a cada chegada de um novo candle
a janela eacute atualizada com o novo valor e descarta-se o dado mais antigo Os dados
utilizados para a simulaccedilatildeo das estrateacutegias foram preccedilos de abertura e fechamento
das 10 accedilotildees com maior liquidez na Bovespa nos anos de 2017 e 2018 Informaccedilotildees
de volume tambeacutem foram utilizadas para anaacutelise dos experimentos Esta reduccedilatildeo
no nuacutemero de accedilotildees analisadas eacute devida a limitaccedilotildees da plataforma em relaccedilatildeo ao
custo de execuccedilatildeo e tambeacutem pelo fato de diminuir execuccedilotildees parciais devido ao
volume reduzido de candles de accedilotildees com menor liquidez A frequecircncia dos candles
utilizados eacute de 5 minutos Os tamanhos das janelas de dados utilizadas foram R = 500
R = 1000 e R = 1500
Diante de cada novo candle disponiacutevel o modelo utiliza a janela de dados para tratar o
preccedilo conforme a seccedilatildeo 51 e calcular o novo sinal naquele instante para cada valor
de R Uma votaccedilatildeo eacute realizada entre os sinais retornados para cada R Conforme o
resultado obtido a ordem eacute enviada pela plataforma de acordo com o sinal de compra
venda ou natildeo opera retornado pelo modelo (ver seccedilatildeo 66) O modelo prevecirc o preccedilo
de fechamento no tempo t+ 1 por isso o ideal seria realizar a operaccedilatildeo no mesmo
preccedilo que foi utilizado para fazer a previsatildeo poreacutem natildeo eacute possiacutevel executar a ordem
neste preccedilo de fechamento pc(t)2 Desta forma configuramos as funccedilotildees agendadas
2pc(t) coincide com os preccedilos brutos x(t) definidos em 39
69
da plataforma para que o preccedilo de execuccedilatildeo fique o mais proacuteximo possiacutevel do preccedilo
de abertura do candle seguinte po(t+ 1) Como discutido anteriormente a plataforma
natildeo permite a negociaccedilatildeo exatamente com esse preccedilo sendo realizada no preccedilo
q0(t + 1) conforme a equaccedilatildeo 40 Ou seja utilizamos o preccedilo de fechamento no
tempo t para gerar o sinal e realizamos a operaccedilatildeo num preccedilo proacuteximo ao de abertura
po(t+ 1) do candle seguinte
Para uma dada accedilatildeo a estrateacutegia soacute recebe um sinal de compravenda quando
o modelo prevecirc retornos que estatildeo no quarto quartil (veja seccedilatildeo 53) Em caso
contraacuterio o modelo envia um sinal neutro para que natildeo execute operaccedilotildees naquele
momento Para verificar se os retornos previstos estatildeo no quarto quartil utilizamos
uma janela de tamanho Q = 100 pontos Desta forma a primeira operaccedilatildeo soacute poderaacute
ocorrer a partir do (Q + 1)-eacutesimo sinal produzido Antes disso o modelo sempre
retornaraacute sinais neutros Dado o sinal natildeo neutro uma ordem de compra ou venda
descoberta eacute submetida A venda descoberta eacute feita quando o modelo retorna um
sinal indicando que o preccedilo poderaacute cair Neste caso acreditando que o preccedilo da
accedilatildeo iraacute baixar vendemos a accedilatildeo a descoberto e de acordo com o criteacuterio de cada
estrateacutegia compramos a accedilatildeo para repor a venda em tempos seguintes A sequecircncia
da simulaccedilatildeo eacute apresentada na figura 18
Para padronizar utilizamos os mesmos paracircmetros na configuraccedilatildeo da plataforma
para as duas estrateacutegias O capital inicial utilizado em ambas foi de R$1000000 00 A
quantidade de cada uma das accedilotildees negociadas a cada ordem foi 10 vezes o tamanho
do lote padratildeo Na plataforma as accedilotildees soacute satildeo negociadas em lotes padratildeo natildeo
sendo permitidas negociaccedilotildees no mercado fracionaacuterio3 A quantidade de accedilotildees no
lote padratildeo definido na plataforma em alguns casos difere da quantidade definida no
mercado real conforme apresentado nas tabelas 24 e 25 disponiacuteveis no apecircndice
B Como exemplo temos a accedilatildeo do Bradesco (BBDC4) que tem na composiccedilatildeo de
seu lote padratildeo 145 accedilotildees enquanto no mercado real o lote padratildeo desta accedilatildeo eacute
composto por 100 accedilotildees
As configuraccedilotildees de custos satildeo utilizadas para incluir custos transacionais durante
a execuccedilatildeo da estrateacutegia As configuraccedilotildees de custo aplicadas na simulaccedilatildeo foram
baseadas no cenaacuterio brasileiro Aplicamos as taxas cobradas pela Bovespa conforme
a tabela 8 e consideramos as operaccedilotildees atraveacutes de corretoras que oferecem taxas
zero para negociaccedilotildees no mercado agrave vista Os custos transacionais foram aplicados
de acordo com o volume financeiro negociado Para comparaccedilatildeo as simulaccedilotildees foram
realizadas com taxas e sem taxas
No mercado real eacute possiacutevel que as ordens lanccediladas sejam executadas parcialmente
Isso acontece devido ao volume da ordem e agrave liquidez do ativo Na simulaccedilatildeo aqui
3No mercado fracionaacuterio satildeo negociadas fraccedilotildees do lote padratildeo das accedilotildees
70
Tabela 8 ndash Taxas de negociaccedilatildeo e de liquidaccedilatildeo da BOVESPA
Volume daytrade (R$ milhotildees)Negociaccedilatildeo Liquidaccedilatildeo TotalPessoa fiacutesica Pessoa juriacutedica
Ate 4 Ateacute 20 0004245 0020000 0024245De 4 ateacute 125 De 20 ateacute 50 0003000 0020000 0023000
De 125 ateacute 25 De 50 ateacute 250 0000500 0019500 0020000De 25 ateacute 50 De 250 ateacute 500 0000500 0017500 0018000Mais de 50 Mais de 500 0000500 0015500 0016000
Nota Os valores satildeo para operaccedilotildees de day trade e foram obtidos no site da BOVESPAdisponiacutevel em httpwwwb3combrpt_brprodutos-e-servicostarifaslistados-a-vista-e-
derivativosrenda-variaveltarifas-de-acoes-e-fundos-de-investimentoa-vista
descrita configuramos para que o volume da ordem lanccedilada seja executado totalmente
na simulaccedilatildeo Poreacutem em alguns casos em accedilotildees com menor liquidez o volume do
candle disponiacutevel seraacute menor que o tamanho da ordem submetida e neste caso a
ordem seraacute executada parcialmente ateacute o limite maacuteximo do candle disponiacutevel Por
isso para evitarmos estas execuccedilotildees parciais utilizamos as accedilotildees com maior liquidez
na Bovespa De fato as ordens que submetemos tecircm volume bem menor do que o
dos candles Portanto acreditamos que a aproximaccedilatildeo que usamos (volume total da
ordem negociado) natildeo leva a importantes distorccedilotildees
A plataforma permite alocar o capital parado durante a estrateacutegia em uma aplicaccedilatildeo
tal como CDI4 Nas simulaccedilotildees definimos que o capital parado natildeo seraacute remune-
rado Com isso evitamos interferecircncia em nossos resultados de remuneraccedilotildees natildeo
advindas da estrateacutegia
Nas proacuteximas seccedilotildees vamos apresentar as duas estrateacutegias diferentes No modelo
de operaccedilatildeo 1 (MO1) vamos abrir a posiccedilatildeo de compra ou venda no instante de
tempo analisado e fechar a posiccedilatildeo no instante seguinte Jaacute no modelo de operaccedilatildeo 2
(MO2) uma ordem de compra ou venda eacute enviada e executada e a posiccedilatildeo referente
a esta ordem soacute seraacute zerada quando o stop definido for atingido
Para ilustrar as etapas das estrateacutegias desenvolvemos a figura 18 que apresenta as
principais fases da execuccedilatildeo Na etapa de configuraccedilatildeo dos paracircmetros definimos os
dados que seratildeo utilizados na simulaccedilatildeo tais como a frequecircncia dos candles e as
accedilotildees escolhidas Nesta etapa tambeacutem configuramos os custos operacionais capital
que seraacute alocado para a execuccedilatildeo e as variaacuteveis de controle de risco da estrateacutegia
dentre outras configuraccedilotildees possiacuteveis
Na coleta inicial de dados uma janela de dados histoacutericos de tamanho R eacute arma-
zenada para o caacutelculo da primeira matriz inicial Estes dados satildeo enviados para o
4Certificados de Depoacutesitos Interbancaacuterios satildeo tiacutetulos emitidos para a realizaccedilatildeo de operaccedilotildees de empreacutes-timo ou captaccedilatildeo de recursos financeiros entre os bancos
71
modelo de previsatildeo (MP) onde satildeo tratados Com a matriz de dados tratados X eacute
possiacutevel executar o modelo e gerar um sinal de previsatildeo Este sinal eacute aplicado de
acordo com cada estrateacutegia No modelo de operaccedilatildeo MO1 ao receber o sinal uma
posiccedilatildeo de compra ou venda eacute aberta o status da ordem eacute atualizado e a ordem
anterior se existir posiccedilatildeo aberta eacute zerada atraveacutes de uma contra ordem Jaacute na
estrateacutegia MO2 os stops satildeo calculados e a operaccedilatildeo eacute aberta Nesta estrateacutegia as
operaccedilotildees satildeo zeradas quando atingem os valores de stop loss ou stop gain Todo o
procedimento eacute repetido a cada chegada de um novo candle
72
MP
MO2
MO1
Configuraccedilatildeo
de
paracircmetros
Zera posiccedilatildeo
Calcula stops
Abre operaccedilatildeo
Gera sinal
Abre Posiccedilatildeo
Tratamento dos
dadosNovo candle
Coleta inicial
de dados
Atualiza estado
do sistema
Figura 18 ndash Fluxograma das estrateacutegias Principais fases de execuccedilatildeo do modelo deoperaccedilatildeo 1 (MO1) e do modelo de operaccedilatildeo 2 (MO2) Na etapa de configuraccedilatildeode paracircmetros satildeo definidas as caracteriacutesticas gerais das simulaccedilotildees Na etapade coleta inicial de dados uma sequecircncia de tamanho R de dados histoacutericosdas accedilotildees eacute armazenada para o caacutelculo da primeira matriz No modelo deprevisatildeo (MP) os dados satildeo tratados e enviados para que o modelo gere umsinal de previsatildeo de tendecircncia Para MO1 dado o sinal de previsatildeo natildeo neutrouma posiccedilatildeo de compravenda eacute aberta o estado do sistema eacute atualizado e aposiccedilatildeo anterior eacute zerada Jaacute em MO2 o valor do stop eacute calculado e a operaccedilatildeoeacute aberta associada aos valores de stop gain e stop loss A cada novo dadodisponiacutevel (novo candle) o modelo de previsatildeo eacute computado e todo o processoeacute repetido
73
Para quantificar o desempenho das estrateacutegias utilizamos os indicadores calculados
pela plataforma durante a execuccedilatildeo das simulaccedilotildees A descriccedilatildeo completa de cada
uma destes indicadores foi apresentada na seccedilatildeo 411 Os principais indicadores
utilizados foram
Retorno acumulado que mostra o retorno obtido com a estrateacutegia ao final da
execuccedilatildeo Eacute dado pela razatildeo entre o capital final possuiacutedo e o inicial investido
Volatilidade eacute o indicador retornado pela plataforma que representa a volatilidade da
estrateacutegia anualizada considerando os retornos diaacuterios da mesma
Sharpe eacute o iacutendice que indica a relaccedilatildeo do risco e retorno de um investimento Quanto
maior o Sharpe maior a expectativa de retorno frente ao risco associado Utiliza como
benchmark um investimento livre de risco Na simulaccedilatildeo utilizamos como benchmark
o CDI
Sortino eacute semelhante ao iacutendice Sharpe e avalia a relaccedilatildeo entre risco e retorno de
uma estrateacutegia poreacutem leva em consideraccedilatildeo apenas a volatilidade dos retornos
negativos
Max drawdown mostra a maior perda que a estrateacutegia obteve durante a execuccedilatildeo
Beta eacute o indicador que mostra a correlaccedilatildeo entre a estrateacutegia e um benchmark
medindo o quanto o crescimentodecrescimento da estrateacutegia segue o benchmark
Alpha eacute o paracircmetro que mostra o quanto a estrateacutegia se destacou positivamente dos
retornos retratados pelo benchmark
Retorno anual esperado eacute o indicador que estima o retorno que a estrateacutegia alcan-
ccedilaraacute no periacuteodo de um ano mantendo a mesma performance
Estabilidade mostra a estabilidade da estrateacutegia baseada nos retornos acumulados
PNL indica o ganho ou perda financeira ao final da execuccedilatildeo da estrateacutegia
VAR eacute utilizado para calcular o risco da estrateacutegia Na plataforma este paracircmetro
estima o pior caso esperado de retorno diaacuterio da simulaccedilatildeo
Taxas representa os custos operacionais da estrateacutegia tais como corretagem emolu-
mentos e outras tarifas de serviccedilos aplicadas ao mercado acionaacuterio brasileiro Taxas
de aluguel natildeo foram consideradas uma vez que a estrateacutegia eacute desenvolvida no
intraday5 e as posiccedilotildees satildeo zeradas no mesmo dia
72 Modelo de operaccedilatildeo 1
A estrateacutegia MO1 consiste em comprar ou vender a descoberto conforme o sinal
retornado pelo modelo e desfazer (zerar) a posiccedilatildeo no passo seguinte de acordo com
5Operaccedilotildees realizadas dentro de um mesmo dia
74
a frequecircncia do candle analisado Para esta estrateacutegia desenvolvemos trecircs funccedilotildees de
agendamento6 uma para manipulaccedilatildeo dos dados e execuccedilatildeo do modelo outra para
desfazer as posiccedilotildees abertas no mercado e por fim uma funccedilatildeo de agendamento
para emitir ordens de posicionamento (compra ou venda) de acordo com o sinal
gerado pelo modelo
Neste modelo de operaccedilatildeo aleacutem da simulaccedilatildeo eacute possiacutevel tambeacutem calcular as acu-
raacutecias da forma que foram apresentadas no capiacutetulo 6 Deste modo na proacutexima
subseccedilatildeo vamos apresentar as acuraacutecias obtidas para os mesmos dados e periacuteodos
utilizados na simulaccedilatildeo do modelo
721 Acuraacutecias
As acuraacutecias obtidas com o modelo apresentadas no capiacutetulo 6 satildeo referentes a
preccedilos de fechamento dos candles Os resultados que laacute apresentamos utilizam a
matriz de preccedilos ateacute o tempo t para gerar um sinal e encontrar os preccedilos previstos
X(t + 1) Consideramos para o caacutelculo de tendecircncia prevista a diferenccedila do preccedilo
previsto X(t+ 1) e o preccedilo real X(t) Aqui analisamos a acuraacutecia de duas formas
uma eacute idecircntica agrave anterior comparando a tendecircncia prevista agravequela observada atraveacutes
da diferenccedila entre os preccedilos de fechamento X(t) e X(t+ 1) chamaremos esta de
acuraacutecia canocircnica A outra eacute de acordo com a simulaccedilatildeo mais realiacutestica em que de
posse do preccedilo de fechamento do candle X(t) eacute possiacutevel calcular um sinal utilizando
este valor e imediatamente lanccedilar uma ordem de acordo com o sinal poreacutem o preccedilo
de execuccedilatildeo seraacute qo(t+ 1) que eacute um valor proacuteximo da abertura do candle seguinte
Desta forma a acuraacutecia deveraacute ser calculada comparando-se a tendecircncia prevista
com o movimento observado entre qo(t + 1) e X(t + 1) Estes resultados seratildeo
denominados acuraacutecias efetivas
Nas tabelas 9 e 10 mostramos as acuraacutecias obtidas para R = 500 R = 1000
R = 1500 e tambeacutem para a votaccedilatildeo unacircnime entre estes valores de R para o ano de
2017 e 2018 respectivamente Esses valores satildeo referentes a acuraacutecias canocircnicas
Os valores apresentados nas tabelas 11 e 12 satildeo referentes agraves acuraacutecias efetivas
obtidas nos anos de 2017 e 2018 respectivamente Como na simulaccedilatildeo anterior aqui
tambeacutem utilizamos os seguintes valores de R como paracircmetros de entrada para o
modelo R = 1500 R = 1000 e R = 500 Tambeacutem apresentamos a votaccedilatildeo unacircnime
entre esses valores de R
Analisando os resultados percebemos que as acuraacutecias efetivas geralmente satildeo
menores quando comparadas agraves acuraacutecias canocircnicas
6Funccedilotildees programadas para serem executadas em intervalos preacute-determinados a cada novo evento
75
Tabela 9 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespa noano de 2017
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 055176541 054323459 053798481 05496368VALE5 053415179 054329485 053480018 05384045CIEL3 053849399 054848801 054806465 05534425VALE3 052433407 052550201 051997615 05267777ITUB4 055874726 05566846 054563297 05615032PETR4 058868605 057385475 057413249 05831128ABEV3 056385379 055507608 055918367 05668191BOVA11 054358257 054148385 053963893 05485689BBAS3 053731644 052841136 053358886 05343546PETR3 054584775 054169374 053303011 05469478
Tabela 10 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespano ano de 2018
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 05248441 05222335 05313253 05270455ITUB4 053228346 053066878 052536956 05364042ITUB3 07219697 071792261 069898219 07209546ABEV3 052848723 052844997 052051169 05241737PETR4 052412925 050901468 051598078 05126012BBAS3 052238209 052155772 053148111 05242525BOVA11 054383243 053680922 053006939 05438518B3SA3 054016106 053573623 053500714 05414768VALE3 049833301 049735864 049960427 04964061MGLU3 052293755 052034095 051935298 05264673
Tabela 11 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespa noano de 2018
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 05011914 05024945 05049741 05296443VALE5 05531525 05955037 06322361 05145472CIEL3 04749896 04713191 04787458 05386266VALE3 04914488 05031373 04957248 05077800ITUB4 04987131 05083433 05004837 05428696PETR4 04947859 04978012 04975523 05332230ABEV3 04814815 04783004 04835861 05285027BOVA11 05052568 05092074 05058312 05167801BBAS3 04971075 04975282 04996000 05235765PETR3 04963441 05061648 05031515 05144113
76
Tabela 12 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespa noano de 2018
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 05101960 05039117 05081028 05101540ITUB4 05006803 05002930 05037490 05204274ITUB3 05900638 05841450 05702323 05326117ABEV3 04933448 04994650 04991361 05103865PETR4 05015291 04919239 04924980 04957188BBAS3 04973493 04922655 04955735 05166485BOVA11 05018457 05005853 04940293 05096904B3SA3 04980726 05030328 05012077 05233708VALE3 04958454 04913661 04944735 04910852MGLU3 04899507 04966571 04910714 05047889
As acuraacutecias obtidas indicam na maioria das vezes que o modelo eacute diferente de
um processo totalmente aleatoacuterio Mas somente as acuraacutecias natildeo indicam retorno
financeiro positivo pelo modelo Outras variaacuteveis devem ser consideradas tais como
taxas volatilidade e liquidez Um exemplo de accedilatildeo em que o modelo apresentou
uma acuraacutecia consideraacutevel foi a CPFE3 tanto no capiacutetulo 6 quanto para os dados
utilizados neste capiacutetulo para a simulaccedilatildeo (anos de 2017 e 2018) Poreacutem no momento
da simulaccedilatildeo este ativo apresentou problemas nas execuccedilotildees das ordens e contra
ordens devido agrave sua baixa liquidez Quando lanccedilamos a ordem de compra de 1000
accedilotildees e em seguida a contra ordem de venda da mesma quantidade em alguns
casos as ordens natildeo foram totalmente executadas (execuccedilatildeo parcial) Percebemos
que isso acontece quando o volume do candle naquele instante eacute menor que o
tamanho definido da ordem Este resultado sugere que apenas as acuraacutecias natildeo
satildeo as melhores variaacuteveis para representar o sucesso do modelo Informaccedilotildees como
liquidez volume de negociaccedilatildeo e volatilidade do ativo tambeacutem devem ser levadas
em consideraccedilatildeo Deste modo para evitarmos ordens parcialmente executadas
utilizamos na simulaccedilatildeo apenas as 10 accedilotildees com maior liquidez na Bovespa Os
resultados da simulaccedilatildeo para estas accedilotildees seratildeo apresentados na proacutexima subseccedilatildeo
722 Simulaccedilatildeo
Nesta subseccedilatildeo vamos apresentar a simulaccedilatildeo do modelo de operaccedilatildeo 1 (MO1)
utilizando as accedilotildees com maior liquidez na Bovespa Para analisar o retorno financeiro
do MO1 realizamos esta simulaccedilatildeo em dois cenaacuterios um que natildeo considera taxas
operacionais e outro em que utilizam-se os custos praticados pela Bovespa apresen-
tados na tabela 8 Para ambas as simulaccedilotildees consideramos taxa de corretagem7 zero
Este benefiacutecio eacute oferecido por algumas corretoras de valores que isentam desta taxa
7A taxa de corretagem eacute um valor cobrado pelas corretoras de valores para cada operaccedilatildeo de compra ouvenda de accedilotildees e outros ativos na Bolsa
77
de compra e venda de accedilotildees Os resultados da simulaccedilatildeo sem custos operacionais
para todo o ano de 2017 e tambeacutem no ano de 2018 satildeo apresentados nas tabelas
13 e 14 respectivamente Os indicadores obtidos quando consideramos as taxas
praticadas pela Bovespa nos mesmos periacuteodos satildeo apresentados nas tabelas 15 e
16
Tabela 13 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas ano de 2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown1015 2506 1117 102 -046Alpha Beta Retorno anual esperado Estabilidade PNL
1134 0 1036 097 R$ 1116888Taxa VaR Meacutedia caixa estrateacutegia (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -008 102121547 (1401887) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo MO1 sem taxas para o periacuteodo de 2017
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
Tabela 14 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas no ano de 2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown693 1593 1581 238 -147
Alpha Beta Retorno anual esperado Estabilidade PNL1646 -001 1648 098 R$ 15806609
Taxa VaR Meacutedia Caixa estrateacutegia (R$) Taxa de custoacutedia Taxa de aluguelR$000 -021 103123246 (3217683) R$000 R$000Nota Indicadores resultantes para a simulaccedilatildeo MO1 sem taxas para o periacuteodo de 2018
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
Tabela 15 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacionais para oano de 2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown-1928 -1928 -4326 225 -4326Alpha Beta Retorno anual esperado Estabilidade PNL
-4420 001 -4334 1 R$ -4326082Taxa VaR Meacutedia caixa estrateacutegia (R$) Taxa de custoacutedia Taxa de aluguel
R$ 5442970 -039 88914684 (637626) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo MO1 com taxas para o periacuteodo de 2017
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
Os valores dos indicadores apresentados nas tabelas 13 1415 e 16 satildeo obtidos
com a simulaccedilatildeo que utiliza a combinaccedilatildeo de todas as 10 accedilotildees para gerar o sinal e
78
Tabela 16 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacionais para oano de 2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown-992 -1015 -7030 687 -7031Alpha Beta Retorno anual esperado Estabilidade PNL
-7116 -001 -6815 1 R$ -70295405Taxa VaR Meacutedia Caixa estrateacutegia Taxa de custoacutedia Taxa de aluguel
R$ 86102015 -104 83370919 (9464573) R$000 R$000Nota Indicadores resultantes para a simulaccedilatildeo MO1 com taxas para o periacuteodo de 2018
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
posteriormente realiza operaccedilotildees com as accedilotildees nas quais o modelo envia um sinal
natildeo neutro O retorno obtido nesta situaccedilatildeo eacute o retorno acumulado ra entre todas
estas accedilotildees
Na simulaccedilatildeo sem aplicar taxas o retorno acumulado ra foi positivo no ano de 2017 e
2018 Jaacute na simulaccedilatildeo em que aplicamos taxas transacionais o retorno acumulado
ra foi negativo em ambos os periacuteodos analisados Isso exemplifica o quanto as taxas
impactam os retornos financeiros
O resultado do indicador sharpe que mostra a relaccedilatildeo entre risco e retorno de
um investimento quando comparado a um investimento sem risco foi negativo em
ambos os periacuteodos analisados para a simulaccedilatildeo aplicando taxas transacionais Jaacute as
estrateacutegias sem taxas os iacutendices apresentaram valores positivos indicando que haacute
uma relaccedilatildeo positiva entre risco e retorno da estrateacutegia
Quando avaliada a relaccedilatildeo risco e retorno da estrateacutegia levando em consideraccedilatildeo
apenas a volatilidade negativa os resultados obtidos para o indicador sortino foram
positivos para as simulaccedilotildees sem taxas e quando inseridos os custos transacionais
os resultados do indicador foram negativos em ambos os periacuteodos
Os maiores percentuais de perdas da estrateacutegia durante as execuccedilotildees retratada pelo
indicador Max drawdown foram obtidos para as estrateacutegias simuladas com taxas
sendo minus43 26 no ano de 2017 e minus70 31 no ano de 2018 Jaacute para as estrateacutegias
sem taxas os Max drawdown obtidos foram minus0 46 no ano de 2017 e minus1 47 no
ano de 2018
Os piores casos esperados de retornos diaacuterios da estrateacutegia estimado pelo indicador
VAR foram obtidos para as simulaccedilotildees com taxas No anos de 2017 o valor obtido foi
minus0 39 e no ano de 2018 o valor foi minus1 04 Para as simulaccedilotildees sem taxas o valor
foi minus0 08 no ano de 2017 e minus0 21 no ano de 2018 Analisando as simulaccedilotildees
com taxas e sem taxas percebemos que os piores casos para ambas as estrateacutegias
foram obtidos no ano de 2018 Neste mesmo periacuteodo a volatilidade anualizada da
79
estrateacutegia considerando os desvios dos retornos diaacuterios foi maior que em 2017 Isto
nos sugere que em periacuteodos de maior volatilidade diaacuteria os piores casos dos retornos
diaacuterios tendem a ser maiores do que em periacuteodos de menor volatilidade
O resultado do indicador Beta que mostra a correlaccedilatildeo do desempenho negativo e
positivo da estrateacutegia em relaccedilatildeo a um benchmark no ano de 2018 foi negativo para
a estrateacutegia executada sem taxas operacionais e tambeacutem para a estrateacutegia com taxas
No ano de 2017 o resultado de Beta para a estrateacutegia com taxas foi positivo e para a
simulaccedilatildeo sem taxas o valor de Beta foi zero
Os resultados do indicador Alpha que retorna o valor que representa o quanto a
estrateacutegia se destacou em relaccedilatildeo ao desempenho da economia (representado por
um benchmark) para as simulaccedilotildees referentes aos anos de 2017 e 2018 foram
positivos para as estrateacutegias em que natildeo aplicamos taxas operacionais Jaacute para as
estrateacutegias com taxas inseridas os resultados foram negativos em ambos os periacuteodos
O indicador de retorno anual esperado mostra o resultado estimado que a estrateacutegia
alcanccedilaraacute no periacuteodo de 1 ano Os resultados para as simulaccedilotildees sem taxas foram
positivos para ambos os periacuteodos Jaacute para as simulaccedilotildees com taxas os resultados
dos retornos estimados foram negativos para os anos de 2017 e 2018
Para as simulaccedilotildees com taxas o resultado do indicador de estabilidade da estrateacutegia
baseado no coeficiente de determinaccedilatildeo R2 dos retornos acumulados foi igual a 1
para os anos de 2017 e 2018 Para as simulaccedilotildees sem taxas os resultados foram
0 97 e 0 98 para os anos de 2017 e 2018 respectivamente
Como esperado o indicador PNL que mostra o resultado financeiro (lucro ou prejuiacutezo)
apoacutes a execuccedilatildeo da estrateacutegia para ambas as simulaccedilotildees aplicando taxas foram
negativos Jaacute para as simulaccedilotildees sem considerar taxas operacionais os resultados
para este indicador foram positivos em ambos os periacuteodos
A meacutedia de caixa da estrateacutegia ficou proacutexima do valor total de capital inicial configurado
A pouca alocaccedilatildeo de capital foi proporcionada pelo fato de que as posiccedilotildees nesta
simulaccedilatildeo satildeo zeradas no instante (candle) seguinte
Os custos referentes agrave taxa de custoacutedia8 e de aluguel de accedilotildees natildeo se aplicam nas
simulaccedilotildees uma vez que as posiccedilotildees satildeo zeradas no mesmo dia
Na maioria das vezes o modelo apresentou acuraacutecias com valores superiores a um
modelo aleatoacuterio mas ainda assim quando inserimos taxas o mesmo natildeo apresentou
um retorno financeiro consideraacutevel Isso nos motivou a investigar as estatiacutesticas dos
preccedilos e custos de execuccedilatildeo da estrateacutegia As taxas de negociaccedilatildeo liquidaccedilatildeo e
corretagem satildeo responsaacuteveis por diminuiacuterem o retorno Para explorarmos as carac-
8Eacute uma taxa cobrada pela manutenccedilatildeo de posiccedilatildeo de accedilotildees na bolsa de valores
80
teriacutesticas dos dados uma anaacutelise estatiacutestica dos preccedilos na amostra completa e nos
tempos com negociaccedilatildeo foi realizada e seraacute apresentada na proacutexima subseccedilatildeo
723 Anaacutelise estatiacutestica de resultados financeiros relativos ao MO1
Para o modelo de operaccedilatildeo 1 que zera a posiccedilatildeo no fechamento do candle eacute
possiacutevel verificar estatisticamente se os resultados obtidos estatildeo de acordo com o
que podemos esperar da estrateacutegia Ateacute aqui utilizamos a combinaccedilatildeo de todas as
10 accedilotildees para gerar o sinal e depois executamos a simulaccedilatildeo operando com todas
as accedilotildees de acordo com o sinal retornado pelo modelo Como um dos resultados
da simulaccedilatildeo eacute obtido um rendimento total agregado ra (referido como retorno
acumulado na seccedilatildeo (71) Aqui para analisarmos as estatiacutesticas do rendimento de
cada accedilatildeo continuamos usando a combinaccedilatildeo de todas as accedilotildees para gerar o sinal
poreacutem empregamos apenas uma accedilatildeo por vez para fazer as operaccedilotildees e calcular o
rendimento da estrateacutegia ltk obtido para cada accedilatildeo k Tal rendimento seraacute comparado
com o rendimento esperado das operaccedilotildees cujo caacutelculo eacute descrito a seguir
Para cada accedilatildeo durante a simulaccedilatildeo eacute possiacutevel observar η retornos9 ∆x(t) no
intervalo analisado com (t = 1 η) Como o modelo natildeo opera em todos os
passos de tempo uma vez que a operaccedilatildeo depende de um sinal natildeo neutro enviado
ele iraacute atuar em um subconjunto dos η retornos Para cada valor de t o modelo
apresenta uma probabilidade po de operar naquele dado candle Assumimos aqui que
a probabilidade que haja sinal natildeo neutro em tal candle natildeo depende de t Dado um
sinal natildeo neutro a probabilidade de que o modelo acerte a previsatildeo eacute pa e de que
erre eacute pe = 1minus pa
Consideremos que na simulaccedilatildeo foram realizadas m le η operaccedilotildees Tomando
aleatoriamente uma dessas operaccedilotildees ela pode se referir a qualquer um dos retornos
∆x(t) com probabilidade uniforme 1η Jaacute a probabilidade de qual tal operaccedilatildeo seja
referente a ∆x(t) e que a previsatildeo a ela relacionada seja acertada (errada) eacute paη
(peη)
Durante a simulaccedilatildeo se o modelo acerta a previsatildeo de tendecircncia o resultado finan-
ceiro eacute acrescido do valor do retorno Se ele erra eacute decrescido de forma equivalente
Assim se o retorno ∆x(t) de moacutedulo |∆x(t)| for escolhido para operar ele pode pro-
duzir uma variaccedilatildeo |∆x(t)| ou minus |∆x(t)| no resultado (considerando-se neste ponto
que a operaccedilatildeo se refere a uma accedilatildeo apenas e natildeo a um lote de accedilotildees) Portanto
para cada operaccedilatildeo escolhida aleatoriamente no conjunto de todas as operaccedilotildees a
probabilidade de que o retorno ∆x(t) tenha sido escolhido e que tenha levado a uma
variaccedilatildeo |∆x(t)| (minus |∆x(t)|) eacute paη (peη)
9Retornos reais entre cada um dos candles no periacuteodo da simulaccedilatildeo
81
Definamos uma variaacutevel aleatoacuteria M que pode assumir valores no conjunto
|∆x(t)| minus |∆x(t)| com probabilidade paη associada aos valores |∆x(t)| e peη
aos valores minus |∆x(t)| A variaacutevel M corresponde agrave variaccedilatildeo do resultado financeiro
de uma operaccedilatildeo escolhida aleatoriamente no conjunto das operaccedilotildees
Suponhamos que tomamos uma por uma as operaccedilotildees disponiacuteveis no conjunto ateacute
esgotaacute-lo e que somamos as variaccedilotildees correspondentes Tal soma coincide com a
variaccedilatildeo total dasm operaccedilotildees ou seja o resultado final da estrateacutegia aplicada agravequela
accedilatildeo especiacutefica A variaacutevel aleatoacuteria a ela associada eacute SM =msumj=1
Mj Consideraremos
no que segue que as Mj satildeo independentes e identicamente distribuiacutedas com
distribuiccedilatildeo igual agrave de M De fato isto eacute uma aproximaccedilatildeo do cenaacuterio real uma vez
que ao retirarmos um retorno do conjunto a distribuiccedilatildeo do mesmo muda
A meacutedia e a variacircncia de M satildeo respectivamente
microM =
ηsumi=1
paη|∆x(t)|+
ηsumi=1
peη
(minus |∆x(t)|) =
(2pa minus 1
η
) ηsumi=1
|∆x(t)| (42)
e
σ2M =
ηsumi=1
paη
(|∆x(t)| minus microM)2 +
ηsumi=1
peη
(minus |∆x(t)| minus microM)2 (43)
=
(pa + peη
)( ηsumi=1
|∆x(t)|2 +
ηsumi=1
micro2M
)minus 2microM
(pa minus peη
) ηsumi=1
|∆x(t)|
=1
η
ηsumi=1
|∆x(t)|2 minus micro2M
onde usamos pa + pe = 1 Assumindo a independecircncia entre os diferentes Mj a
meacutedia e a variacircncia de SM satildeo respectivamente
microSM= mmicroM (44)
e
σ2SM
= mσ2M (45)
Consideremos que as operaccedilotildees satildeo realizadas em lotes de tamanho λ de accedilotildees
Desta forma o valor esperado do rendimento financeiro referente agraves m operaccedilotildees
pode ser escrito como
microM =
(λ
(2pa minus 1
η
) ηsumi=1
|∆x(t)|
)m (46)
A variacircncia por sua vez
σ2M =
(λ2
η
ηsumi=1
|∆x(t)|2 minus micro2M
)m (47)
82
Para investigarmos se estatisticamente os rendimentos ltk efetivamente obtidos para
cada accedilatildeo k estatildeo de acordo com o que poderiacuteamos esperar do modelo analisamos a
partir da acuraacutecia e do retorno ∆x(t) o valor esperado de tais rendimentos As meacutedias
satildeo dadas por microM seguidas de seus desvios σM Para o caacutelculo da variaccedilatildeo das
operaccedilotildees utilizamos duas amostras a amostra que conteacutem o conjunto com todos
retornos ∆x(t) do periacuteodo analisado e a amostra que conteacutem somente os retornos
∆x(t) em que t coincide com os tempos em que o modelo operou Os resultados com
as meacutedias (desvios) calculadas (os) nas 2 amostras e os dados dos rendimentos ltkobtidos com o modelo de operaccedilatildeo 1 nos anos de 2017 e 2018 satildeo apresentados nas
tabelas 17 e 18 Os valores obtidos satildeo tambeacutem apresentados nas figuras 19 e 20
Tabela 17 ndash Rendimentos do modelo de operaccedilatildeo 1 no ano de 2017
2017 ltk Amostra completa microM (σM ) Amostra com negociaccedilatildeo microM (σM )BBDC4 1709317 2182192 (543764) 2632716 (634321)VALE5 1400752 937155 (507952) 1217775 (647243)CIEL3 1219486 2088778 (423495) 2717477 (545393)VALE3 472209 943961 (880760) 1141890 (1046772)ITUB4 234494 3064458 (504063) 3680701 (595252)PETR4 1019821 1190426 (257648) 1344799 (282312)ABEV3 966856 962073 (250578) 1179246 (310227)BOVA11 110868 149747 (67775) 171738 (74792)BBAS3 1642988 1688565 (534599) 2024818 (637786)PETR3 281642 577413 (286412) 679861 (334579)
Nota Na variaacutevel ltk apresentamos o rendimento referente a cada accedilatildeo k Em microM (σM )estatildeo os valores referentes agrave meacutedia (desvio) do retorno esperado de cada accedilatildeo Os valoresforam obtidos utilizando o caacutelculo de retornos esperados na amostra completa e na amostra
em tempos com negociaccedilatildeo
A figura 19 mostra os rendimentos esperados e os efetivamente obtidos com a
simulaccedilatildeo no ano de 2017 para a amostra completa e para os tempos com negociaccedilatildeo
Jaacute a figura 20 mostra resultados anaacutelogos para o ano de 2018
83
0
1
2
3
4104
M M M
k
0 2 4 6 8 10
Accedilotildees
0
1
2
3
4
5Ret
orno
s
104
Figura 19 ndash Rendimentos esperados e os efetivamente obtidos ltk para o ano de 2017para a amostra completa e a amostra com negociaccedilatildeo Os resultados apre-sentados satildeo referentes aos rendimentos esperados e os desvios calculadosnos tempos com negociaccedilatildeo durante a simulaccedilatildeo no ano de 2017 No quadro1 mostramos os resultados referentes agrave amostra completa no quadro 2 es-tatildeo plotados os resultados obtidos com a amostra referente a periacuteodos comnegociaccedilatildeo Os pontos na cor vermelha representam a meacutedia dos rendimen-tos efetivamente obtidos na simulaccedilatildeo os pontos verdes mostram as meacutediasdos rendimentos esperados e os pontos em azul representam o rendimentoesperado plusmn os desvios
84
Tabela 18 ndash Retornos do modelo de operaccedilatildeo 1 no ano de 2018
2018 ltk Amostra completa microM (σM ) Amostra com negociaccedilatildeo microM (σM )ABEV3 610898 435344 (299979) 507860 (348669)BOVA11 -1708 128245 (95594) 144797 (106773)MGLU3 4245592 1674092 (2915445) 2289244 (3870177)ITUB4 2587075 2247439 (765528) 2613596 (893825)PETR4 217876 -27632 (488172) -317157 (569206)BBAS3 1473077 1658255 (727962) 1999888 (874414)ITUB3 3786326 1245687 (472640) 1632559 (565428)VALE3 -625568 -1061141 (874929) -1251794 (1052079)BBDC4 1786022 943903 (663568) 1097792 (792768)B3SA3 1727016 1698116 (537150) 1997159 (627890)
Nota Na variaacutevel ltk apresentamos o rendimento referente a cada accedilatildeo k Em microM (σM )estatildeo os valores referentes agrave meacutedia (desvio) do retorno esperado de cada accedilatildeo Os valoresforam obtidos utilizando o caacutelculo de retornos esperados na amostra completa e na amostra
em tempos com negociaccedilatildeo
85
-2
0
2
4
6104
M M M
k
0 2 4 6 8 10Accedilotildees
-5
0
5
10Ret
orno
s
104
Figura 20 ndash Rendimentos esperados e os efetivamente obtidos ltk para o ano de 2018para a amostra completa e a amostra com negociaccedilatildeo Os resultados apre-sentados satildeo referentes aos rendimentos esperados e os desvios calculadosnos tempos com negociaccedilatildeo durante a simulaccedilatildeo no ano de 2018 No qua-dro 1 mostramos os resultados referentes agrave amosta completa no quadro 2estatildeo plotados os resultados obtidos com a amostra referente a periacuteodos comnegociaccedilatildeo Os pontos na cor vermelha representam a meacutedia dos rendimen-tos efetivamente obtidos na simulaccedilatildeo os pontos verdes mostram as meacutediasdos rendimentos esperados e os pontos em azul representam o rendimentosesperado plusmn os desvios
86
De acordo com os resultados apresentados nas tabelas 17 e 18 e tambeacutem nas figuras
19 e 20 podemos observar que 82 5 dos rendimentos financeiros ltk das accedilotildees
estatildeo dentro faixa de variaccedilatildeo da meacutedia do retorno esperado microM plusmn os desvios σM(33 casos em 40 observaccedilotildees) Tal resultado indica que eacute possiacutevel ter-se uma ideia
do resultado da aplicaccedilatildeo de um modelo de operaccedilatildeo a partir do conhecimento de
sua acuraacutecia e dos retornos absolutos meacutedios
724 Consideraccedilotildees sobre MO1
Neste modelo a cada passo de tempo analisamos se haacute posiccedilotildees em aberto e
fechamos a operaccedilatildeo com ordens a mercado Em alguns casos a ordem desfeita era
imediatamente refeita devido ao sinal enviado pelo modelo Este processo gerou um
nuacutemero de operaccedilotildees maior que o necessaacuterio para a aplicaccedilatildeo do modelo Assim a
simulaccedilatildeo gerou no ano de 2017 um nuacutemero de 97209 operaccedilotildees e no ano de 2018 o
total de 91733 operaccedilotildees Esta quantidade elevada de operaccedilotildees estaacute relacionado agrave
ordens e contra ordens que podem ser executadas em um mesmo instante de tempo
mas natildeo apenas a isso Sendo um modelo de operaccedilatildeo baseado em negociaccedilotildees
de curta duraccedilatildeo o ganho proveniente da acuraacutecia alcanccedilada eacute pequeno em relaccedilatildeo
agraves taxas Por outro lado o MO1 eacute mais controlaacutevel pois conhecendo as acuraacutecias
o retorno meacutedio do ativo e as taxas praticadas no mercado eacute possiacutevel definir a
partir de qual niacutevel o modelo se torna rentaacutevel A partir deste ponto neste tipo de
estrateacutegia o risco eacute menor uma vez que desfazemos rapidamente a posiccedilatildeo ficando
pouco tempo alocados no ativo diminuindo assim o risco de exposiccedilatildeo a grandes
oscilaccedilotildees de mercado Isto acontece pelo fato de que toda operaccedilatildeo eacute desfeita no
passo seguinte antes de abrir novas posiccedilotildees Outra vantagem eacute em relaccedilatildeo ao valor
reduzido de capital necessaacuterio para se manter alocado nas operaccedilotildees Desta forma
concluiacutemos que o MO1 natildeo gera bons resultados no cenaacuterio de taxas e acuraacutecias que
apresentamos Contudo para taxas menores e acuraacutecias maiores pode constituir-se
um modelo interessante devido ao baixo risco que apresenta bem como ao reduzido
capital necessaacuterio
73 Modelo de operaccedilatildeo 2
Nesta estrateacutegia quando o modelo de previsatildeo gera um sinal natildeo neutro operaccedilotildees
de compra ou venda satildeo abertas no preccedilo qo(t+ 1) que eacute o preccedilo mais proacuteximo ao de
abertura po(t+ 1) do candle seguinte disponiacutevel (ver equaccedilatildeo 40) Estas operaccedilotildees
satildeo zeradas apenas quando o preccedilo atinge um valor de stop gain (Sg) ou stop loss
(Sl) Neste modelo de operaccedilatildeo eacute possiacutevel limitar as perdas e ganhos das operaccedilotildees
de forma que as posiccedilotildees satildeo zeradas no momento que o preccedilo atinge um ganho ou
perda determinados independente do tempo No modelo definido se o preccedilo natildeo
87
atingir nenhum stop no periacuteodo da simulaccedilatildeo a posiccedilatildeo eacute fechada no uacuteltimo tempo
da amostra
Para esta estrateacutegia desenvolvemos na plataforma apenas uma funccedilatildeo de agenda-
mento que manipula os dados executa o modelo e lanccedila as ordens ao mercado de
acordo com o sinal de compra ou venda
Os valores dos stops foram inspirados na metodologia apresentada em (GARCIA
et al 2020) Aqui adaptamos para que os valores de uma meacutedia relativa sejam
calculados em uma janela deslizante precedente ao dado analisado Os stops satildeo
definidos com base no moacutedulo do retorno meacutedio de cada accedilatildeo calculado na janela de
dados Q que tambeacutem eacute utilizada para caacutelculo do quartil no periacuteodo precedente ao
instante analisado Esta metodologia eacute utilizada para evitar o uso de dados futuros no
caacutelculo Os valores dos stops foram definidos como
Sl = qo(t+ 1)minus κl
(|∆x|(t)x(t)
)qo(t+ 1) (48)
e
Sg = qo(t+ 1) + κg
(|∆x|(t)x(t)
)qo(t+ 1) (49)
onde x(t) eacute o preccedilo de fechamento no tempo t qo(t + 1) eacute o preccedilo de abertura da
posiccedilatildeo κl = 10 e κg = 20 satildeo paracircmetros escolhidos Jaacute |∆x|(t) eacute a meacutedia dos
moacutedulos dos retornos na janela de tamanho Q dada por
|∆x|(t) =1
Q
tminus1sumτ=tminusQ
∆x(τ) (50)
Estes valores foram definidos considerando a variaccedilatildeo de cada accedilatildeo Assim a cada
instante de tempo o valor do stop varia tanto pela mudanccedila da janela de dados pelo
preccedilo x(t) e tambeacutem pelo preccedilo de abertura de cada operaccedilatildeo qo(t+ 1)
Nesta estrateacutegia como as operaccedilotildees levam mais passos de tempo para serem
zeradas aqui a alocaccedilatildeo de capital durante a execuccedilatildeo foi muito maior que no modelo
de operaccedilatildeo 1 Em todos os periacuteodos analisados o valor financeiro em caixa ficou
em algum momento da execuccedilatildeo totalmente alocado
Analogamente agrave seccedilatildeo anterior para mostrar o efeito das taxas no retorno financeiro
aqui tambeacutem simulamos em dois cenaacuterios Em um deles natildeo aplicamos taxas de
negociaccedilatildeo Na outra estrateacutegia utilizamos as taxas praticadas pela Bovespa que
foram apresentadas na tabela 8
88
Os resultados das simulaccedilotildees sem taxas para o ano de 2017 e 2018 satildeo apresenta-
dos nas tabelas 19 e 20 respectivamente Nestes resultados natildeo consideramos a
remuneraccedilatildeo do capital parado no decorrer da estrateacutegia
Para mostrar a consistecircncia do modelo em diferentes periacuteodos executamos as es-
trateacutegias em todos os quadrimestres do ano de 2017 e 2018 Esta simulaccedilatildeo em
diferentes periacuteodos eacute para evitar a super otimizaccedilatildeo (overfitting) do modelo A super
otimizaccedilatildeo acontece quando a estrateacutegia depois de vaacuterios ajustes funciona muito
bem no periacuteodo analisado poreacutem em outros periacuteodos os resultados natildeo se repetem
tendo um resultado pior Os paracircmetros perfeitos satildeo encontrados para aquele periacuteodo
e soacute funcionam bem naquela amostra Uma forma de testar a estrateacutegia eacute simulando
em periacuteodos diferentes para o teste de validaccedilatildeo Por isso aplicamos a estrateacutegia em
6 diferentes quadrimestres
Os resultados da simulaccedilatildeo para o ano de 2017 com taxas praticadas no mercado
satildeo apresentados na tabela 21 Para o ano de 2018 os resultados satildeo mostrados na
tabela 22 Nestes resultados tambeacutem natildeo consideramos a remuneraccedilatildeo do capital
parado no decorrer da estrateacutegia Como taxa de negociaccedilatildeo utilizamos o maior valor
de taxa de negociaccedilatildeo da Bovespa para day trade apresentado na tabela 8 Como
analisamos vaacuterios periacuteodos o nuacutemero de tabelas e consequentemente o nuacutemero de
indicadores resultantes das simulaccedilotildees eacute grande portanto vamos fazer uma anaacutelise
geral dos resultados
Os valores dos indicadores apresentados nas tabelas 19 20 21 e 22 satildeo obtidos
com a simulaccedilatildeo da estrateacutegia que utiliza a combinaccedilatildeo de todas as 10 accedilotildees para
gerar o sinal e negocia apenas com as accedilotildees em que o modelo retorna um sinal natildeo
neutro indicando uma operaccedilatildeo naquele instante O retorno obtido nesta situaccedilatildeo eacute o
retorno acumulado ra
Nas simulaccedilotildees quando aplicamos a estrateacutegia sem inserir taxas os resultados dos
retornos acumulados ra foram positivos em todos os periacuteodos dos anos de 2017 e
2018 analisados Para a simulaccedilatildeo utilizando taxas aplicadas ao cenaacuterio brasileiro
todos os periacuteodos analisados tambeacutem apresentaram retorno acumulado positivo
com exceccedilatildeo do quadrimestre 1 de 2018 Considerando-se todo o ano de 2017 a
estrateacutegia rendeu 28 5 e o desempenho do Ibovespa foi 20 09 Jaacute no ano de
2018 inteiro o desempenho da estrateacutegia foi 28 94 e o Ibovespa apresentou um
rendimento de 15 03 Todas as taxas anuais de crescimento do Ibovespa desde
o ano de 1968 satildeo apresentadas na tabela 22 anexada ao capiacutetulo C A taxa de
crescimento apresentada refere-se agrave taxa meacutedia de variaccedilatildeo do iacutendice composta
anualmente entre dois periacuteodos (BMampFBOVESPA 2019)
Os resultados do indicador alpha que representa o quanto a estrateacutegia se destacou
em relaccedilatildeo ao desempenho da economia (representado por um benchmark) foram
89
positivos para as simulaccedilotildees em todos os periacuteodos dos anos de 2017 e 2018
O indicador de retorno anual esperado que mostra o resultado estimado que a
estrateacutegia alcanccedilaraacute no periacuteodo de 1 ano foi positivo em todos os periacuteodos analisados
O indicador PNL que mostra o resultado financeiro (lucro ou prejuiacutezo) apoacutes a execuccedilatildeo
da estrateacutegia foi positivo para os periacuteodos analisados exceto no primeiro quadrimestre
de 2018
A meacutedia de caixa desta estrateacutegia eacute menor que a estrateacutegia anterior No decorrer da
simulaccedilatildeo em alguns instantes o capital ficou completamente alocado nas operaccedilotildees
A maior alocaccedilatildeo de capital foi proporcionada pelo fato de que as posiccedilotildees nesta
simulaccedilatildeo satildeo zeradas apenas quando os stops satildeo alcanccedilados
Os indicadores sharpe e sortino foram positivos em todos os periacuteodos analisados
Os maiores percentuais de perdas da estrateacutegia durante as execuccedilotildees retratados
pelo indicador Max Drawdown foram observados para as estrateacutegias simuladas com
taxas no ano de 2018 O primeiro quadrimestre de 2018 apresentou uma perda de
minus21 68 corroborando o fato de ser o uacutenico periacuteodo de retorno negativo De acordo
com o indicador de volatilidade este periacuteodo tambeacutem apresentou grandes variaccedilotildees
nos retornos diaacuterios
Para mostrar os retornos obtidos com MO2 elaboramos a figura 21 Nela apresenta-
mos os retornos obtidos com MO2 na simulaccedilatildeo com taxas e sem taxas operacionais
e tambeacutem o iacutendice sharpe associado a cada periacuteodo
90
2017 Q1 Q2 Q3-02
0
02
04
06
08Sem taxasCom taxas
2018 Q1 Q2 Q3
Periacuteodo
-02
0
02
04
06
08
Ret
orno
2017 Q1 Q2 Q3
0
2
4
6
8
2018 Q1 Q2 Q3
0
2
4
6
8
Sha
rpe
(a) (c)
(d)(b)
Figura 21 ndash Retornos e riscos do modelo de operaccedilatildeo 2 Os resultados satildeo referentesaos retornos da simulaccedilatildeo com MO2 Os periacuteodos analisados foram os anosde 2017 e 2018 e tambeacutem os seus quadrimestres As barras nas cores rochasrepresentam os resultados para as simulaccedilotildees sem considerar taxas operacio-nais Jaacute as barras amarelas correspondem aos resultados obtidos aplicandoas taxas operacionais Os valores referentes ao ano de 2017 e 2018 indicamque a simulaccedilatildeo foi executada em todo o periacuteodo Os valores representadospor Q1 Q2 e Q3 correspondem agrave simulaccedilatildeo executada nos quadrimestres 1 2e 3 respectivamente (a) Retornos acumulados ra para os dois cenaacuterios (comtaxas e sem taxas) no ano de 2017 (b) Retornos acumulados ra no periacuteododo ano de 2018 (c) Valores dos indicadores de risco Sharpe associados acada periacuteodo da simulaccedilatildeo no ano de 2017 (d) Iacutendices Sharpe obtidos para asexecuccedilotildees no periacuteodo do ano de 2018
91
Tabela 19 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de 2017
2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown657 128 5678 876 -605
Alpha Beta Retorno anual esperado Estabilidade PNL6168 -005 5757 097 R$ 5678240
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -078 64393516 (30624023) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
235 427 1165 1159 -605Alpha Beta Retorno anual esperado Estabilidade PNL
4576 -007 272 059 R$ 1164811Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -11 48641798 (23030791) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown535 1604 1904 92 -258
Alpha Beta Retorno anual esperado Estabilidade PNL7827 -026 4921 087 R$ 1904128
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -081 57881234 (23758755) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
614 1145 2026 964 -313Alpha Beta Retorno anual esperado Estabilidade PNL814 0 5921 092 R$ 2026282Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -084 51876029 (25483795) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) e
loss Sl (equaccedilatildeo 48) e sem taxas para o periacuteodo de 2017 para as 10 accedilotildees com maiorliquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e as
operaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
92
Tabela 20 ndash Resultados da simulaccedilatildeo utilizando stop gain Sg (equaccedilatildeo 49) e loss Sl (equa-ccedilatildeo 48) sem taxas para o ano de 2018
2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown356 622 6809 2060 -1695
Alpha Beta Retorno anual esperado Estabilidade PNL8077 -016 7335 084 R$ 6808514
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -198 49907873 (3584272) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
165 264 838 1828 -1605Alpha Beta Retorno anual esperado Estabilidade PNL
4658 -028 3015 016 R$ 838228Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -181 34022838 (25116093) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown17 257 1362 2102 -998
Alpha Beta Retorno anual esperado Estabilidade PNL4235 -017 3566 07 R$ 1361668
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -206 47088196 (24412598) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
344 625 2894 2507 -1419Alpha Beta Retorno anual esperado Estabilidade PNL
15673 -016 8618 053 R$ 2893581Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -236 42943842 (31200691) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) e
loss Sl (equaccedilatildeo 48) e sem taxas para o periacuteodo de 2018 para as 10 accedilotildees com maiorliquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e as
operaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
93
Tabela 21 ndash Resultados da simulaccedilatildeo utilizando stops com taxas para o ano de 2017
2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown317 557 285 925 -876
Alpha Beta Retorno anual esperado Estabilidade PNL3209 -006 2931 092 R$ 2850080
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 2655792 -089 52251856 (25794512) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
009 016 329 1194 -876Alpha Beta Retorno anual esperado Estabilidade PNL
1446 -008 113 0 R$ 329094Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 837962 -12 45107409 (22338608) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown281 71 1102 915 -361
Alpha Beta Retorno anual esperado Estabilidade PNL4552 -026 257 066 R$ 1102081
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 786141 -086 54523754 (23077241) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
305 509 1115 974 -398Alpha Beta Retorno anual esperado Estabilidade PNL
4109 0 2973 074 R$ 1115101Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 892833 -091 47685863 (24334232) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) eloss Sl (equaccedilatildeo 48) e aplicando taxas para o periacuteodo de 2017 para as 10 accedilotildees com maior
liquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e asoperaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
94
Tabela 22 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de 2018
2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown153 257 2894 2280 -2286
Alpha Beta Retorno anual esperado Estabilidade PNL4015 -022 3494 057 R$ 2894068
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 3984469 -228 35930005 (28150524) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown-047 -07 -413 1923 -2168Alpha Beta Retorno anual esperado Estabilidade PNL16 -031 -913 002 R$ -412633Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 1254255 -201 29946591 (23861408) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown047 069 489 2143 -1107
Alpha Beta Retorno anual esperado Estabilidade PNL1263 -018 10 016 R$ 489178
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 948899 -216 43434458 (23167973) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
184 315 1606 2586 -176Alpha Beta Retorno anual esperado Estabilidade PNL861 -019 477 027 R$ 1606190Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 1270134 -253 38207694 (29001582) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) eloss Sl (equaccedilatildeo 48) e aplicando taxas para o periacuteodo de 2018 para as 10 accedilotildees com maior
liquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e asoperaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
95
74 Consideraccedilotildees finais
Os dois modelos de operaccedilatildeo descritos tecircm caracteriacutesticas diferentes e apresentam
vantagens e desvantagens em relaccedilatildeo ao outro O modelo de operaccedilatildeo 1 que zera a
posiccedilatildeo no tempo seguinte antes de abrir novas operaccedilotildees tem a vantagem de que o
tempo de permanecircncia na posiccedilatildeo eacute muito pequeno diminuindo o risco de exposiccedilatildeo
a grandes oscilaccedilotildees do mercado Poreacutem o excessivo nuacutemero de operaccedilotildees leva a
taxas operacionais elevadas inviabilizando a execuccedilatildeo em mercados reais Por outro
lado o MO1 eacute mais controlaacutevel e nos daacute uma ideia de qual o patamar de taxas a
partir do qual torna-se rentaacutevel Jaacute o modelo de operaccedilatildeo 2 tem um nuacutemero menor de
operaccedilotildees em contrapartida o risco associado agrave estrateacutegia eacute maior uma vez que
a operaccedilatildeo soacute eacute zerada quando atinge um valor de stop O nuacutemero de operaccedilotildees
em MO1 foi 97209 em 2017 e 91733 em 2018 enquanto o nuacutemero de operaccedilotildees de
MO2 em todo o ano de 2017 foi 9534 no ano de 2018 a quantidade de operaccedilotildees de
MO2 foi 9238 O nuacutemero de execuccedilotildees em MO2 ficou em torno de 10 em relaccedilatildeo
ao nuacutemero de operaccedilotildees realizadas em MO1
Analisando os resultados das simulaccedilotildees percebemos que os melhores resultados
dos rendimentos foram obtidos com a estrateacutegia 2 Embora MO2 tenha se mostrado
mais lucrativo o modelo de operaccedilatildeo 1 praticamente natildeo apresenta risco Com relaccedilatildeo
a MO2 como mitigaccedilatildeo do risco temos o fato de que os valores de stop loss satildeo
pequenos Percebemos isso analisando a equaccedilatildeo 48 Uma vez que x(t) eacute o preccedilo de
fechamento e qo(t+ 1) eacute o preccedilo de abertura de posiccedilatildeo no candle seguinte podemos
observar que qo(t+1)x(t)
sim= 1 Assim o stop loss eacute aproximadamente
Sl sim= qo(t+ 1)minus κl(|∆x|
)(t) (51)
Uma vez que escolhemos κl = 10 o valor da perda maacutexima por operaccedilatildeo satildeo
significativamente menores que o valor da accedilatildeo Durante a simulaccedilatildeo para o caacutelculo
do stop utilizamos a janela de dados Q precedente ao tempo investigado para calcular
uma meacutedia dos moacutedulos dos retornos naquela janela definida como(|∆x|
)(t) Aqui
para analisar relaccedilatildeo entre os valores dos stops e os preccedilos das accedilotildees utilizamos
as seacuteries de fechamento referentes a todo o periacuteodo da simulaccedilatildeo e calculamos a
meacutedia dos moacutedulos dos retornos definida por |∆pc| e a meacutedia dos preccedilos de cada
accedilatildeo definida por pc Assim supondo |∆pc| sim=(|∆x|
)(t) podemos considerar a
aproximaccedilatildeo apresentada na equaccedilatildeo 51 com isso percebemos que os valores dos
stops satildeo substancialmente menores que os valores das accedilotildees A tabela 23 mostra
as meacutedias dos moacutedulos dos retornos |∆pc| meacutedias de preccedilos pc e as razotildees pc|∆pc|
Por outro lado como mitigaccedilatildeo do risco tambeacutem podemos considerar o fato de traba-
lharmos com uma carteira de accedilotildees diversificada Em uma evoluccedilatildeo do trabalho seria
96
interessante desenvolver um modelo de controle de risco utilizando as correlaccedilotildees
entre as accedilotildees
Em relaccedilatildeo agrave alocaccedilatildeo de capital o risco no modelo de operaccedilatildeo 2 eacute maior pois em
todas as simulaccedilotildees em algum momento o capital disponiacutevel zerou Jaacute no modelo
de operaccedilatildeo 1 durante a simulaccedilatildeo utilizamos em meacutedia apenas 20 do capital
disponiacutevel Poreacutem em todas as simulaccedilotildees o modelo de operaccedilatildeo 2 apresentou
melhores resultados que o modelo de operaccedilatildeo 1
Tabela 23 ndash Meacutedia de preccedilos e retornos das accedilotildees
2017|∆pc| pc
pc|∆pc|
BBDC4 002558665 2187134354 000117VALE5 003627768 2887922779 0001256CIEL3 002340959 1953467112 0001198VALE3 004188494 2950070746 000142ITUB4 002380873 2314603021 0001029PETR4 001766138 1399935784 0001262ABEV3 001726891 1814834573 0000952BOVA11 004623921 6587925137 0000702BBAS3 003640741 2898630173 0001256PETR3 002058712 1523066685 0001352
2018|∆pc| pc
pc|∆pc|
ABEV3 00216501 1924430907 0001125BOVA11 00701715 7894486398 0000889MGLU3 021140572 11969484777 0001766ITUB4 003648753 2954197693 0001235PETR4 003357403 2018010619 0001664BBAS3 00510998 3443680947 0001484ITUB3 002432655 2547002471 0000955VALE3 006316666 4901690744 0001289BBDC4 00367708 2628898962 0001399B3SA3 003739952 2353833938 0001589
Nota Os valores satildeo referentes agrave meacutedia dos moacutedulos dos retornos |∆pc| meacutedia dos preccedilospc de cada accedilatildeo e as razotildees pc
|∆pc| Seacuteries de preccedilos de fechamentos relativos aos periacuteodos
em que executamos a simulaccedilatildeo (2017 e 2018) foram utilizadas
97
Capiacutetulo 8
Conclusatildeo
O trabalho teve o objetivo de desenvolver um modelo baseado em um sistema de
equaccedilotildees diferenciais lineares aplicado ao mercado acionaacuterio O intuito foi contribuir
para a compreensatildeo da dinacircmica dos preccedilos no mercado financeiro e auxiliar na
decisatildeo de compra e venda das accedilotildees listadas na Bovespa Para tal nos apoiamos
na lacuna deixada pela hipoacutetese de mercado eficiente
Como parte do desenvolvimento do trabalho inicialmente realizamos uma pesquisa
bibliograacutefica Nesta autores importantes defendem que os mercados satildeo eficientes
e que as seacuteries de preccedilos passados natildeo trazem informaccedilotildees de preccedilos futuros
Na contramatildeo da teoria claacutessica outros autores mostram que os mercados natildeo
satildeo tatildeo eficientes em termos de equiliacutebrio de preccedilos e que as seacuteries apresentam
alguma memoacuteria e um certo niacutevel de correlaccedilatildeo Tendo em vista estas possibilidades
e acreditando que o mercado de accedilotildees brasileiro tambeacutem apresenta resiacuteduos de
ineficiecircncia elaboramos um modelo para ajudar na compreensatildeo da dinacircmica do
mercado de accedilotildees Para tal desenvolvemos um modelo baseado em um sistema de
equaccedilotildees diferencias lineares com o objetivo de prever tendecircncias de preccedilos das
accedilotildees
No capiacutetulo 5 apresentamos a formulaccedilatildeo do modelo baseado em um sistema de
equaccedilotildees diferenciais lineares e a sua adaptaccedilatildeo para um novo modelo de ajuste de
pontos bem como a definiccedilatildeo de um modelo de previsatildeo de tendecircncia de preccedilos
Diante das seacuteries de dados dos ativos calculamos as matrizes de coeficientes A(t)
Para verificar a variaccedilatildeo de tais matrizes em t calculamos a distacircncia entre as matrizes
obtidas em tempos adjacentes O resultado da anaacutelise foi que agrave medida em que
aumentamos o valor deR as distacircncias das matrizes calculadas em tempos seguintes
diminuiacuteam Este resultado nos sugere que as matrizes A(t) satildeo boas estimativas para
A(t+ 1) podendo assim serem utilizadas como paracircmetro no modelo de previsatildeo
No capiacutetulo 6 exploramos algumas das possibilidades de combinaccedilatildeo de paracircmetros
e dados para ajustar o modelo de previsatildeo de forma a obter melhores resultados de
98
acuraacutecia As anaacutelises foram realizadas utilizando diferentes valores de R diferentes
nuacutemeros de accedilotildees vaacuterias granularidades das seacuteries de dados expoente de Hurst e
tambeacutem a votaccedilatildeo entre os valores de R Nesta parte do trabalho tambeacutem investiga-
mos o niacutevel de eficiecircncia em dois tipos de mercados com caracteriacutesticas diferentes
por meio da anaacutelise dos resultados de acuraacutecias As anaacutelises foram realizadas utili-
zando as accedilotildees dos iacutendices Dow Jones e Ibovespa e os resultados apontaram que
as melhores taxas de acuraacutecias foram obtidas no mercado brasileiro indicando uma
certa ineficiecircncia
Como resultado da exploraccedilatildeo do modelo definimos os paracircmetros satisfatoacuterios dentro
do cenaacuterio explorado Como mencionamos anteriormente natildeo podemos afirmar que
os paracircmetros definidos satildeo os oacutetimos Para tal afirmaccedilatildeo seria necessaacuterio um estudo
mais elaborado utilizando teacutecnicas de otimizaccedilatildeo
Na investigaccedilatildeo foram considerados os paracircmetros que retornaram as melhores taxas
de acuraacutecias do modelo na previsatildeo de tendecircncia dos preccedilos das accedilotildees Quando
analisamos os resultados dos diferentes valores de R observamos que para valores
maiores de R as acuraacutecias a tendem a aumentar Assim para as anaacutelises que
utilizaram apenas uma janela para o ajuste o valor definido foi R = 1000 Jaacute para
anaacutelises aplicando a votaccedilatildeo os valores dos paracircmetros definidos foram R = 500
R = 1000 e R = 1500
Quando analisamos os resultados obtidos de a em relaccedilatildeo agrave quantidade de accedilotildees
utilizadas na combinaccedilatildeo das seacuteries de entrada para o modelo percebemos uma
moderada melhora nos valores em torno da combinaccedilatildeo de 10 accedilotildees (ver figura 10)
Na anaacutelise da relaccedilatildeo entre a acuraacutecia do modelo e a granularidade dos dados os
melhores resultados foram obtidos para a frequecircncia de cotaccedilatildeo de 5 minutos
Quando analisamos a associaccedilatildeo entre as acuraacutecias obtidas e os expoentes de
Hurst H das seacuteries em geral natildeo encontramos padrotildees relevantes relacionados agraves
acuraacutecias e tais expoentes Um padratildeo atiacutepico foi encontrado para a accedilatildeo CPFE3
em que o expoente de Hurst da seacuterie correspondente tem o valor baixo (H = 0 28)
enquanto que o valor da acuraacutecia para esta accedilatildeo eacute relevante (a = 68 10) Calculando
os coeficientes de correlaccedilatildeo linear de Pearson ρ entre as acuraacutecias obtidas em cada
quadrimestre e os expoentes de Hurst calculados nos respectivos periacuteodos os valores
obtidos de ρ foram negativos em todos os casos Os valores mais significativos
foram obtidos para as accedilotildees do Ibovespa Estes resultados indicam que haacute uma
anti-correlaccedilatildeo entre as acuraacutecias obtidas e os expoentes H das seacuteries analisadas
A outra exploraccedilatildeo do modelo foi baseada na votaccedilatildeo em relaccedilatildeo agrave direccedilatildeo da
tendecircncia prevista utilizando 10 diferentes valores de R Os resultados natildeo apontaram
ganhos significativos em relaccedilatildeo agrave utilizaccedilatildeo de apenas o valor R = 1000 A vantagem
do uso da teacutecnica de votaccedilatildeo estaacute na possibilidade de aumento do tamanho da
99
amostra uma vez que teremos mais sinais natildeo neutros retornados pelo modelo
(retornos previstos no quarto quartil)
Nesta parte do trabalho tambeacutem investigamos a consistecircncia dos resultados apli-
cando o modelo de previsatildeo em diferentes periacuteodos Os resultados sugeriram que
o modelo manteacutem consistecircncia nos diferentes quadrimestres em relaccedilatildeo agraves accedilotildees
que apresentaram melhores acuraacutecias e tambeacutem em relaccedilatildeo aos seus valores de
acuraacutecias
Dessa maneira os paracircmetros definidos para a simulaccedilatildeo foram baseados nesse
capiacutetulo de exploraccedilatildeo do modelo Estas anaacutelises foram importantes para ajudar
na definiccedilatildeo da quantidade de accedilotildees frequecircncia de cotaccedilatildeo e tamanho da janela
de dados que foram utilizadas na simulaccedilatildeo Como resultado as seacuteries utilizadas
foram as com frequecircncia de cotaccedilatildeo de 5 minutos das 10 accedilotildees com maior liquidez
na Bovespa A votaccedilatildeo entre os sinais obtidos com diferentes tamanhos de R foi
utilizada como sinal de tendecircncia Nesta exploraccedilatildeo tambeacutem observamos que os
melhores resultados foram obtidos no mercado brasileiro sendo este o definido para a
simulaccedilatildeo O mercado emergente escolhido para a simulaccedilatildeo foi devido agrave expectativa
de que o modelo tenha melhor desempenho neste cenaacuterio
No capiacutetulo 7 desenvolvemos duas estrateacutegias de negociaccedilatildeo baseadas no modelo
apresentado no capiacutetulo 5 Em ambas as estrateacutegias se o modelo envia um sinal
natildeo neutro as operaccedilotildees satildeo abertas de acordo com a tendecircncia do preccedilo prevista
(alta ou baixa) No modelo de operaccedilatildeo 1 (MO1) as operaccedilotildees satildeo fechadas a cada
passo de tempo (cada candle) com ordens a mercado No modelo de operaccedilatildeo 2
(MO2) as operaccedilotildees satildeo fechadas de acordo com os valores dos stops defindos
nas equaccedilotildees 48 e 49 Ambos os modelos de negociaccedilatildeo apresentaram custos de
processamento baixos sendo possiacutevel a execuccedilatildeo em frequecircncias de dados menores
Para quantificar o efeito dos custos operacionais as estrateacutegias foram simuladas sem
considerar taxas e tambeacutem aplicando taxas operacionais
O modelo de operaccedilatildeo 1 quando executado aplicando taxas natildeo obteve um retorno
financeiro satisfatoacuterio Sendo um modelo de operaccedilatildeo baseado em negociaccedilotildees de
curta duraccedilatildeo o ganho proveniente da acuraacutecia alcanccedilada eacute pequeno em relaccedilatildeo agraves
taxas Poreacutem este modelo foi importante para a anaacutelise estatiacutestica dos dados nos
periacuteodos utilizados na simulaccedilatildeo Tambeacutem foi um modelo importante para a anaacutelise
das acuraacutecias e o retorno acumulado De fato que as acuraacutecias por si soacute natildeo satildeo
bons indicadores de sucesso de um modelo Outras variaacuteveis devem ser levadas em
consideraccedilatildeo tais como liquidez volume e volatilidade do ativo
O MO1 eacute mais controlaacutevel pois conhecendo as acuraacutecias o retorno meacutedio do ativo
e as taxas praticadas no mercado eacute possiacutevel definir em qual niacutevel o modelo se
torna rentaacutevel A partir deste ponto o risco eacute menor uma vez que nesta estrateacutegia
100
desfazemos as posiccedilotildees a cada passo de tempo natildeo ficando expostos a grandes
oscilaccedilotildees do mercado O valor financeiro investido para se manter alocado nas
posiccedilotildees tambeacutem eacute menor A desvantagem eacute em relaccedilatildeo ao elevado nuacutemero de
operaccedilotildees realizadas gerando altas taxas operacionais
Dessa maneira concluiacutemos que o MO1 natildeo gera bons resultados no cenaacuterio de taxas
e acuraacutecias que apresentamos Contudo para taxas menores e acuraacutecias maiores
pode constituir-se um modelo interessante devido ao baixo risco que apresenta bem
como ao reduzido capital necessaacuterio
O modelo de operaccedilatildeo 2 apresentou um retorno financeiro interessante mesmo no
contexto real considerando os custos operacionais da Bovespa o modelo ainda
apresentou resultados consistentes nos periacuteodos analisados (resultados positivos
em cinco quadrimestres e negativo em apenas um) Estes resultados nos sugerem
indiacutecios em direccedilatildeo a desvios da hipoacutetese de mercado eficiente A vantagem do MO2
eacute o nuacutemero reduzido de operaccedilotildees Como mitigaccedilatildeo do risco deste modelo podemos
considerar o fato de trabalharmos com uma carteira diversificada de accedilotildees (10 accedilotildees
mais negociadas na Bovespa nos anos de 2017 e 2018) Tambeacutem como amenizaccedilatildeo
de risco podemos considerar a escolha de valores de stop loss pequenos em relaccedilatildeo
aos preccedilos das accedilotildees Assim os valores das perdas maacuteximas por operaccedilatildeo satildeo
significativamente menores que os valores das accedilotildees limitando as perdas caso a
operaccedilatildeo seja fechada com stop loss (ver tabela 23)
Diante dos resultados o modelo de operaccedilatildeo 2 apresentou maiores ganhos e se apre-
sentou como uma alternativa promissora como estrateacutegia de operaccedilatildeo em mercados
reais Poreacutem apesar de MO2 ter se mostrado mais rentaacutevel durante a simulaccedilatildeo natildeo
podemos afirmar que pode ser utilizado como ferramenta de decisatildeo para operaccedilotildees
em mercado real O modelo deve ser submetido em outros intervalos em outras situa-
ccedilotildees de mercado e tambeacutem levando em consideraccedilatildeo outras variaacuteveis para que se
possa obter consistecircncia estabilidade e com isso aumentar os retornos financeiros
Assim este trabalho natildeo tem por finalidade apresentar uma ferramenta de negociaccedilatildeo
finalizada para ser aplicada no mercado real
Durante o trabalho detectamos resiacuteduos de ineficiecircncia nas seacuteries de preccedilos ana-
lisadas Estes resiacuteduos possibilitam oportunidades de arbitragem Isto nos levou a
acreditar que eacute possiacutevel fazer inferecircncia do preccedilo futuro baseando-se em dados passa-
dos Assim os resultados aqui apresentados apontam na direccedilatildeo de explicitar desvios
da Hipoacutetese de Mercado Eficiente no mercado brasileiro Dadas estas oportunidades
e a importacircncia do tema estudado considera-se que muito haacute ainda que percorrer no
campo da investigaccedilatildeo nesta aacuterea sendo portanto um campo feacutertil para trabalhos
futuros
101
81 Trabalhos Futuros
Dentre as inuacutemeras possibilidades de futuras investigaccedilotildees destacamos as seguintes
propostas
ndash Ateacute este ponto do trabalho sugerimos que nossos dados podem ser descritos
por um modelo de regressatildeo multidimensional Poreacutem eacute preciso testar a ade-
quaccedilatildeo do modelo como tal com rigor estatiacutestico Lembremos que a violaccedilatildeo
das premissas natildeo invalida o modelo pois ateacute o momento estamos interessados
principalmente nos resultados de acerto de previsatildeo de tendecircncia
ndash Utilizar teacutecnicas de otimizaccedilatildeo para auxiliar na escolha de paracircmetros oacutetimos
para aplicar ao modelo de previsatildeo
ndash Calcular valores de stop gain e stop loss por meio de teacutecnicas de otimizaccedilatildeo
ndash Desenvolver um modelo de controle de risco com criteacuterios de otimizaccedilatildeo de
carteiras para minimizar o risco das estrateacutegias
ndash Utilizar o modelo em combinaccedilatildeo com outros indicadores
ndash Testar o modelo em negociaccedilatildeo de contratos em ambiente de mercados futuros
tais como commodities (agriacutecola1 mineral2) moedas (doacutelar e euro) e iacutendices
(Bovespa e SampP 500)
1Soja milho trigo e cafeacute2Petroacuteleo mineacuterio de ferro e ouro
102
Referecircncias
AGUIRRE L Introduccedilatildeo agrave Identificaccedilatildeo de Sistemas ndash Teacutecnicas Lineares e Natildeo-Lineares Aplicadas a Sistemas Reais Editora UFMG 2007 ISBN 9788570415844Disponiacutevel em lthttpsbooksgooglecombrbooksid=f9IwE7Ph0fYCgt Citado 3vezes nas paacuteginas 8 31 e 113
AL-KHAZALI O M PYUN C S KIM D Are exchange rate movements predictablein asia-pacific markets evidence of random walk and martingale difference processesInternational Review of Economics amp Finance Elsevier v 21 n 1 p 221ndash2312012 Citado 2 vezes nas paacuteginas 1 e 14
ALLEZ R BOUCHAUD J-P Individual and collective stock dynamics intra-dayseasonalities New Journal of Physics IOP Publishing v 13 n 2 p 025010 2011Citado na paacutegina 5
ALONSO-RIVERA A CRUZ-AKEacute S VENEGAS-MARTIacuteNEZ F Impact of monetarypolicy on financial markets efficiency and speculative bubbles A non-linear entropy-based approach 2014 Citado na paacutegina 14
ANATOLYEV S GOSPODINOV N Modeling financial return dynamics via decompo-sition Journal of Business amp Economic Statistics Taylor amp Francis 2012 Citadona paacutegina 4
ATSALAKIS G K V Surveying stock market forecasting techniques - part i Conven-tional methods Computation optimization in economics and finance researchcompendium p 49ndash104 01 2013 Citado 2 vezes nas paacuteginas 4 e 17
ATSALAKIS G S VALAVANIS K P Surveying stock market forecasting techniquesndashpart ii Soft computing methods Expert Systems with Applications Elsevier v 36n 3 p 5932ndash5941 2009 Citado 2 vezes nas paacuteginas 4 e 17
BARKOULAS J T BAUM C F Long-term dependence in stock returns EconomicsLetters Elsevier v 53 n 3 p 253ndash259 1996 Citado 2 vezes nas paacuteginas 1 e 14
BELAIRE-FRANCH J OPONG K K Testing for random walk in euro exchange ratesusing the subsampling approach Applied Economics Letters Taylor amp Francis v 17n 12 p 1145ndash1151 2010 Citado 2 vezes nas paacuteginas 1 e 14
BMampFBOVESPA Metodologia do iacutendice Bovespa 2015 Disponiacutevel em lthttpwwwb3combrpt_brmarket-data-e-indicesindicesindices-amplosibovespahtmgt Citadona paacutegina 21
BMampFBOVESPA Taxa meacutedia de crescimento Ibovespa 2019 Disponiacute-vel em lthttpwwwb3combrpt_brmarket-data-e-indicesindicesindices-amplosindice-ibovespa-ibovespa-estatisticas-historicashtmgt Citado 2 vezes nas paacuteginas89 e 121
BMampFBOVESPA Histoacuterico pessoas fiacutesicas 2020 Disponiacutevel em lthttpwwwb3combrpt_brmarket-data-e-indicesservicos-de-dadosmarket-dataconsultasmercado-a-vistahistorico-pessoas-fisicasgt Citado na paacutegina 2
103
BMampFBOVESPA Negociaccedilatildeo- Segmento BMampFBOVESPA 2020 Dis-poniacutevel em lthttpwwwb3combrpt_brregulacaoestrutura-normativaregulamentos-e-manuaisnegociacaohtmgt Citado na paacutegina 21
BORDO M D LANDON-LANE J Does expansionary monetary policy causeasset price booms some historical and empirical evidence [Sl] 2013 Citadona paacutegina 14
BRUNNERMEIER M K Information leakage and market efficiency Review of Finan-cial Studies Soc Financial Studies v 18 n 2 p 417ndash457 2005 Citado 3 vezesnas paacuteginas 1 2 e 14
CAGINALP G Does the market have a mind of its own and does it get carried awaywith excess cash The Journal of Psychology and Financial Markets Taylor ampFrancis v 3 n 2 p 72ndash75 2002 Citado na paacutegina 19
CAGINALP G DESANTIS M A paradigm for quantitative behavioral finance Ameri-can Behavioral Scientist Sage Publications v 55 n 8 p 1014ndash1034 2011 Citado3 vezes nas paacuteginas 1 14 e 19
CAGINALP G ERMENTROUT G A kinetic thermodynamics approach to the psycho-logy of fluctuations in financial markets Applied Mathematics Letters v 3 n 4 p17 ndash 19 1990 ISSN 0893-9659 Citado 2 vezes nas paacuteginas 2 e 16
CAGINALP G PORTER D SMITH V Momentum and overreaction in experimentalasset markets International Journal of Industrial Organization Elsevier v 18 n 1p 187ndash204 2000 Citado na paacutegina 19
CAJUEIRO D O TABAK B M The hurst exponent over time testing the assertionthat emerging markets are becoming more efficient Physica A Statistical Mechanicsand its Applications Elsevier v 336 n 3 p 521ndash537 2004 Citado 6 vezes naspaacuteginas 1 5 14 17 19 e 52
CARBONE A CASTELLI G STANLEY H E Time-dependent hurst exponentin financial time series Physica A Statistical Mechanics and its ApplicationsElsevier v 344 n 1-2 p 267ndash271 2004 Citado 2 vezes nas paacuteginas 16 e 19
CHARLES A DARNEacute O KIM J H Exchange-rate return predictability and theadaptive markets hypothesis Evidence from major foreign exchange rates Journal ofInternational Money and Finance Elsevier v 31 n 6 p 1607ndash1626 2012 Citado2 vezes nas paacuteginas 1 e 14
CHEN P-w HUANG H-c SU Y-c The central bank in market efficiency The caseof taiwan Pacific-Basin Finance Journal Elsevier v 29 p 239ndash260 2014 Citadona paacutegina 14
CHEN Z et al Effect of nonstationarities on detrended fluctuation analysis Physicalreview E Statistical nonlinear and soft matter physics v 65 p 041107 05 2002Citado na paacutegina 48
CHEVAPATRAKUL T Return sign forecasts based on conditional risk Evidence fromthe uk stock market index Journal of Banking amp Finance Elsevier v 37 n 7 p2342ndash2353 2013 Citado na paacutegina 4
104
CHORDIA T ROLL R SUBRAHMANYAM A Liquidity and market efficiency Jour-nal of Financial Economics Elsevier v 87 n 2 p 249ndash268 2008 Citado 3 vezesnas paacuteginas 1 2 e 14
CHOUDHRY T JAYASEKERA R Comparison of efficiency characteristics betweenthe banking sectors of us and uk during the global financial crisis of 2007ndash2011International Review of Financial Analysis Elsevier v 25 p 106ndash116 2012 Citado2 vezes nas paacuteginas 1 e 14
CHOUDHRY T JAYASEKERA R Market efficiency during the global financial crisisEmpirical evidence from european banks Journal of international Money andFinance Elsevier v 49 p 299ndash318 2014 Citado 2 vezes nas paacuteginas 1 e 14
CHUNG D HRAZDIL K Liquidity and market efficiency A large sample studyJournal of Banking amp Finance Elsevier v 34 n 10 p 2346ndash2357 2010 Citado 2vezes nas paacuteginas 2 e 14
COHEN J Statistical power analysis for the behavioral sciences [Sl] New YorkAcademic Press 1977 Citado 2 vezes nas paacuteginas 52 e 62
CURME C STANLEY H E VODENSKA I Coupled network approach to predic-tability of financial market returns and news sentiments International Journal ofTheoretical and Applied Finance World Scientific v 18 n 07 p 1550043 2015Citado 2 vezes nas paacuteginas 1 e 14
FAN Y et al The effect of investor psychology on the complexity of stock market Ananalysis based on cellular automaton model Computers amp Industrial EngineeringElsevier v 56 n 1 p 63ndash69 2009 Citado na paacutegina 16
FENG L et al Linking agent-based models and stochastic models of financial marketsProceedings of the National Academy of Sciences National Acad Sciences v 109n 22 p 8388ndash8393 2012 Citado na paacutegina 1
GARCIA M et al Forecast model for financial time series An approach basedon harmonic oscillators Physica A Statistical Mechanics and its ApplicationsElsevier p 124365 2020 Citado 2 vezes nas paacuteginas 17 e 88
GRECH D MAZUR Z Can one make any crash prediction in finance using thelocal hurst exponent idea Physica A Statistical Mechanics and its ApplicationsElsevier v 336 n 1 p 133ndash145 2004 Citado 2 vezes nas paacuteginas 1 e 14
HEALY P M PALEPU K G Information asymmetry corporate disclosure and thecapital markets A review of the empirical disclosure literature Journal of accountingand economics Elsevier v 31 n 1 p 405ndash440 2001 Citado 3 vezes nas paacuteginas1 2 e 14
HOMMES C KOPAacuteNYI-PEUKER A SONNEMANS J Bubbles crashes and infor-mation contagion in large-group asset market experiments Experimental EconomicsSpringer p 1ndash20 2020 Citado na paacutegina 16
HU K et al Effect of trends on detrended fluctuation analysis Phys Rev E AmericanPhysical Society v 64 p 011114 Jun 2001 Disponiacutevel em lthttpslinkapsorgdoi101103PhysRevE64011114gt Citado na paacutegina 48
105
KAHNEMAN D et al Noise How to overcome the high hidden cost of inconsistentdecision making Harvard Business Review v 94 p 38ndash46 2016 Citado na paacutegina16
KAHNEMAN D TVERSKY A Prospect theory An analysis of decision under riskEconometrica Journal of the econometric society JSTOR v 47 n 2 p 263ndash2911979 Citado 3 vezes nas paacuteginas 2 14 e 15
KATUSIIME L SHAMSUDDIN A AGBOLA F W Foreign exchange market effici-ency and profitability of trading rules Evidence from a developing country Internatio-nal Review of Economics amp Finance Elsevier v 35 p 315ndash332 2015 Citado 2vezes nas paacuteginas 1 e 14
LAZAR D TODEA A FILIP D Martingale difference hypothesis and financial crisisEmpirical evidence from european emerging foreign exchange markets EconomicSystems Elsevier v 36 n 3 p 338ndash350 2012 Citado 2 vezes nas paacuteginas 1 e 14
LIM K-P BROOKS R D KIM J H Financial crisis and stock market efficiencyEmpirical evidence from asian countries International Review of Financial AnalysisElsevier v 17 n 3 p 571ndash591 2008 Citado na paacutegina 14
LIU S Transaction costs and market efficiency Evidence from commission deregu-lation The Quarterly Review of Economics and Finance Elsevier v 50 n 3 p352ndash360 2010 Citado na paacutegina 14
MALKIEL B G FAMA E F Efficient capital markets A review of theory and empiricalwork The journal of Finance Wiley Online Library v 25 n 2 p 383ndash417 1970Citado na paacutegina 1
MANTEGNA R N STANLEY H E Introduction to econophysics correlationsand complexity in finance [Sl] Cambridge university press 1999 Citado 2 vezesnas paacuteginas 13 e 14
MEI D et al Forecasting stock market volatility Do realized skewness and kurtosishelp Physica A Statistical Mechanics and its Applications v 481 p 153ndash1592017 Citado na paacutegina 18
MERKLE C MUumlLLER-DETHARD J WEBER M Closing a mental account Therealization effect for gains and losses Experimental Economics Springer p 1ndash272020 Citado na paacutegina 16
MONTGOMERY D C Design and analysis of experiments [Sl] John Wiley ampSons 2008 Citado na paacutegina 42
NAMETALA C et al Uma estrateacutegia automatizada de investimento por meio de redesneurais artificiais e preditores economeacutetricos In Anais Principais do XII SimpoacutesioBrasileiro de Sistemas de Informaccedilatildeo Porto Alegre RS Brasil SBC 2016 p 152ndash159 ISSN 0000-0000 Disponiacutevel em lthttpssolsbcorgbrindexphpsbsiarticleview5957gt Citado 2 vezes nas paacuteginas 2 e 18
NELSON D M PEREIRA A C OLIVEIRA R A de Stock marketrsquos price movementprediction with lstm neural networks In IEEE 2017 International joint conferenceon neural networks (IJCNN) [Sl] 2017 p 1419ndash1426 Citado na paacutegina 18
106
NTIM C G et al On the efficiency of the global gold markets International Reviewof Financial Analysis Elsevier v 41 p 218ndash236 2015 Citado 2 vezes nas paacuteginas1 e 14
NYBERG H Forecasting the direction of the us stock market with dynamic binaryprobit models International Journal of Forecasting Elsevier v 27 n 2 p 561ndash5782011 Citado na paacutegina 4
OLIVEIRA F A de NOBRE C N ZARATE L E Applying artificial neural networksto prediction of stock price and improvement of the directional prediction indexndashcasestudy of petr4 petrobras brazil Expert Systems with Applications Elsevier v 40n 18 p 7596ndash7606 2013 Citado na paacutegina 17
PASQUARIELLO P ZAFEIRIDOU C Political uncertainty and financial market qualityRoss School of Business Paper n 1232 2014 Citado na paacutegina 14
PENG C-K et al Mosaic organization of dna nucleotides Phys Rev E AmericanPhysical Society v 49 p 1685ndash1689 Feb 1994 Citado na paacutegina 48
PODOBNIK B et al Fractionally integrated process for transition economics PhysicaA Statistical Mechanics and its Applications Elsevier v 362 n 2 p 465ndash4702006 Citado 2 vezes nas paacuteginas 1 e 14
POumlNKAuml H Predicting the direction of us stock markets using industry returns Empiri-cal Economics Springer p 1ndash30 2014 Citado na paacutegina 4
RAFFERTY M TOMLJANOVICH M Central bank transparency and market efficiencyAn econometric analysis Journal of Economics and Finance Springer v 26 n 2p 150ndash161 2002 Citado na paacutegina 14
RECHENTHIN M STREET W N Using conditional probability to identify trends inintra-day high-frequency equity pricing Physica A Statistical Mechanics and itsApplications Elsevier v 392 n 24 p 6169ndash6188 2013 Citado na paacutegina 17
RESENDE C C de et al Investigating market efficiency through a forecasting modelbased on differential equations Physica A Statistical Mechanics and its Applica-tions v 474 n C p 199ndash212 2017 Citado 6 vezes nas paacuteginas 1 8 10 28 31e 35
ROSS S A Information and volatility The no-arbitrage martingale approach to timingand resolution irrelevancy The Journal of Finance Wiley Online Library v 44 n 1 p1ndash17 1989 Citado 3 vezes nas paacuteginas 1 2 e 14
SAMUELSON P A Proof that properly anticipated prices fluctuate randomly[Sl sn] 1965 41ndash45 p Citado 2 vezes nas paacuteginas 1 e 13
SHARMA C BANERJEE K A study of correlations in the stock market PhysicaA Statistical Mechanics and its Applications Elsevier v 432 p 321ndash330 2015Citado na paacutegina 14
SHILLER R J Do stock prices move too much to be justified by subsequentchanges in dividends [Sl] National Bureau of Economic Research CambridgeMass USA 1980 421ndash436 p Citado na paacutegina 1
SHILLER R J FISCHER S FRIEDMAN B M Stock prices and social dynamicsBrookings papers on economic activity JSTOR v 1984 n 2 p 457ndash510 1984Citado 2 vezes nas paacuteginas 2 e 14
107
TVERSKY A KAHNEMAN D Loss Aversion in Riskless Choice A Reference-Dependent Model The Quarterly Journal of Economics v 106 n 4 p 1039ndash106111 1991 ISSN 0033-5533 Disponiacutevel em lthttpsdoiorg1023072937956gt Citado2 vezes nas paacuteginas 15 e 16
ZUNINO L et al Inefficiency in latin-american market indices The European PhysicalJournal B Springer v 60 n 1 p 111ndash121 2007 Citado 3 vezes nas paacuteginas 1 5e 14
108
Apecircndices
APEcircNDICE A ndash Estimaccedilatildeo da matriz
de coeficientes pelo meacutetodo dos
miacutenimos quadrados
Seja a relaccedilatildeo
x (t) = Ax (tminus 1) (52)
onde
x (t) =
X1 (t)
X2 (t)
Xn (t)
e A =
a11 a12 middot middot middot a1n
a21 a22 middot middot middot a2n
an1 an2 middot middot middot ann
(53)
Esta equaccedilatildeo pode ser escrita na forma
Xi (t) =(ai1 ai2 middot middot middot ain
)
X1 (tminus 1)
X2 (tminus 1)
Xn (tminus 1)
i = 1 2 middot middot middot n (54)
ou equivalentemente
Xi (t) =(X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
)
ai1
ai2
ain
(55)
110
Consideremos muacuteltiplas observaccedilotildees para cada Xi (t)
Xi (t) =(X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
)
ai1
ai2
ain
Xi (tminus 1) =(X1 (tminus 2) X2 (tminus 2) middot middot middot Xn (tminus 2)
)
ai1
ai2
ain
Xi (tminusN + 1) =(X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
)
ai1
ai2
ain
(56)
Observe que estamos assumindo que o vetor de paracircmetros natildeo muda dentro da
faixa de tempos analisada Estas equaccedilotildees podem ser escritas na formaXi (tminusN + 1)
Xi (tminus 1)
Xi (t)
=
X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
middot middot middot
X1 (tminus 2) X2 (tminus 2) Xn (tminus 2)
X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
ai1
ai2
ain
(57)
Se N gt n temos para cada valor fixo de i mais equaccedilotildees que valores de aij
(j = 1 2 middot middot middot n) para estimar Eacute natural entatildeo que ao estimarmos os paracircmetros aijcometamos erros Definindo os vetores de paracircmetros estimados e de erros (resiacuteduos)
na forma
ai=
ai1
ai2
ain
e ξi =
ξi (t)
ξi (tminus 1)
ξi (tminusN + 1)
i = 1 2 middot middot middot n (58)
respectivamente a relaccedilatildeo (57) torna-se
111
Xi (tminusN + 1)
Xi (tminus 1)
Xi (t)
=
X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
middot middot middot
X1 (tminus 2) X2 (tminus 2) Xn (tminus 2)
X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
ai1
ai2
ain
+
ξi (tminusN + 1)
ξi (tminus 1)
ξi (t)
(59)
Numa forma compacta
yi = Xai + ξi (60)
onde
yi =
Xi (tminusN + 1)
Xi (tminus 1)
Xi (t)
X=
X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
middot middot middot
X1 (tminus 2) X2 (tminus 2) Xn (tminus 2)
X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
e i = 1 2 middot middot middot n
Calculando a transposta em ambos os lados da equaccedilatildeo (59) encontramos
(Xi (tminusN + 1) middot middot middot Xi (t)
)=
(ai1 ai2 middot middot middot ain
)
X1 (tminusN) middot middot middot X1 (tminus 1)
X2 (tminusN) middot middot middot X2 (tminus 1)
Xn (tminusN) middot middot middot Xn (tminus 1)
+(ξi (tminusN + 1) middot middot middot ξi (t)
) (61)
112
Agregando as equaccedilotildees acima vaacutelidas para i = 1 2 middot middot middot n chegamos aX1 (tminusN + 1) middot middot middot X1 (t)
X2 (tminusN + 1) middot middot middot X2 (t)
Xn (tminusN + 1) middot middot middot Xn (t)
=
a11 middot middot middot a1n
a21 middot middot middot a2n
an1 middot middot middot ann
X1 (tminusN) middot middot middot X1 (tminus 1)
X2 (tminusN) middot middot middot X2 (tminus 1)
Xn (tminusN) middot middot middot Xn (tminus 1)
+
ξ1 (tminusN + 1) middot middot middot ξ1 (t)
ξ2 (tminusN + 1) middot middot middot ξ2 (t)
ξn (tminusN + 1) middot middot middot ξn (t)
(62)
Explicitando a matriz de erros
ξ1 (tminusN + 1) middot middot middot ξ1 (t)
ξ2 (tminusN + 1) middot middot middot ξ2 (t)
ξn (tminusN + 1) middot middot middot ξn (t)
=
X1 (tminusN + 1) middot middot middot X1 (t)
X2 (tminusN + 1) middot middot middot X2 (t)
Xn (tminusN + 1) middot middot middot Xn (t)
(63)
minus
a11 middot middot middot a1n
a21 middot middot middot a2n
an1 middot middot middot ann
X1 (tminusN) middot middot middot X1 (tminus 1)
X2 (tminusN) middot middot middot X2 (tminus 1)
Xn (tminusN) middot middot middot Xn (tminus 1)
Notemos que para i fixo os resiacuteduos ξi (τ) (τ = t tminus 1 middot middot middot tminusN + 1) soacute dependem
dos coeficientes aij (j = 1 2 middot middot middot n) Assim podemos encontrar os valores dos aijque minimizam a soma dos quadrados dos ξi (τ)
Si =tsum
τ=tminusN+1
(ξi (τ))2 (64)
para cada valor de i de forma independente A soma dos quadrados de todos os
resiacuteduos
S =nsumi=1
Si (65)
seraacute minimizada utilizando-se os aij calculados para todos os valores de i Buscare-
mos entatildeo a minimizaccedilatildeo dos Si separadamente Conforme descrito em (AGUIRRE
2007) a matriz que realiza essa minimizaccedilatildeo eacute dada pela equaccedilatildeo
ai =(XTX
)minus1XTyi (66)
113
Definindo a matriz
M =(XTX
)minus1XT =
M11 M12 middot middot middot M1N
M21 M22 middot middot middot M2N
Mn1 Mn2 middot middot middot MnN
(67)
podemos escreverai1
ai2
ain
=
M11 M12 middot middot middot M1N
M21 M22 middot middot middot M2N
Mn1 Mn2 middot middot middot MnN
Xi (tminusN + 1)
Xi (tminus 1)
Xi (t)
i = 1 2 middot middot middot n
(68)
relaccedilatildeo que pode ser colocada na formaa11 middot middot middot an1
a12 middot middot middot an2
a1n middot middot middot ann
=
M11 middot middot middot M1N
M21 middot middot middot M2N
Mn1 middot middot middot MnN
X1 (tminusN + 1) middot middot middot Xn (tminusN + 1) middot middot middot
X1 (tminus 1) Xn (tminus 1)
X1 (t) middot middot middot Xn (t)
(69)
Observe que a matriz representada no lado esquerdo da equaccedilatildeo acima eacute a matriz
transposta da matriz A correspondente ao valor estimado para A que minimiza a
soma dos quadrados dos resiacuteduos Definamos
XN (t) =
X1 (tminusN + 1) middot middot middot X1 (tminus 1) X1 (t)
X2 (tminusN + 1) middot middot middot X2 (tminus 1) X2 (t)
Xn (tminusN + 1) middot middot middot Xn (tminus 1) Xn (t)
(70)
para escrevermos a equaccedilatildeo (69) como
AT =(XTX
)minus1XTXT
N (t) (71)
Observando que
X= XTN (tminus 1) (72)
obtemos a seguinte expressatildeo para A
A =(XN (t) XT
N (tminus 1)) (
XN (tminus 1) XTN (tminus 1)
)minus1 (73)
114
APEcircNDICE B ndash Tabelas lotes padratildeo
das accedilotildees
Tabela 24 ndash Tabela da quantidade de accedilotildees que compotildeem o lote padratildeo de negociaccedilatildeo nomercado real e na plataforma de simulaccedilatildeo no ano de 2017
Empresa Coacutedigo de negociaccedilatildeo Lote na plataforma Lote BovespaVale on VALE3 100 100Itauacute pn ITUB4 150 100Vale pn VALE5 100 100
Bradesco pn BBDC4 145 100Fundo Ibovespa BOVA11 10 10
Ambev on ABEV3 100 100Petrobras pn PETR4 100 100
Cielo on CIEL3 120 100Petrobras on PETR3 100 100
Banco do Brasil on BBAS3 100 100Nota Apresentamos o lote padratildeo de negociaccedilatildeo definido no mercado real e tambeacutem naplataforma de simulaccedilatildeo As informaccedilotildees satildeo referentes agraves 10 accedilotildees com maior liquidez noano de 2017 Os dados destacados na cor azul referem-se agraves accedilotildees que natildeo compotildeem alista das 10 accedilotildees com maior liquidez no ano de 2018 Jaacute os dados em destaque na cor
verde referem-se agraves accedilotildees que tecircm o lote padratildeo de negociaccedilatildeo no mercado real diferentedo lote de negociaccedilatildeo definido na plataforma O coacutedigo pn eacute referente as accedilotildees
preferencias e on as accedilotildees ordinaacuterias das empresas Os dados de negociaccedilatildeo das accedilotildeesestatildeo disponiacuteveis em lthttpwwwb3combrpt_brmarket-data-e-indices
servicos-de-dadosmarket-dataconsultasmercado-a-vistalotes-de-negociacaogt
115
Tabela 25 ndash Tabela da quantidade de accedilotildees que compotildeem o lote padratildeo de negociaccedilatildeo nomercado real e na plataforma de simulaccedilatildeo no ano de 2018
Empresa Coacutedigo de negociaccedilatildeo Lote na plataforma Lote BovespaVale on VALE3 100 100Itauacute pn ITUB4 150 100B3 on B3SA3 100 100
Bradesco pn BBDC4 145 100Fundo Ibovespa BOVA11 10 10
Ambev on ABEV3 100 100Petrobras pn PETR4 100 100
Magazine Luiza on MGLU3 100 100Itauacute on ITUB3 150 100
Banco do Brasil on BBAS3 100 100Nota Apresentamos o lote padratildeo de negociaccedilatildeo definido no mercado real e tambeacutem naplataforma de simulaccedilatildeo As informaccedilotildees satildeo referentes agraves 10 accedilotildees com maior liquidez noano de 2018 Os dados destacados na cor azul referem-se agraves accedilotildees que natildeo compotildeem alista das 10 accedilotildees com maior liquidez no ano de 2017 Jaacute os dados em destaque na cor
verde referem-se agraves accedilotildees que tecircm o lote padratildeo de negociaccedilatildeo no mercado real diferentedo lote de negociaccedilatildeo definido na plataforma O coacutedigo pn eacute referente as accedilotildees
preferencias e on as accedilotildees ordinaacuterias das empresas Os dados de negociaccedilatildeo das accedilotildeesestatildeo disponiacuteveis emlthttpwwwb3combrpt_brmarket-data-e-indices
servicos-de-dadosmarket-dataconsultasmercado-a-vistalotes-de-negociacaogt
116
Anexos
ANEXO A ndash Tabela de accedilotildees que
participaram da carteira teoacuterica do
Ibovespa no primeiro quadrimestre de
2017
118
Tabela 26 ndash Composiccedilatildeo da carteira teoacuterica do Ibovespa no primeiro quadrimestre de 2017
Virada do Ibovespa para Janeiro a Abril de 2017COacuteDIGO ACcedilAtildeO TIPO PARTICIPACcedilAtildeO ()
ITUB4 ITAUUNIBANCO PN EDJ N1 10681BBDC4 BRADESCO PN EJ N1 77402ABEV3 AMBEV SA ON EJ 71825PETR4 PETROBRAS PN 60083PETR3 PETROBRAS ON 45918VALE5 VALE PNA N1 45442VALE3 VALE ON N1 3776BRFS3 BRF SA ON NM 37215BBAS3 BRASIL ON NM 34462ITSA4 ITAUSA PN EJ N1 31492BVMF3 BMFBOVESPA ON EJ NM 29414UGPA3 ULTRAPAR ON NM 27619CIEL3 CIELO ON NM 25919BBSE3 BBSEGURIDADE ON NM 19019KROT3 KROTON ON NM 18728VIVT4 TELEF BRASIL PN EJ 18181JBSS3 JBS ON NM 17712BBDC3 BRADESCO ON EJ N1 16499LREN3 LOJAS RENNER ON NM 14737CCRO3 CCR SA ON NM 13755RADL3 RAIADROGASIL ON NM 12199EMBR3 EMBRAER ON NM 11756CTIP3 CETIP ON EJ NM 11596
SANB11 SANTANDER BR UNT 11399EQTL3 EQUATORIAL ON EJ NM 10802HYPE3 HYPERMARCAS ON NM 10534SBSP3 SABESP ON NM 09795GGBR4 GERDAU PN N1 09264BRKM5 BRASKEM PNA N1 09068LAME4 LOJAS AMERIC PN 0893WEGE3 WEG ON NM 0884PCAR4 PACUCAR-CBD PN N1 08504CPFE3 CPFL ENERGIA ON NM 08192KLBN11 KLABIN SA UNT N2 07869FIBR3 FIBRIA ON NM 07324EGIE3 ENGIE BRASIL ON NM 07139BRML3 BR MALLS PAR ON NM 06907CSNA3 SID NACIONAL ON 06527CMIG4 CEMIG PN EJ N1 06394TIMP3 TIM PART SA ON NM 06333ELET3 ELETROBRAS ON N1 05955CSAN3 COSAN ON NM 05843SUZB5 SUZANO PAPEL PNA N1 05522RENT3 LOCALIZA ON EJ NM 05095ESTC3 ESTACIO PART ON ED NM 04868MULT3 MULTIPLAN ON N2 04651RUMO3 RUMO LOG ON NM 04619QUAL3 QUALICORP ON NM 04229NATU3 NATURA ON NM 03964BRAP4 BRADESPAR PN EJ N1 03292ENBR3 ENERGIAS BR ON EJ NM 03119MRVE3 MRV ON NM 03022GOAU4 GERDAU MET PN N1 02877CPLE6 COPEL PNB N1 02765SMLE3 SMILES ON EJ NM 02552CYRE3 CYRELA REALT ON NM 02516MRFG3 MARFRIG ON NM 021USIM5 USIMINAS PNA N1 01975ECOR3 ECORODOVIAS ON NM 0164
Adaptado do site BMampFBOVESPA
119
ANEXO B ndash Tabela de accedilotildees que
participaram da carteira teoacuterica do
Dow Jones no primeiro quadrimestre
de 2017
Tabela 27 ndash Composiccedilatildeo do iacutendice Dow Jones no primeiro quadrimestre de 2017
NUacuteMERO ACcedilAtildeO COacuteDIGO PARTICIPACcedilAtildeO ()1 Boeing BA 7282 Goldman Sachs GS 7183 3M MMM 6414 UnitedHealth Group UNH 6055 Apple AAPL 5006 Home Depot HD 4827 McDonalds MCD 4818 IBM IBM 4409 Johnson amp Johnson JNJ 414
10 Travelers TRV 40411 United Technologies UTX 36412 Caterpillar CAT 35513 Chevron CVX 34414 Disney DIS 31915 Visa A V 31416 JPMorgan Chase JPM 29117 Procter amp Gamble PG 28618 American Express AXP 26619 Wal Mart WMT 25320 Dupont DD 25321 ExxonMobil XOM 24922 Microsoft MSFT 22523 Merck MRK 19424 NIKE B NKE 18625 Verizon Communications VZ 15026 Coca-Cola KO 14227 Intel INTC 11428 Pfizer PFE 10429 Cisco Systems CSCO 09830 General Electric GE 080
Adaptado do site wwwindexarbcom
120
ANEXO C ndash Tabela das taxas anuais
de crescimento do Ibovespa
Reproduzimos neste anexo a tabela das taxas anuais de crescimento do Ibovespa
desde o ano de 1968 A taxa de crescimento refere-se agrave taxa meacutedia de variaccedilatildeo do
iacutendice composta anualmente entre dois periacuteodos disponiacutevel em (BMampFBOVESPA
2019)
121
TX
_M
ED
IA_1968
TA
XA
MEacute
DIA
DE
CR
ES
CIM
EN
TO
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
IBO
VE
SP
A
AN
UA
L
1968
00
0000000021
1969
1647
00
0000000055
1970
1023
546
00
0000000085
1971
1058
815
1130
00
0000000181
1972
484
223
88
(444
)00
0000000101
1973
384
177
75
(237
)48
00
0000000105
1974
381
212
141
(74
)196
365
00
0000000144
1975
376
234
180
18
245
357
349
00
0000000194
1976
359
235
190
59
244
317
294
240
00
0000000241
1977
364
256
219
111
275
340
331
322
410
00
0000000340
1978
328
230
196
101
234
275
253
222
214
45
00
0000000355
1979
348
260
232
150
276
319
310
301
321
279
566
00
0000000556
1980
356
276
252
180
296
336
331
328
350
331
503
442
00
0000000801
1981
404
332
314
252
370
417
424
437
480
499
690
756
1138
00
0000001714
1982
420
353
338
283
395
440
450
465
506
526
677
716
872
639
00
0000002808
1983
601
544
544
503
646
722
767
827
931
1035
1325
1567
2111
2753
7593
00
0000024133
1984
728
679
689
659
817
911
976
1062
1197
1340
1677
1980
2573
3241
5822
4415
00
00001307
1985
839
798
816
796
965
1071
1151
1253
1408
1574
1928
2250
2824
3423
5157
4212
4016
00
00006555
1986
813
773
788
767
919
1011
1077
1160
1283
1408
1673
1886
2239
2520
3261
2373
1662
412
00
0000926
1987
785
746
758
737
875
954
1009
1076
1176
1273
1478
1624
1858
2000
2385
1682
1122
380
349
00
0001249
1988
1042
1015
1044
1039
1212
1325
1415
1526
1680
1841
2140
2392
2775
3095
3770
3240
2989
2696
4978
25
495
00
0033082
1989
1269
1252
1296
1306
1507
1648
1768
1913
2111
2323
2692
3022
3508
3949
4795
4426
4429
4537
7731
21
214
17
625
00
061615
1990
1330
1316
1364
1376
1576
1716
1836
1980
2172
2376
2723
3028
3464
3844
4547
4210
4177
4210
6220
11
630
7720
3083
00
25157
1991
1580
1577
1640
1669
1898
2067
2216
2396
2632
2886
3299
3676
4204
4688
5532
5312
5451
5728
8193
13
853
11
248
8932
23
159
06
0777
1992
1742
1746
1819
1857
2100
2283
2447
2642
2896
3169
3602
4000
4546
5048
5891
5724
5908
6232
8494
13
027
10
965
9324
15
417
10
156
67
805
1993
2092
2112
2209
2269
2557
2781
2989
3236
3554
3900
4432
4937
5619
6273
7328
7302
7706
8327
11
214
16
634
15
255
14
711
23
621
23
855
54
372
3754
52
1994
2254
2281
2385
2454
2753
2988
3208
3467
3797
4155
4696
5208
5890
6539
7561
7558
7959
8556
11
135
15
609
14
366
13
786
19
397
18
277
24
340
10
596
43
539
2
1995
2113
2133
2222
2278
2541
2743
2927
3142
3414
3703
4138
4534
5053
5520
6251
6149
6332
6615
8183
10
671
9381
8418
10
131
8171
7591
2384
(13
)42
990
0
1996
2042
2058
2139
2189
2429
2611
2774
2963
3200
3449
3822
4151
4578
4946
5520
5383
5471
5622
6729
8383
7241
6335
7088
5498
4676
1657
272
638
70
399
4
1997
1966
1978
2051
2093
2313
2476
2620
2786
2993
3206
3526
3801
4153
4444
4897
4741
4767
4834
5637
6784
5794
4989
5326
4060
3320
1283
328
540
448
101
965
0
1998
1821
1828
1889
1922
2115
2253
2373
2510
2680
2852
3112
3326
3599
3811
4146
3973
3943
3937
4480
5224
4385
3692
3774
2787
2163
784
117
164
(18
)(3
35
)67
843
0
1999
1811
1817
1876
1907
2090
2222
2334
2462
2620
2779
3017
3211
3455
3641
3934
3766
3725
3705
4162
4772
4026
3409
3446
2599
2061
890
315
412
344
295
1519
170
916
0
2000
1712
1714
1766
1791
1956
2072
2169
2279
2415
2549
2752
2911
3111
3255
3487
3319
3258
3212
3554
4000
3352
2813
2787
2082
1624
698
232
288
213
144
500
(107
)152
592
0
2001
1622
1621
1666
1686
1836
1939
2024
2119
2236
2350
2524
2657
2822
2935
3121
2956
2883
2822
3084
3420
2852
2377
2320
1722
1327
566
176
211
140
74
260
(109
)(1
10
)135
775
0
2002
1535
1532
1571
1586
1723
1814
1887
1970
2071
2168
2318
2428
2566
2654
2803
2644
2564
2493
2697
2954
2452
2032
1958
1443
1099
459
126
148
82
20
135
(130
)(1
41
)(1
70
)112
684
0
2003
1517
1513
1550
1565
1694
1781
1850
1927
2021
2111
2250
2350
2475
2553
2686
2534
2455
2384
2563
2786
2325
1940
1867
1400
1087
504
199
228
179
139
268
68
134
280
973
222
363
0
2004
1464
1459
1493
1505
1626
1705
1767
1836
1921
2001
2126
2213
2322
2387
2500
2354
2274
2201
2350
2535
2116
1766
1690
1272
990
471
197
222
179
144
253
89
145
245
525
178
261
962
5
2005
1421
1415
1446
1456
1569
1642
1699
1762
1839
1911
2024
2101
2198
2252
2350
2210
2131
2058
2185
2340
1957
1636
1560
1181
924
454
204
228
189
160
256
118
170
253
437
227
277
334
559
4
2006
1383
1376
1405
1413
1520
1587
1640
1697
1768
1833
1936
2005
2091
2137
2223
2089
2011
1939
2048
2182
1829
1532
1457
1110
873
444
214
237
202
178
265
146
195
268
409
260
303
329
444
737
1
2007
1352
1345
1372
1379
1479
1543
1591
1645
1710
1770
1865
1927
2005
2045
2121
1992
1916
1845
1941
2058
1730
1453
1381
1060
841
443
230
252
222
201
283
179
227
294
415
302
346
382
436
638
861
0
2008
1272
1263
1286
1290
1382
1439
1481
1527
1584
1635
1717
1770
1835
1865
1927
1803
1728
1656
1734
1827
1528
1276
1203
913
714
359
166
181
150
126
187
91
119
156
222
110
94
39
(8
1)
(412
)375
503
1
2009
1260
1251
1273
1277
1365
1419
1459
1503
1557
1605
1683
1731
1792
1819
1876
1758
1684
1615
1686
1772
1489
1251
1181
909
720
385
202
219
191
172
234
149
182
224
294
207
212
197
155
36
827
685
884
1
2010
1217
1208
1227
1230
1313
1363
1399
1439
1488
1531
1602
1645
1699
1721
1771
1657
1585
1517
1579
1653
1389
1167
1099
846
670
359
189
204
177
159
214
136
163
199
255
176
176
157
117
28
359
10
693
048
1
2011
1166
1156
1174
1175
1252
1298
1331
1366
1410
1449
1513
1550
1597
1614
1657
1548
1477
1411
1463
1526
1280
1073
1007
772
609
322
163
175
149
130
178
105
127
154
197
124
117
92
50
(29
)148
(90
)(1
81
)567
540
8
2012
1132
1121
1137
1138
1211
1254
1283
1316
1357
1392
1451
1484
1527
1540
1578
1473
1405
1340
1386
1441
1210
1014
951
730
576
307
158
169
144
127
170
103
122
146
184
119
111
89
54
(09
)129
(39
)(6
2)
74
609
520
8
2013
1089
1077
1092
1091
1160
1199
1226
1256
1292
1323
1377
1406
1444
1454
1487
1386
1319
1256
1296
1343
1127
943
881
675
530
279
139
148
124
107
145
82
98
118
148
88
78
55
21
(35
)65
(69
)(9
4)
(47
)(1
55
)515
071
6
2014
1054
1043
1056
1054
1119
1156
1180
1207
1241
1269
1319
1345
1379
1386
1415
1318
1253
1192
1226
1268
1063
890
830
636
499
262
130
138
115
98
133
74
88
105
132
76
67
46
15
(34
)49
(61
)(7
8)
(41
)(9
4)
(29
)500
074
1
2015
1017
1005
1017
1014
1075
1109
1132
1156
1187
1213
1258
1281
1311
1316
1341
1247
1185
1125
1155
1191
998
834
776
593
464
241
116
122
100
84
115
60
72
86
109
57
47
26
(0
3)
(47
)21
(74
)(9
0)
(65
)(1
07
)(8
3)
(133
)433
499
6
2016
1001
989
1000
998
1056
1089
1110
1133
1162
1186
1229
1251
1279
1283
1305
1215
1154
1096
1124
1157
972
815
759
584
461
247
127
134
113
98
129
77
90
104
127
80
72
55
31
(07
)61
(18
)(2
3)
12
(03
)54
97
389
602
272
8
2017
976
964
974
971
1027
1058
1078
1099
1126
1148
1188
1207
1233
1236
1256
1169
1109
1053
1078
1108
932
782
728
561
443
240
125
131
112
97
126
77
89
103
124
80
72
57
35
02
63
(07
)(0
9)
23
13
60
91
224
79
649
840
6
Paacutegin
a 1
Figu
ra22
ndashTa
xas
anua
isde
cres
cim
ento
doIb
oves
pade
sde
1968
122
Agradecimentos
Agradeccedilo a Deus por ter abenccediloado todos os dias da minha vida por iluminar meu caminho
e me dar forccedilas para seguir sempre em frente
Agradeccedilo aos meus pais que muitas vezes se doaram e renunciaram aos seus sonhos para
que eu pudesse realizar os meus Quero dizer que essa conquista natildeo eacute soacute minha mas
nossa Tudo que consegui soacute foi possiacutevel graccedilas ao amor apoio e dedicaccedilatildeo que vocecircs
sempre tiveram por mim Sempre me ensinaram agir com respeito simplicidade dignidade
honestidade e amor ao proacuteximo E graccedilas ao trabalho e perseveranccedila os obstaacuteculos foram
ultrapassados e vitoacuterias foram conquistadas
Meu filho Miguel a quem dedico em especial este trabalho que embora pequeno em idade
foi grande em pensamento sabendo apoiar compreender e permitir a minha ausecircncia em
momentos importantes de sua vida Mesmo diante das dificuldades noacutes conseguimos
A toda minha famiacutelia pelo apoio torcida e confianccedila que sempre depositaram em mim
Ao meu orientador Dr Arthur Rodrigo Bosco de Magalhatildees que me acompanhou ao
longo de toda minha formaccedilatildeo acadecircmica Tenho muito orgulho de citaacute-lo como um dos
maiores responsaacuteveis pela conclusatildeo deste trabalho Agradeccedilo pela confianccedila motivaccedilatildeo
inspiraccedilatildeo amizade e conselhos Um exemplo de dedicaccedilatildeo compreensatildeo e competecircncia
Preocupado natildeo soacute com a realizaccedilatildeo do trabalho mas principalmente com o ser humano
Enfim cumpriu o seu papel de forma brilhante Muitiacutessimo obrigada
Meu agradecimento aos docentes do curso pelos conhecimentos e competecircncias que me
transmitiram ao longo deste percurso acadecircmico Em especial agradeccedilo aos professores
Adriano Rodrigo Joseacute Geraldo Albens Acebal e Giovani pelas valiosas sugestotildees
Aos amigos colegas e funcionaacuterios que fizeram parte desta minha longa passagem pelo
CEFET Em especial Dr Nilmar o grande amigo que ganhei nesta caminhada
Ao Programa de Poacutes Graduaccedilatildeo em Modelagem Matemaacutetica Computacional
Ao CEFET-MG e agrave FAPEMIG pelo apoio financeiro
iii
Os sonhos natildeo determinam o lugar onde vo-cecircs vatildeo chegar mas produzem a forccedila neces-saacuteria para tiraacute-los do lugar em que vocecircs es-tatildeo Sonhem com as estrelas para que vocecircspossam pisar pelo menos na Lua Sonhemcom a Lua para que vocecircs possam pisar pelomenos nos altos montes Sonhem com os al-tos montes para que vocecircs possam ter digni-dade quando atravessarem os vales das per-das e das frustraccedilotildees Bons alunos aprendema matemaacutetica numeacuterica alunos fascinantesvatildeo aleacutem aprendem a matemaacutetica da emo-ccedilatildeo que natildeo tem conta exata e que rompea regra da loacutegica Nessa matemaacutetica vocecirc soacuteaprende a multiplicar quando aprende a di-vidir soacute consegue ganhar quando aprende aperder soacute consegue receber quando aprendea se doar
Sem sonhos a vida natildeo tem brilho Sem me-tas os sonhos natildeo tecircm alicerces Sem priori-dades os sonhos natildeo se tornam reais Sonhetrace metas estabeleccedila prioridades e corrariscos para executar seus sonhos Melhor eacuteerrar por tentar do que errar por se omitir
Augusto Cury
iv
Resumo
A teoria econocircmica claacutessica defende que os mercados satildeo eficientes que os preccedilos cami-
nham em direccedilatildeo a um ponto de equiliacutebrio no longo prazo e que natildeo haacute possibilidades de
arbitragens Para investigar esta Hipoacutetese de Mercado Eficiente (HME) definimos um mo-
delo de previsatildeo de tendecircncias de retornos de ativos financeiros baseado em um sistema
de equaccedilotildees diferenciais lineares acopladas discretizado Neste modelo consideramos que
as relaccedilotildees entre os desvios dos preccedilos das accedilotildees em relaccedilatildeo a um preccedilo considerado
justo traz informaccedilatildeo sobre a dinacircmica dos preccedilos das accedilotildees Tais desvios satildeo calculados
utilizando-se a diferenccedila logariacutetmica entre os preccedilos reais e os preccedilos justos modelados
por uma meacutedia moacutevel exponencial Visando a comparaccedilatildeo entre um mercado emergente e
um desenvolvido aplicamos o modelo para a bolsa de valores brasileira e norte-americana
A consistecircncia do modelo foi investigada comparando-se resultados em quadrimestres
diferentes A relaccedilatildeo entre a acuraacutecia do modelo e o expoente de Hurst foi estudada Paracirc-
metros de execuccedilatildeo do modelo tais como janela de ajuste nuacutemero de accedilotildees e frequecircncia
de amostragem dos dados satildeo explorados com o objetivo de encontrar uma combinaccedilatildeo
que apresente taxas de acuraacutecia relevantes Testes de hipoacuteteses foram aplicados aos
resultados da previsatildeo para investigar se o modelo tem uma taxa de acerto de tendecircncia de
preccedilos diferente de um processo totalmente aleatoacuterio Diante dos paracircmetros explorados
escolhemos um conjunto que apresentou resultados satisfatoacuterios e aplicamos o modelo em
simulaccedilatildeo realiacutestica do mercado utilizando uma plataforma de algotrading Na simulaccedilatildeo
definimos dois modelos de operaccedilatildeo para as estrateacutegias de negociaccedilatildeo MO1 e MO2 No
MO1 as operaccedilatildeo satildeo abertas de acordo com o sinal enviado pelo preditor e encerradas no
fechamento do mesmo candle Para MO2 as operaccedilotildees satildeo encerradas por meio de stops
Os resultados foram comparados levando em consideraccedilatildeo indicadores de desempenho
tais como risco de exposiccedilatildeo ao mercado retorno financeiro taxas operacionais e capital
alocado
Palavras-chave Equaccedilotildees Diferenciais Mercado de Accedilotildees Seacuteries Financeiras Hipoacutetese
de Mercado Eficiente Previsatildeo de Tendecircncias Simulaccedilatildeo Realiacutestica Expoente de Hurst
Modelo de previsatildeo
v
Abstract
The classical economic theory argues that markets are efficient that prices move towards a
long-term equilibrium and that there is no possibility of arbitrage To investigate this Efficient
Market Hypothesis (EMH) we defined a model for forecasting trends in financial asset
returns based on a discretized coupled linear differential equation system In this model
we consider that the relationship between stock price deviations from a price considered
fair provides information on the dynamics of stocks prices Such deviations are calculated
using the logarithmic difference between actual and fair prices modeled by an exponential
moving average To compare an emerging and a developed market we applied the model
to the Brazilian and North American stock exchanges The consistency of the model was
investigated by comparing results in different periods of four months The relationship
between model accuracy and Hurst exponent was studied The execution parameters of the
model such as the fitting window number of assets and frequency of data sampling are
explored in order to find a combination that presents relevant accuracy rates Hypothesis
tests were applied to the forecast results to investigate whether the model has a success
rate different than a completely random process Given the parameters explored we chose
a set that presented satisfactory results and applied the model in a realistic simulation
of the market using an algotrading platform In the simulation we defined two operating
models for the trading strategies MO1 and MO2 In MO1 the operations are opened
according to the signal sent by the predictor and closed at the closing of the same candle
For MO2 operations are closed using stops The results were compared taking into account
performance indicators such as risk of exposure to the market financial return operating
rates and allocated capital
Keywords Differential Equations Stock market Financial Series Efficient Market Hypothe-
sis Trend Forecasting Realistic Simulation Hurst exponent Forecasting Model
vi
Lista de Figuras
Figura 1 ndash Histoacuterico de perfil dos investidores pessoas fiacutesicas na Bovespa 4
Figura 2 ndash Organizaccedilatildeo do trabalho 12
Figura 3 ndash Candles do WINZ20 23
Figura 4 ndash Comparaccedilatildeo de preccedilos brutos meacutedias moacuteveis e preccedilos tratados 29
Figura 5 ndash Distribuiccedilatildeo das distacircncias entre as matrizes A em tempos adjacentes 33
Figura 6 ndash Acuraacutecia meacutedia para todas as n accedilotildees que compotildeem os iacutendices Dow
Jones e Ibovespa 39
Figura 7 ndash Acuraacutecia meacutedia para as 10 accedilotildees com maiores participaccedilotildees no
Ibovespa E Dow Jones 41
Figura 8 ndash Exemplo de um formato de um boxplot 43
Figura 9 ndash Boxplot da Acuraacutecia para todas as accedilotildees que compotildeem os iacutendices
Dow Jones e Ibovespa 44
Figura 10 ndash Acuraacutecia meacutedia para diferentes valores de n accedilotildees que compotildeem as
carteiras do Ibovespa e Dow Jones 46
Figura 11 ndash Expoente de Hurst para todas accedilotildees que compotildeem os iacutendices Dow
Jones e Ibovespa 49
Figura 12 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que com-
potildeem os iacutendices Dow Jones e Ibovespa Q1 50
Figura 13 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que com-
potildeem os iacutendices Dow Jones e Ibovespa Q2 51
Figura 14 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 55
Figura 15 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 58
Figura 16 ndash Acuraacutecias obtidas no primeiro quadrimestre de 2017 utilizando vota-
ccedilatildeo meacutedia e sem votaccedilatildeo 63
Figura 17 ndash Acuraacutecias obtidas no segundo quadrimestre de 2017 utilizando vota-
ccedilatildeo meacutedia e sem votaccedilatildeo 64
Figura 18 ndash Fluxograma das estrateacutegias 73
Figura 19 ndash Rendimentos esperados e os efetivamente obtidos para o ano de 2017 84
Figura 20 ndash Rendimentos esperados e os efetivamente obtidos para o ano de 2018 86
Figura 21 ndash Retornos e riscos do modelo de operaccedilatildeo 2 91
Figura 22 ndash Taxas anuais de crescimento do Ibovespa 122
vii
Lista de Tabelas
Tabela 1 ndash Perfil dos investidores pessoa fiacutesica na Bovespa 3
Tabela 2 ndash Coeficientes angulares (β) e os correspondentes coeficientes de
determinaccedilatildeo (r2) 40
Tabela 3 ndash Acuraacutecia do modelo aplicado a diferentes granularidades de tempo
para R = 500 47
Tabela 4 ndash Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo quadri-
mestres para as accedilotildees dos iacutendices Ibovespa e Dow Jones 54
Tabela 5 ndash Acuraacutecias do modelo no primeiro e segundo quadrimestres para a
combinaccedilatildeo das 10 accedilotildees com maiores pesos 57
Tabela 6 ndash Comparaccedilatildeo das acuraacutecias para todas as accedilotildees dos iacutendices Ibo-
vespa e Dow Jones 60
Tabela 7 ndash Acuraacutecias do modelo para as 10 accedilotildees dos iacutendices Ibovespa e Dow
Jones com os melhores a 61
Tabela 8 ndash Taxas de negociaccedilatildeo e de liquidaccedilatildeo da BOVESPA 71
Tabela 9 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2017 76
Tabela 10 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2018 76
Tabela 11 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2018 76
Tabela 12 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2018 77
Tabela 13 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas ano de 2017 78
Tabela 14 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas no ano de 2018 78
Tabela 15 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacio-
nais para o ano de 2017 78
Tabela 16 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacio-
nais para o ano de 2018 79
Tabela 17 ndash Rendimentos do MO1 no ano de 2017 83
Tabela 18 ndash Rendimentos do MO1 no ano de 2018 85
Tabela 19 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de
2017 92
Tabela 20 ndash Resultados da simulaccedilatildeo utilizando stop gain Sg (equaccedilatildeo 49) e loss
Sl (equaccedilatildeo 48) sem taxas para o ano de 2018 93
Tabela 21 ndash Resultados da simulaccedilatildeo utilizando stops com taxas para o ano de
2017 94
viii
Tabela 22 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de
2018 95
Tabela 23 ndash Meacutedia de preccedilos e retornos das accedilotildees 97
Tabela 24 ndash Lotes padratildeo no mercado real e na plataforma de simulaccedilatildeo no ano
de 2017 115
Tabela 25 ndash Lotes padratildeo no mercado real e na plataforma de simulaccedilatildeo no ano
de 2017 116
Tabela 26 ndash Composiccedilatildeo da carteira teoacuterica do Ibovespa 119
Tabela 27 ndash Composiccedilatildeo do iacutendice Dow Jones 120
ix
Lista de Abreviaturas e Siglas
HME Hipoacutetese de mercado eficiente
MO1 Modelo de operaccedilatildeo 1
MO2 Modelo de operaccedilatildeo 2
DFA Detrended fluctuation analysis
DMA Detrending moving average
x
Lista de Siacutembolos e Variaacuteveis
a Acuraacutecia do modelo
ρ Coeficiente de correlaccedilatildeo de Pearson
σ Desvio padratildeo
ε Erro associado
R Quantidade de pontos utilizados no ajuste
a Acuraacutecia meacutedia do modelo
σa Desvio padratildeo da acuraacutecia meacutedia
H Expoente de Hurst
Q Tamanho da janela para calculo de quartis
u4 Representa os dados do quarto quartil
n Nuacutemero de accedilotildees
nr Nuacutemero de retornos
N Nuacutemero de execuccedilotildees (previsotildees)
Nc Nuacutemero de execuccedilotildees (previsotildees) corretas
d Distacircncia
β Coeficiente angular da reta
r2 Coeficiente de determinaccedilatildeo
S Tamanho da janela para calcular meacutedia moacutevel
x Preccedilo bruto
qo Aproximaccedilatildeo para o preccedilo de abertura do candle
qc Aproximaccedilatildeo para o preccedilo de fechamento do candle
x Preccedilo justo
X Preccedilo tratado
xi
T Tendecircncia
ra Retorno (rendimento) acumulado
ra Retorno acumulado para o conjunto de accedilotildees
λ Quantidade de accedilotildees negociadas
∆x Retorno bruto da accedilatildeo
∆X Retorno tratado da accedilatildeo
∆x Retorno previsto bruto da accedilatildeo
∆X Retorno pervisto tratado da accedilatildeo
Sg Stop gain
Sl Stop loss
xii
Sumaacuterio
1 ndash Introduccedilatildeo 1
11 Objetivos 6
12 Organizaccedilatildeo do trabalho 7
2 ndash Delineamento Metodoloacutegico 8
21 Levantamento bibliograacutefico 8
22 Definiccedilatildeo do modelo 8
23 Dados utilizados 8
24 Tratamento dos dados 9
25 Exploraccedilatildeo do modelo 10
26 Simulaccedilatildeo 11
27 Avaliaccedilatildeo dos resultados do modelo 11
3 ndash Trabalhos relacionados 13
31 Hipoacutetese de Mercado Eficiente 13
32 Financcedilas comportamentais 15
33 Trabalhos aplicados em previsatildeo 16
34 Expoente de Hurst 18
4 ndash Fundamentaccedilatildeo teoacuterica 20
41 Fundamentaccedilatildeo teoacuterica em financcedilas 20
411 Indicadores utilizados nas estrateacutegias 24
5 ndash Modelos 27
51 Tratamento dos dados 27
52 Ajuste linear do dados 28
53 Modelo de previsatildeo 32
6 ndash Exploraccedilatildeo do modelo de previsatildeo 37
61 Variaccedilotildees do tamanho de R 37
62 Variaccedilotildees da quantidade de accedilotildees 45
63 Variaccedilatildeo da granularidade 47
64 Anaacutelise da acuraacutecia em funccedilatildeo do expoente de Hurst das seacuteries 48
65 Acuraacutecias em quadrimestres diferentes 52
651 Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo quadri-
mestres de 2017 52
xiii
652 Aplicaccedilatildeo do modelo utilizando a combinaccedilatildeo das 10 accedilotildees com
maiores pesos nos iacutendices Ibovespa e Dow Jones 56
653 Anaacutelise do desempenho do modelo aplicado agraves accedilotildees de melhor
acuraacutecia no quadrimestre precedente 59
66 Votaccedilatildeo 62
67 Consideraccedilotildees gerais 65
7 ndash Simulaccedilatildeo 67
71 Visatildeo geral dos modelos de operaccedilatildeo 68
72 Modelo de operaccedilatildeo 1 74
721 Acuraacutecias 75
722 Simulaccedilatildeo 77
723 Anaacutelise estatiacutestica de resultados financeiros relativos ao MO1 81
724 Consideraccedilotildees sobre MO1 87
73 Modelo de operaccedilatildeo 2 87
74 Consideraccedilotildees finais 96
8 ndash Conclusatildeo 98
81 Trabalhos Futuros 102
Referecircncias 103
Apecircndices 109
APEcircNDICE A ndash Estimaccedilatildeo da matriz de coeficientes pelo meacutetodo dos miacutenimos
quadrados 110
APEcircNDICE B ndash Tabelas lotes padratildeo das accedilotildees 115
Anexos 117
ANEXO A ndash Tabela de accedilotildees que participaram da carteira teoacuterica do Ibovespa
no primeiro quadrimestre de 2017 118
ANEXO B ndash Tabela de accedilotildees que participaram da carteira teoacuterica do Dow Jones
no primeiro quadrimestre de 2017 120
ANEXO C ndash Tabela das taxas anuais de crescimento do Ibovespa 121
xiv
Capiacutetulo 1
Introduccedilatildeo
A teoria econocircmica claacutessica defende que natildeo eacute possiacutevel obter informaccedilotildees de dados
baseando-se em informaccedilotildees passadas que levem a ganhos fora do padratildeo do mercado
(SAMUELSON 1965) Seus teoacutericos defendem que os mercados seriam assim eficientes
e que os preccedilos caminham em direccedilatildeo a um ponto de equiliacutebrio no longo prazo Esta
discussatildeo inclui a definiccedilatildeo da hipoacutetese de mercado eficiente (HME) (MALKIEL FAMA
1970 SHILLER 1980) Tal hipoacutetese considera que natildeo haacute possibilidades de arbitragem
que o mercado descobre o preccedilo correto dos ativos natildeo sendo possiacutevel ganhos acima
da meacutedia sem correr riscos acima da meacutedia Considera tambeacutem que os investidores
satildeo racionais e que toda informaccedilatildeo relevante eacute disponiacutevel e absorvida imediatamente
pelo mercado (MALKIEL FAMA 1970) No entanto um grande nuacutemero de analistas do
mercado especuladores e investidores fundamentalistas ou teacutecnicos estatildeo em busca de
tais informaccedilotildees (FENG et al 2012)
Investigaccedilotildees empiacutericas sobre a eficiecircncia do mercado tecircm sido realizadas em muitos con-
textos utilizando diversas ferramentas estatiacutesticas (BARKOULAS BAUM 1996 GRECH
MAZUR 2004 CAJUEIRO TABAK 2004 ZUNINO et al 2007 CHORDIA ROLL SU-
BRAHMANYAM 2008 BELAIRE-FRANCH OPONG 2010 CAGINALP DESANTIS 2011
CHARLES DARNEacute KIM 2012 AL-KHAZALI PYUN KIM 2012 LAZAR TODEA FILIP
2012 CHOUDHRY JAYASEKERA 2012 CHOUDHRY JAYASEKERA 2014 KATUSIIME
SHAMSUDDIN AGBOLA 2015 NTIM et al 2015 CURME STANLEY VODENSKA 2015
PODOBNIK et al 2006 RESENDE et al 2017) Pesquisas mostram que o mercado natildeo eacute
tatildeo eficiente em termos de absorccedilatildeo de informaccedilatildeo nem toda informaccedilatildeo relevante estaacute
disponiacutevel aos investidores (ROSS 1989 HEALY PALEPU 2001 BRUNNERMEIER 2005)
No estudo realizado por (CAJUEIRO TABAK 2004) os expoentes de Hurst das seacuteries
de paiacuteses desenvolvidos estatildeo bem proacuteximos de 0 5 Jaacute os valores obtidos para paiacuteses
emergentes se distanciam mais deste valor indicando que mercados emergentes satildeo
menos eficientes que mercados desenvolvidos A ineficiecircncia dos mercados emergentes
dentre outros fatores pode estar relacionada agrave baixa liquidez do mercado (CHORDIA ROLL
1
SUBRAHMANYAM 2008 CHUNG HRAZDIL 2010) e ao fluxo de informaccedilatildeo (ROSS 1989
HEALY PALEPU 2001 BRUNNERMEIER 2005) Tambeacutem haacute pesquisas no campo de
financcedilas comportamentais onde o comportamento natildeo racional eacute estudado em detalhes
(KAHNEMAN TVERSKY 1979 SHILLER FISCHER FRIEDMAN 1984) Em (CAGINALP
ERMENTROUT 1990) os autores desenvolveram um modelo utilizando equaccedilotildees dife-
renciais que incorpora o aspecto emocional dos investidores em um mercado financeiro
teoacuterico Indicam que fatores psicoloacutegicos satildeo capazes de influenciar a estabilidade dos
preccedilos evidenciando desvios da hipoacutetese de mercado eficiente
Algoritmos de automatizaccedilatildeo de estrateacutegias e operaccedilotildees tambeacutem tecircm sido foco de vaacuterias
pesquisas na aacuterea Muitos desses trabalhos utilizam redes neurais artificiais para a constru-
ccedilatildeo dos modelos de previsatildeo Em (NAMETALA et al 2016) os autores desenvolveram uma
estrateacutegia automatizada que combina redes neurais artificiais e preditores economeacutetricos
para gerar sinais de compra ou venda por meio de um modelo de negociaccedilatildeo incorporado
ao algoritmo
Pesquisas nestas aacutereas de automatizaccedilatildeo caracterizaccedilatildeo e modelagem de mercados
constituem-se relativamente novas e promissoras pois com o surgimento de novas tec-
nologias e diversas plataformas de negociaccedilatildeo o nuacutemero de pessoas atuando na bolsa
tem aumentado significativamente O cadastro de CPFs na Bolsa brasileira teve um grande
avanccedilo sendo que em maio de 2020 este nuacutemero chegou agrave marca de 2483286 O aumento
pode ainda estar relacionado dentre outros fatores agrave ampla divulgaccedilatildeo e tambeacutem agrave redu-
ccedilatildeo da taxa de juros do paiacutes tornando a renda variaacutevel uma atrativa fonte de investimento
As pessoas fiacutesicas representam 98 86 do total de investidores sendo destes 75 05
homens e 23 81 mulheres O valor investido pelas pessoas fiacutesicas eacute de 303 63 bilhotildees
de reais Ainda de acordo com o relatoacuterio disponibilizado pela Bolsa a maior parte dos
investimentos estaacute concentrada no estado de Satildeo Paulo Os dados com os nuacutemeros de
investidores bem como os valores por estado satildeo mostrados na tabela 1 que foi adaptada
de (BMampFBOVESPA 2020a)
A figura 1 apresenta a evoluccedilatildeo da distribuiccedilatildeo da participaccedilatildeo de homens e mulheres no
total de investidores pessoa fiacutesica na bolsa brasileira A curva azul corresponde aos CPFs
relacionados ao sexo masculino que em todo o periacuteodo apresentado se manteve acima
da curva vermelha que representa a participaccedilatildeo das mulheres na bolsa Para ambos
os perfis percebemos um aumento significativo dos investidores a partir do ano de 2018
Segundo dados da Bovespa (BMampFBOVESPA 2020a) o nuacutemero de CPFs cadastrados na
bolsa brasileira dobrou em 2019 saltando de 813291 para 1681033 O criteacuterio de contagem
considera o CPF cadastrado em cada agente de custoacutedia ou seja pode contabilizar o
mesmo investidor caso ele possua conta em mais de um corretora Entretanto este aumento
no nuacutemero de pessoas eacute bem relevante
2
Tabela 1 ndash Perfil dos investidores pessoa fiacutesica na Bovespa
EstadoContas Valor (R$ bilhotildees)
Homens Mulheres Total Homens Mulheres TotalSP 725848 245265 971113 11615 3426 15042 4954RJ 204690 70602 275292 3536 1212 4748 1564MG 182502 54644 237146 2538 424 2962 975RS 108117 30292 138409 1246 360 1606 529SC 91315 25268 116583 789 206 995 328PR 118032 33968 152000 1071 284 1355 446BA 59552 18373 77925 511 110 622 205DF 65687 23372 89059 620 119 739 243ES 39356 11092 50448 295 058 352 116PE 42806 12570 55376 280 075 355 117CE 36110 10321 46431 224 069 292 096GO 44555 13562 58117 222 046 268 088PB 16386 4761 21147 075 017 093 031MT 20172 5841 26013 113 020 133 044MS 17871 4995 22866 128 016 144 047PA 19571 6147 25718 101 022 123 041RN 17016 4454 21470 090 017 107 035AM 12893 4137 17030 075 014 088 029MA 13847 4135 17982 073 012 085 028AL 10212 2863 13075 047 008 055 018SE 9966 2801 12767 050 010 060 020PI 8512 2456 10968 039 007 046 015RO 7805 2339 10144 034 008 042 014AP 1921 616 2537 008 001 009 003AC 2557 802 3359 011 003 014 004RR 2204 712 2916 008 001 009 003TO 5693 1702 7395 017 003 020 006
Total 1885196 598090 2483286 23817 6546 30363Nota Os dados apresentados satildeo referentes ao perfil dos investidores pessoa fiacutesica naBovespa em 29052020 Os resultados foram segmentados por estados e mostram os
nuacutemeros de contas de pessoas fiacutesicas na Bovespa bem como o saldo financeiro Acontagem dos CPFs de investidores satildeo por agente de custoacutedia Adaptado do site de
serviccedilos da Bovespa Histoacuterico de perfil dos investidores pessoas fiacutesicas de Maio de 2020disponiacutevel em lthttpwwwb3combrpt_brmarket-data-e-indicesservicos-de-dados
market-dataconsultasmercado-a-vistahistorico-pessoas-fisicasgt
3
2002 2004 2006 2008 2010 2012 2014 2016 2018 2020
Anos
0
05
1
15
2
25
Con
tas
106
HomensMulheresTotal
Figura 1 ndash Histoacuterico de perfil dos investidores pessoas fiacutesicas na Bovespa Representaa evoluccedilatildeo do nuacutemero de investidores na Bovespa entre os anos de 2002 a 2020A curva na cor azul corresponde ao nuacutemero de CPFs de investidores do sexomasculino a curva na cor vermelha representa a evoluccedilatildeo da participaccedilatildeo demulheres na Bolsa e a curva na cor verde mostra o total de pessoas fiacutesicas aolongo do periacuteodo
Nem todos os agentes atuantes no mercado tecircm retornos positivos e muitos acabam fracas-
sando e desistindo do mercado uma vez que a renda variaacutevel depende de diversos fatores
tais como gerenciamento de risco definiccedilatildeo de estrateacutegia e ateacute mesmo controle emocional
Desta forma as estrateacutegias automatizadas podem facilitar o ingresso neste cenaacuterio de
grandes oscilaccedilotildees e incertezas com mais assertividade e precisatildeo nas operaccedilotildees Isto nos
incentiva a pesquisar e desenvolver ferramentas que auxiliem na tomada de decisatildeo
Neste contexto motivados pela lacuna deixada pela hipoacutetese de mercado eficiente sugerida
por modelos interessados na previsatildeo de dinacircmicas de mercados (ATSALAKIS K 2013
ATSALAKIS VALAVANIS 2009) e por modelos empenhados na previsatildeo do sinal de
retornos de ativos (NYBERG 2011 ANATOLYEV GOSPODINOV 2012 CHEVAPATRAKUL
2013 POumlNKAuml 2014) propomos tambeacutem um modelo de previsatildeo Este eacute baseado em um
sistema de equaccedilotildees diferenciais lineares acopladas Discretizando o sistema obtemos um
modelo que se assemelha a um modelo de regressatildeo linear multivariado
Neste modelo consideramos que os desvios dos preccedilos brutos das accedilotildees em relaccedilatildeo a um
preccedilo justo satildeo os fatores importantes na nossa anaacutelise Tais desvios seratildeo denominados
4
preccedilos tratados De fato sabemos que existem modelos para precificaccedilatildeo de ativos poreacutem
neste trabalho vamos utilizar meacutedias moacuteveis exponenciais como aproximaccedilatildeo para o preccedilo
justo Assim o preccedilo considerado justo seraacute denominado preccedilo de referecircncia O preccedilo
tratado seraacute dado pela diferenccedila logariacutetmica entre o preccedilo bruto e o preccedilo de referecircncia
Na investigaccedilatildeo utilizamos dados de todas as accedilotildees que compotildeem os iacutendices Dow Jones e
Ibovespa no ano de 2017 O Dow Jones eacute um iacutendice do mercado americano que representa
a negociaccedilatildeo das 30 maiores empresas de capital aberto negociadas neste mercado O
Ibovespa eacute o iacutendice composto em meacutedia por 58 accedilotildees negociadas na bolsa de valores
de Satildeo Paulo Para compor a carteira teoacuterica do Ibovespa as accedilotildees tecircm que atender a
criteacuterios estabelecidos pela BMampFBOVESPA1 relativos agrave liquidez volume de negociaccedilatildeo
participaccedilatildeo nos pregotildees de negociaccedilatildeo e outros As seacuteries utilizadas satildeo compostas por
dados de candles intraday2 onde maiores correlaccedilotildees satildeo esperadas (ALLEZ BOUCHAUD
2011) O iacutendice Ibovespa foi escolhido por ser de um mercado de paiacutes emergente onde
a ineficiecircncia tende a ser mais evidenciada possibilitando assim maiores oportunidades
de sucesso na previsatildeo de tendecircncias de retornos (CAJUEIRO TABAK 2004 ZUNINO et
al 2007) O mercado Americano foi escolhido para contrastar com este cenaacuterio e tambeacutem
devido agrave sua importacircncia
Os paracircmetros do modelo satildeo explorados de forma a definir-se uma combinaccedilatildeo ideal
que apresente resultados relevantes de acuraacutecia na previsatildeo de tendecircncia de retornos das
accedilotildees Nosso objetivo eacute mostrar que o modelo de previsatildeo de tendecircncia apresenta uma
taxa de acuraacutecia superior a um processo totalmente aleatoacuterio Para validar estes resultados
realizaremos anaacutelises estatiacutesticas A hipoacutetese de pesquisa a ser testada eacute que a acuraacutecia
do modelo eacute diferente de 0 5 evidenciando desvio da hipoacutetese de mercado eficiente
Diante dos paracircmetros definidos durante a exploraccedilatildeo do modelo vamos desenvolver
duas estrateacutegias de negociaccedilatildeo e aplicaacute-las no mercado real atraveacutes de uma plataforma
de simulaccedilatildeo Os resultados seratildeo comparados levando em consideraccedilatildeo as variaacuteveis
envolvidas na simulaccedilatildeo tais como risco de exposiccedilatildeo ao mercado retorno financeiro
taxas operacionais e capital alocado
Um problema desafiador que surge no acircmbito das pesquisas em mercados financeiros eacute a
possibilidade de se utilizar teacutecnicas e modelos matemaacuteticos para representar a dinacircmica
dos movimentos dos preccedilos O problema torna-se mais complexo quando envolve teacutecnicas
de previsatildeo de tais valores poreacutem um grande nuacutemero de agentes do mercado estatildeo em
busca destas informaccedilotildees Assim nosso problema neste trabalho eacute desenvolver um modelo
matemaacutetico-computacional para a previsatildeo de tendecircncia de preccedilos no mercado de accedilotildees
brasileiro e no mercado americano
1Bolsa de Valores Mercadorias e Futuros de Satildeo Paulo2Dados dentro de um periacuteodo regular da bolsa (dia)
5
Nesta perspectiva este trabalho Justifica-se como complementaccedilatildeo de outros estudos
que envolvem a combinaccedilatildeo de ferramentas estatiacutesticas redes neurais artificiais e outras
abordagens aplicadas para a modelagem de mercado de accedilotildees podendo assim ser
utilizado em pesquisas futuras
11 Objetivos
Este trabalho tem como objetivo geral apresentar um modelo de previsatildeo de tendecircncias de
preccedilos das accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa buscando oportunidades
em desvios da hipoacutetese de mercado eficiente A pesquisa iraacute contribuir para a compreensatildeo
da dinacircmica dos mercados de accedilotildees
Na decomposiccedilatildeo do objetivo geral destacam-se alguns dentre os principais objetivos
especiacuteficos
bull Desenvolver um modelo capaz de prever tendecircncias de preccedilos com taxas de acertos
superiores a um processo totalmente aleatoacuterio
bull Testar o niacutevel de eficiecircncia de dois mercados com caracteriacutesticas diferentes A investi-
gaccedilatildeo seraacute por meio da anaacutelise de resultados obtidos para Dow Jones e Ibovespa
bull Explorar o modelo de previsatildeo de tendecircncia com o objetivo de encontrar paracircmetros
que retornem os melhores resultados
bull Desenvolver estrateacutegias de negociaccedilatildeo aplicadas ao mercado real em periacuteodos
diferentes utilizando tais paracircmetros
De forma especiacutefica a principal contribuiccedilatildeo deste trabalho eacute favorecer a compreensatildeo
da dinacircmica do mercado de accedilotildees Jaacute sob o ponto de vista social diante do aumento do
nuacutemero de agentes atuando na Bolsa de valores e da queda na taxa de juros podemos
dizer que o mercado de renda variaacutevel tem se tornado atrativo para novos investimentos
impactando assim a forma como as pessoas aplicam as suas economias Por isso eacute
importante verificar a Hipoacutetese de Mercado Eficiente neste cenaacuterio
Neste contexto o modelo de operaccedilatildeo implementado depois de adaptado e validado tam-
beacutem pode contribuir para operaccedilotildees em outros cenaacuterios tais como mercados futuros(doacutelar
e iacutendices) e commodities3 (por exemplo milho feijatildeo cafeacute soja)
3Satildeo produtos de qualidade e caracteriacutesticas uniformes que funcionam como mateacuteria-prima produzidosem escala e que podem ser estocados sem perda de qualidade Seu preccedilo eacute definido de acordo com a ofertae demanda americana
6
12 Organizaccedilatildeo do trabalho
A tese estaacute estruturada em 8 capiacutetulos dois apecircndices e trecircs anexos
No capiacutetulo 1 que eacute o presente capiacutetulo apresentamos a introduccedilatildeo do trabalho Aqui satildeo
introduzidas as etapas e caracteriacutesticas do desenvolvimento da pesquisa
No capiacutetulo 2 descrevemos o delineamento da pesquisa o planejamento do modelo a
exploraccedilatildeo do modelo e a definiccedilatildeo dos dados utilizados nas anaacutelises
No capiacutetulo 3 apresentamos uma breve revisatildeo bibliograacutefica dos trabalhos referentes ao
tema da pesquisa
No capiacutetulo 4 descrevemos alguns conceitos necessaacuterios para a compreensatildeo do trabalho
e as ferramentas computacionais utilizadas
No capiacutetulo 5 apresentamos a formulaccedilatildeo do tratamento dos dados a apresentaccedilatildeo de um
modelo baseado em um sistema de equaccedilotildees diferenciais lineares e a sua adaptaccedilatildeo para
um novo modelo de ajuste de pontos bem como a definiccedilatildeo de um modelo de previsatildeo de
tendecircncia de preccedilos
No capiacutetulo 6 eacute apresentada a exploraccedilatildeo do modelo Neste analisamos os paracircmetros de
entrada com o objetivo de encontrar a combinaccedilatildeo que apresente as melhores acuraacutecias
do modelo na previsatildeo de tendecircncia dos preccedilos
No capiacutetulo 7 mostramos as estrateacutegias de negociaccedilatildeo aplicadas no mercado real Para
a simulaccedilatildeo utilizamos o modelo que retorna um sinal de compra venda ou natildeo opera
apresentado no capiacutetulo 5 Para calibrar o modelo de previsatildeo utilizamos os paracircmetros
explorados no Capiacutetulo 6
No capiacutetulo 8 descrevemos a conclusatildeo bem como os passos futuros do trabalho
O apecircndice A complementa a tese com a descriccedilatildeo da forma de estimar a matriz de
coeficientes por meio da teacutecnica de otimizaccedilatildeo matemaacutetica dos miacutenimos quadrados Jaacute o
apecircndice B conteacutem a tabela de lotes padratildeo de negociaccedilatildeo das accedilotildees na Bovespa
Os anexos A B e C mostram respectivamente a tabela das accedilotildees que participaram da
carteira teoacuterica do Ibovespa no primeiro quadrimestre de 2017 a tabela das accedilotildees que
participaram da carteira teoacuterica do iacutendice Dow Jones tambeacutem no primeiro quadrimestre de
2017 e a tabela das taxas anuais de crescimento do Ibovespa
7
Capiacutetulo 2
Delineamento Metodoloacutegico
Neste capiacutetulo vamos apresentar o delineamento da pesquisa o planejamento a exploraccedilatildeo
do modelo simulaccedilatildeo bem como a definiccedilatildeo dos dados utilizados nas anaacutelises
21 Levantamento bibliograacutefico
A etapa de levantamento bibliograacutefico tem como objetivo contextualizar a pesquisa dentro
do conjunto de atividades cientiacuteficas relacionadas a modelos de previsatildeo desenvolvidos
para o mercado de accedilotildees
22 Definiccedilatildeo do modelo
A definiccedilatildeo do modelo seraacute apresentada no capiacutetulo 5 O modelo de previsatildeo foi definido
baseando-se em um sistema de equaccedilotildees diferenciais lineares acopladas (RESENDE et al
2017) Este sistema foi discretizado de forma a se aproximar de um modelo de regressatildeo
linear multivariado De fato natildeo esperamos que um modelo linear seja capaz de representar
a dinacircmica do mercado financeiro Poreacutem a violaccedilatildeo ou natildeo das premissas de adequaccedilatildeo
a um modelo de regressatildeo natildeo inviabiliza o trabalho uma vez que o objetivo principal deste
eacute prever tendecircncias de preccedilos de accedilotildees A matriz de coeficientes do modelo obtida ateacute o
tempo t seraacute determinada com base em manipulaccedilotildees algeacutebricas expostas por (AGUIRRE
2007) e seraacute utilizada como instrumento para a previsatildeo da tendecircncia dos preccedilos no tempo
t+ 1 Trabalhamos aqui com a hipoacutetese de linearidade local na vizinhanccedila de t
23 Dados utilizados
Para a definiccedilatildeo e exploraccedilatildeo do modelo utilizamos preccedilos de fechamento das accedilotildees que
participaram da composiccedilatildeo da carteira teoacuterica dos iacutendices Dow Jones e Ibovespa com
frequecircncias de 5 10 15 20 e 30 minutos no primeiro e segundo quadrimestres de 2017
8
Na seccedilatildeo 63 vamos analisar todas estas granularidades de tempo e definir a amostra que
apresentar melhores resultados As seacuteries de dados utilizadas foram obtidas na plataforma
Bloomberg 1
Alteraccedilotildees na composiccedilatildeo da carteira do Ibovespa denominadas viradas satildeo realizadas a
cada quadrimestre As inclusotildees e exclusotildees de accedilotildees no iacutendice satildeo realizadas nos meses
de Janeiro Maio e Setembro utilizando como base o uacuteltimo dia de pregatildeo do mecircs anterior
A tabela 26 anexo A mostra as accedilotildees que participaram da carteira teoacuterica do Ibovespa no
primeiro quadrimestre de 2017 02012017 a 28042017 As accedilotildees estatildeo ordenadas de
acordo com a maior porcentagem de participaccedilatildeo no Ibovespa No quadrimestre 2 uma
nova accedilatildeo foi incluiacuteda na carteira alterando assim as porcentagens de participaccedilatildeo das
accedilotildees Poreacutem por simetria e comparaccedilatildeo de resultados decidimos manter as mesmas
accedilotildees e as porcentagens baseados no quadrimestre 1
O iacutendice Dow Jones eacute um dos principais indicadores do mercado americano A sua com-
posiccedilatildeo eacute definida pela meacutedia das 30 maiores e mais importantes empresas do mercado
As accedilotildees que compotildeem o iacutendice satildeo apresentadas na tabela 27 anexo B Alteraccedilotildees na
composiccedilatildeo do iacutendice Dow Jones satildeo pouco frequentes As alteraccedilotildees que aconteceram no
periacuteodo foram em relaccedilatildeo agrave ordem de peso de participaccedilatildeo na carteira Por isso decidimos
manter a ordem de participaccedilatildeo baseada no primeiro quadrimestre de 2017 A Tabela 27
anexo B apresenta as 30 accedilotildees que compotildeem o iacutendice Dow Jones ordenadas de acordo
com a sua porcentagem de participaccedilatildeo na carteira
Para a simulaccedilatildeo realiacutestica apresentada no capiacutetulo 7 utilizamos dados com frequecircncia
de cotaccedilatildeo de 5 minutos das 10 accedilotildees com maior liquidez na Bovespa nos anos de 2017 e
2018 A escolha do mercado brasileiro foi baseada no resultado da exploraccedilatildeo do modelo
(6) sendo este cenaacuterio o que apresentou melhores resultados
24 Tratamento dos dados
Na seccedilatildeo 51 eacute apresentado de forma detalhada o tratamento dos dados No modelo
analisado consideramos que os desvios dos preccedilos em relaccedilatildeo a um preccedilo considerado
justo traz informaccedilotildees sobre a dinacircmica dos preccedilos das accedilotildees Tais desvios satildeo calculados
utilizando-se a diferenccedila logariacutetmica entre o preccedilo bruto e o preccedilo de referecircncia Poreacutem
calcular o preccedilo referecircncia de cada accedilatildeo envolve diversas anaacutelises e variaacuteveis que natildeo
estatildeo no foco do trabalho Por isto utilizamos como alternativa para tal preccedilo uma meacutedia
moacutevel exponencial que seraacute considerada o preccedilo de referecircncia No caacutelculo da aproximaccedilatildeo
para o valor definimos uma janela moacutevel de tamanho 12 composta pelos dados observados
1A Bloomberg eacute uma empresa privada que oferece serviccedilos para profissionais do mercado com foco emsoftware dados e miacutedia financeira privada Foi fundada por Michael Bloomberg em 1981
9
da amostra analisada A escolha do valor de S = 12 foi baseada em aspectos experimentais
de trabalhos anteriores (RESENDE et al 2017) e tambeacutem considerando que em uma hora
de negociaccedilatildeo temos 12 candles com frequecircncia de cotaccedilatildeo de 5 minutos
25 Exploraccedilatildeo do modelo
No capiacutetulo 6 vamos explorar os diversos paracircmetros do modelo Poreacutem o objetivo principal
natildeo eacute encontrar paracircmetros oacutetimos mas sim selecionar uma combinaccedilatildeo que apresente
bons resultados de acuraacutecia2 na previsatildeo de tendecircncia Para isto exploramos as seguintes
combinaccedilotildees de paracircmetros do modelo
bull Variaccedilatildeo do tamanho da janela de pontos utilizada no ajuste
Aplicamos quantidades diferentes de pontos R ao ajuste e definimos baseados nos
resultados um valor considerado satisfatoacuterio como paracircmetro para ajustes futuros
bull Variaccedilatildeo da quantidade de accedilotildees Utilizando a quantidade de pontos definida no
item anterior variamos a quantidade n de accedilotildees envolvidas na anaacutelise O valor inicial
de n foi a combinaccedilatildeo miacutenima de 2 accedilotildees incrementando 1 accedilatildeo na ordem do seu
peso de participaccedilatildeo nas carteiras ateacute o valor maacuteximo de n = 30 para accedilotildees do Dow
Jones e n = 58 para as accedilotildees que compotildeem o Ibovespa
bull Variaccedilatildeo da granularidade dos dados
Analisamos as frequecircncias de cotaccedilotildees de 5 10 15 20 e 30 minutos para avaliar em
qual granularidade o modelo obteacutem as melhores taxas de previsatildeo de tendecircncia
Tambeacutem exploramos o modelo tendo em vista as seguintes anaacutelises
bull Taxas de acerto de tendecircncias em funccedilatildeo do expoente de Hurst
Nesta anaacutelise estamos interessados em estudar o comportamento de persistecircncia
e anti-persistecircncia das seacuteries de preccedilos brutos das accedilotildees e investigar se haacute uma
relaccedilatildeo entre os resultados e o poder de previsibilidade do modelo
bull Taxas de acerto de tendecircncias em quadrimestres diferentes
O intuito desta anaacutelise eacute investigar se as taxas de acertos obtidas no primeiro quadri-
mestre apresentam correlaccedilatildeo com as taxas relativas ao segundo quadrimestre de
2017 Isto nos possibilita verificar a consistecircncia do modelo em diferentes periacuteodos
bull Votaccedilatildeo
Uma votaccedilatildeo entre tendecircncias apontadas pelos ajustes utilizando diferentes quantida-
des de pontos R tambeacutem deve ser elaborada Nesta votaccedilatildeo consideraremos como a
tendecircncia prevista a direccedilatildeo apontada pela maioria dos votantes e empate entre os
votantes como sinal para natildeo abrir novas posiccedilotildees no momento
bull Validaccedilatildeo estatiacutestica dos resultados
Testes de hipoacuteteses seratildeo aplicados aos resultados de taxas de acertos obtidas pelo
2Capiacutetulo 5 equaccedilatildeo (30)
10
modelo A hipoacutetese a ser testada eacute que a acuraacutecia do modelo eacute estatisticamente
diferente de 0 5
26 Simulaccedilatildeo
Depois de explorados e definidos paracircmetros satisfatoacuterios para o modelo no capiacutetulo
de simulaccedilatildeo realiacutestica (capiacutetulo 7) desenvolveremos duas estrateacutegias de negociaccedilatildeo
utilizando tais paracircmetros Estas estrateacutegias seratildeo denominadas modelo de operaccedilatildeo 1
(MO1) e modelo de operaccedilatildeo 2 (MO2) As accedilotildees utilizadas nos modelos de operaccedilatildeo foram
as 10 accedilotildees com maior liquidez no ano de 2017 e 2018 As seacuteries de dados utilizadas foram
de candles de 5 minutos Em ambos os modelos de operaccedilatildeo as posiccedilotildees satildeo abertas
quando o modelo de previsatildeo de tendecircncia envia um sinal natildeo neutro De acordo com este
sinal as operaccedilotildees de compra ou venda descoberta satildeo abertas No modelo de operaccedilatildeo 1
(MO1) as operaccedilotildees satildeo fechadas a cada passo de tempo (fechamento do candle) Jaacute no
modelo de operaccedilatildeo 2 (MO2) as posiccedilotildees satildeo fechadas de acordo com valores de stop
gain e stop loss definidos
27 Avaliaccedilatildeo dos resultados do modelo
A anaacutelise dos resultados obtidos com os modelos de operaccedilatildeo nos permite avaliar as
caracteriacutesticas de cada estrateacutegia apontando as vantagens e desvantagens de cada uma
delas As variaacuteveis levadas em consideraccedilatildeo seratildeo baseadas em risco de exposiccedilatildeo ao
mercado retorno financeiro taxas operacionais e capital alocado A figura 2 mostra as
etapas e organizaccedilatildeo do trabalho descritas anteriormente
11
Tamanho de R
Numero de accedilotildees
Granularidade do dados
Quadrimestres
Expoente de Hurst
Votaccedilatildeo
Revisatildeo
bibliograacutefica
Simulaccedilatildeo
Exploraccedilatildeo do
modelo
Modelo Coleta de dadosTratamento dos
dados
Modelo de
previsatildeo
Resultados
Paracircmetros
MO1 MO2
Figura 2 ndash Organizaccedilatildeo geral do trabalho Na etapa de revisatildeo bibliograacutefica uma pesquisaeacute realizada para identificar o estado da arte do tema abordado bem como asteacutecnicas de previsatildeo utilizadas no mercado de accedilotildees Na parte do modeloapresentamos a formulaccedilatildeo do modelo baseado em um sistema de equaccedilotildeesdiferenciais lineares e a sua adaptaccedilatildeo para um novo modelo de ajuste de pontosa definiccedilatildeo e o tratamento dos dados bem como a definiccedilatildeo de um modelo deprevisatildeo de tendecircncia de preccedilos Na etapa de exploraccedilatildeo o modelo foi testadoem diferentes cenaacuterios investigando a influecircncia do tamanho de R nuacutemero deaccedilotildees granularidade dos dados e outros paracircmetros nos resultados do modeloNa simulaccedilatildeo desenvolvemos duas estrateacutegias de negociaccedilatildeo (MO1 e MO2)baseadas no modelo de previsatildeo e utilizando os paracircmetros definidos Na fasede resultados apresentamos a anaacutelise dos resultados obtidos com os modelosde operaccedilatildeo
12
Capiacutetulo 3
Trabalhos relacionados
Neste capiacutetulo vamos apresentar uma breve revisatildeo bibliograacutefica dos trabalhos relativos ao
tema da pesquisa Na seccedilatildeo 31 vamos relacionar os principais trabalhos sobre Hipoacutetese
de Mercado Eficiente (HME) Na seccedilatildeo 32 apresentaremos trabalhos que exploram a
racionalidade dos agentes do mercado por meio de estudos em financcedilas comportamentais
Nas seccedilotildees 33 e 34 descreveremos alguns trabalhos que investigam desvios da HME por
meio de modelos de previsatildeo e por anaacutelises utilizando algumas ferramentas estatiacutesticas
31 Hipoacutetese de Mercado Eficiente
Em um mercado eficiente os preccedilos dos ativos deveriam assimilar e refletir imediatamente
toda informaccedilatildeo relevante disponiacutevel Esta eacute a denominada Hipoacutetese de Mercado Eficiente
(HME)
De acordo com a HME o comportamento dos investidores eacute racional e natildeo existe memoacuteria
nas seacuteries de preccedilos que possibilite oportunidade de arbitragem A Hipoacutetese de Mercado
Eficiente foi apresentada matematicamente por (SAMUELSON 1965) mostrando que
as flutuaccedilotildees dos preccedilos acontecem de forma aleatoacuteria a expectativa para o preccedilo em
t + 1 eacute o preccedilo no tempo t Seus teoacutericos defendem que os preccedilos caminham para um
ponto de equiliacutebrio e com isso natildeo eacute possiacutevel obter ganhos demasiados sem correr
riscos proporcionais Defendem que toda informaccedilatildeo relevante estaacute disponiacutevel e que logo
eacute absorvida e processada pelo mercado sendo desta forma refletida nos valores dos
ativos (MANTEGNA STANLEY 1999) Os mercados seriam assim capazes de reunir a
sabedoria coletiva e precificar os ativos com precisatildeo
Trecircs formas diferentes de HME satildeo consideradas fraca semi-forte e forte Um mercado eacute
dito eficiente na forma fraca quando toda as informaccedilotildees puacuteblicas disponiacuteveis satildeo absorvidas
imediatamente
13
No niacutevel semi-forte considera-se que o mercado reflete toda a informaccedilatildeo publicamente
disponiacutevel incluindo informaccedilotildees obtidas atraveacutes de demonstraccedilotildees contaacutebeis publicadas
e informaccedilotildees histoacutericas A diferenccedila entre a eficiecircncia semi-forte e a eficiecircncia fraca eacute
que a semi-forte exige dos agentes uma anaacutelise completa de dados fundamentalistas das
empresas Esse tipo de anaacutelise requer um maior embasamento teoacuterico para avaliar com
propriedade empresas ou setores da economia Isso implica conhecimento tempo e custo
o que pode limitar a forma de eficiecircncia do mercado
Um mercado eacute eficiente no sentido forte quando reflete aleacutem das informaccedilotildees publicamente
disponiacuteveis e das histoacutericas de preccedilos as informaccedilotildees privadas Este niacutevel engloba as hipoacute-
teses fraca e semi-forte e considera que os preccedilos refletem imediatamente toda informaccedilatildeo
puacuteblica e privada inerente ao ativo
No entanto considerando todas as caracteriacutesticas um mercado dito eficiente na forma mais
estrita eacute um sistema idealizado Em mercados reais resiacuteduos de ineficiecircncia satildeo observa-
dos Mercados reais satildeo apenas uma aproximaccedilatildeo do mercado eficiente(MANTEGNA
STANLEY 1999) A eficiecircncia de mercado tem sido investigada em muitos contextos utili-
zando uma variedade de ferramentas estatiacutesticas (BARKOULAS BAUM 1996 GRECH
MAZUR 2004 CAJUEIRO TABAK 2004 ZUNINO et al 2007 CHORDIA ROLL SU-
BRAHMANYAM 2008 BELAIRE-FRANCH OPONG 2010 CAGINALP DESANTIS 2011
CHARLES DARNEacute KIM 2012 AL-KHAZALI PYUN KIM 2012 LAZAR TODEA FILIP
2012 CHOUDHRY JAYASEKERA 2012 CHOUDHRY JAYASEKERA 2014 KATUSIIME
SHAMSUDDIN AGBOLA 2015 NTIM et al 2015 CURME STANLEY VODENSKA 2015
PODOBNIK et al 2006) Analistas teacutecnicos tambeacutem acreditam que eacute possiacutevel obter in-
formaccedilatildeo sobre os preccedilos baseados em dados histoacutericos Em financcedilas comportamentais
o comportamento irracional dos investidores tambeacutem tem sido investigado (KAHNEMAN
TVERSKY 1979 SHILLER FISCHER FRIEDMAN 1984)
Desvios da Hipoacutetese de Mercado Eficiente tambeacutem tecircm sido associados a diversos fatores
tais como custos de operaccedilatildeo (LIU 2010) baixa liquidez (CHORDIA ROLL SUBRAH-
MANYAM 2008 CHUNG HRAZDIL 2010) limitaccedilotildees no fluxo de informaccedilatildeo (ROSS
1989 HEALY PALEPU 2001 BRUNNERMEIER 2005) intervenccedilotildees do banco central
(RAFFERTY TOMLJANOVICH 2002 BORDO LANDON-LANE 2013 ALONSO-RIVERA
CRUZ-AKEacute VENEGAS-MARTIacuteNEZ 2014 CHEN HUANG SU 2014) incertezas poliacuteticas
(PASQUARIELLO ZAFEIRIDOU 2014) e crises financeiras (LIM BROOKS KIM 2008)
No estudo realizado por (SHARMA BANERJEE 2015) nos variados setores da Bolsa
de valores de Bombaim1 (BSE) em um periacuteodo de 8 anos (abril 2006 a marccedilo 2014) os
resultados indicam que os dados natildeo satisfazem agrave suposiccedilatildeo de normalidade Mostram
que os retornos dos ativos analisados satildeo guiados por curvas assimeacutetricas e com caudas1Foi fundada em 1875 e eacute a principal bolsa de valores da Iacutendia
14
pesadas indicando tambeacutem que o mercado natildeo segue a hipoacutetese de random walk
Nas proacuteximas seccedilotildees vamos apresentar de forma sucinta alguns trabalhos no contexto
de investigaccedilatildeo de desvios da HME por meio de estudos em financcedilas comportamentais
modelos de previsatildeo e expoente de Hurst
32 Financcedilas comportamentais
No trabalho (KAHNEMAN TVERSKY 1979) Kahneman e Tversky se uniram e seus
estudos foram essenciais para quebrar os paradigmas que existiam em teoria de financcedilas
Satildeo considerados os precursores da chamada economia comportamental Eles estudaram
e exploraram os desvios e falhas de racionalidade na tomada de decisotildees por meio do
comportamento humano no mercado Em 1979 desenvolveram a Teoria da Perspectiva
tambeacutem conhecida como Teoria do Prospecto (Prospect Theory) As teorias racionais
consideram que agentes idealizados tomam decisotildees de forma racional jaacute a Teoria da
Perspectiva surge como um questionamento a esta completa racionalidade dos agentes o
que denominaram de racionalidade limitada
Na teoria apresentada os autores observaram que os agentes tomam suas decisotildees
baseados nos valores de perdas e ganhos e natildeo no resultado final Desta forma tentam
evitar perdas sendo este o foco principal De forma geral satildeo mais impactados pelas
perdas do que pelos ganhos Esta atitude estaacute associada agrave aversatildeo ao risco prolongando
posiccedilotildees em ativos perdedores para evitar assumir prejuiacutezo Diante disso formularam a
Teoria da Perspectiva que eacute uma criacutetica agrave Teoria da Utilidade (KAHNEMAN TVERSKY
1979) Em resumo a Teoria da Perspectiva tem como objetivo estudar o comportamento de
tomada de decisatildeo humana no mercado Jaacute a Teoria da Utilidade tem como objetivo mostrar
qual a melhor decisatildeo a ser tomada A Teoria da Perspectiva concebe que os agentes tecircm
mais aversatildeo ao risco sendo que tendem a evitar perder algo a ganhar sendo assimeacutetrica
a relaccedilatildeo ganho e perda Jaacute a Teoria da Utilidade considera que perdas e ganhos tecircm o
mesmo efeito e magnitude
A anaacutelise sugere que um agente que natildeo aceita a perda e tem uma falha de adaptaccedilatildeo
estaacute sujeito a aceitar apostas mais arriscadas que provavelmente natildeo seriam aceitas em
outras circunstacircncias (KAHNEMAN TVERSKY 1979) Na anaacutelise tambeacutem realizada por
(TVERSKY KAHNEMAN 1991) a aversatildeo agraves perdas (loss aversion) eacute investigada e sugere
que o impacto das desvantagens eacute maior que vantagens auferidas implicando aversatildeo
dos agentes a perdas e realccedilando a assimetria da funccedilatildeo de utilidade de ganhos e perdas
Outra observaccedilatildeo foi que quando o preccedilo estaacute aumentando o impacto na decisatildeo de
consumo eacute maior A relutacircncia para aceitar perdas foi observada nos agentes Um estudo
no mercado de accedilotildees mostrou que o nuacutemero de operaccedilotildees aumenta quando o mercado
15
estaacute em tendecircncia de alta sendo assim a propensatildeo a compras eacute maior quando o preccedilo
do ativo estaacute subindo (TVERSKY KAHNEMAN 1991)
Na mesma linha os autores de (MERKLE MUumlLLER-DETHARD WEBER 2020) desenvolve-
ram experimentos para analisar a exposiccedilatildeo ao risco depois de realizadas e natildeo realizadas
perdas e tambeacutem para investimentos com diferentes assimetrias O estudo explorava os
desvios e falhas de racionalidade na tomada de decisotildees Os resultados de tais experimen-
tos evidenciaram que os agentes se expotildeem a riscos menores depois de perdas realizadas
e mais riscos depois de perdas ainda natildeo realizadas definido como efeito de realizaccedilatildeo
No trabalho publicado por (KAHNEMAN et al 2016) os autores exploram o conceito de
ruiacutedos como fonte de inconsistecircncia e irracionalidade em resultados Argumentam que
algoritmos estatildeo menos propensos a apresentarem tais ruiacutedos e vieses nas tomadas de
decisotildees
No estudo (HOMMES KOPAacuteNYI-PEUKER SONNEMANS 2020) desenvolveram um experi-
mento com grupos de agentes do mercado e investigou-se a formaccedilatildeo de bolhas nos preccedilos
No experimento observaram que o contaacutegio atraveacutes de notiacutecias afeta o comportamento
de tais agentes Por outro lado no trabalho (FAN et al 2009) os autores desenvolveram
um modelo baseado em autocircmatos celulares para descrever a dinacircmica do mercado de
accedilotildees e investigar se o grau de imitaccedilatildeo entre os agentes influencia a complexidade e
estabilidade do mercado Os resultados obtidos com o mercado simulado sugerem que haacute
uma correlaccedilatildeo entre tais fatores Tambeacutem observaram que quando o comportamento dos
agentes eacute distribuiacutedo de forma aleatoacuteria o mercado tende a ser mais estaacutevel
Em (CAGINALP ERMENTROUT 1990) os autores desenvolveram um modelo utilizando
equaccedilotildees diferenciais que incorpora o aspecto emocional dos investidores em um mercado
financeiro teoacuterico Resultados indicaram que fatores psicoloacutegicos satildeo capazes de influenciar
a estabilidade dos preccedilos evidenciando desvios da hipoacutetese de mercado eficiente
33 Trabalhos aplicados em previsatildeo
Haacute na literatura uma abundacircncia de artigos interessados na previsatildeo da dinacircmica do
mercado Alguns dos trabalhos estudados utilizam teacutecnicas computacionais interessados
na possibilidade de explorar possiacuteveis desvios de eficiecircncia do mercado e com isso obter
estimativas razoaacuteveis para preccedilos futuros
No trabalho (CARBONE CASTELLI STANLEY 2004) os autores argumentam que a
modelagem para previsatildeo de retorno e volatilidade de preccedilos eacute a principal tarefa da pesquisa
financeira A atividade neste sentido tem sido mantida pela suposiccedilatildeo de que muitas
seacuteries financeiras temporais apresentam algum padratildeo de correlaccedilatildeo e pela oportunidade
16
de arbitragem Se correlaccedilatildeo de longo prazo estaacute presente nas seacuteries de retornos de
ativos financeiros entatildeo a hipoacutetese de que o preccedilo segue um caminho completamente
aleatoacuterio natildeo eacute vaacutelida (CAJUEIRO TABAK 2004) Podemos destacar algumas contribuiccedilotildees
relacionadas agrave aacuterea de previsatildeo realizada por (RECHENTHIN STREET 2013) e (OLIVEIRA
NOBRE ZARATE 2013) Na primeira contribuiccedilatildeo os autores realizam um estudo utilizando
probabilidade condicional para identificar continuidade e reversatildeo de tendecircncias de preccedilos
em dados de negociaccedilotildees em alta frequecircncia O estudo eacute realizado para os dados dos
preccedilos do fundo de accedilotildees do SampP 500 para as frequecircncias de cotaccedilotildees de 1 3 5 10 e 20
segundos e 1 5 e 30 minutos Os autores concluem que o mercado apresenta ineficiecircncia
ateacute aproximadamente 30 minutos Para intervalos maiores o mercado analisado caminha em
direccedilatildeo a se tornar mais eficiente Jaacute na contribuiccedilatildeo (OLIVEIRA NOBRE ZARATE 2013)
os autores desenvolveram um modelo baseado em redes neurais artificiais As entradas da
rede satildeo alguns indicadores teacutecnicos e fundamentalistas juntamente com a seacuterie de preccedilos
da accedilatildeo preferencial da Petrobraacutes (PETR4) e a saiacuteda da rede eacute o preccedilo previsto As taxas
de acerto do preccedilo e de sua tendecircncia para as configuraccedilotildees das redes e os periacuteodos
apresentados satildeo satisfatoacuterias
Na referecircncia (ATSALAKIS VALAVANIS 2009) os autores realizam uma revisatildeo de artigos
baseados em modelos que utilizam teacutecnicas derivadas de redes neurais e fuzzy aplicadas na
previsatildeo de valores de mercados Nesta contribuiccedilatildeo satildeo apresentados diversos trabalhos
que satildeo classificados de acordo com o tipo de processamento de dados as variaacuteveis de
entrada tamanho da amostra tipo e caracteriacutestica da teacutecnica de implementaccedilatildeo bem como
meacutetodo de treinamento e validaccedilatildeo Os artigos aplicam os diferentes modelos na previsatildeo
de accedilotildees especiacuteficas portfoacutelios e iacutendices de mercados desenvolvidos e emergentes Os
autores encontraram dificuldades na definiccedilatildeo dos modelos em relaccedilatildeo agrave estrutura das
redes no que se refere agrave quantidade de camadas neurocircnios e outras paracircmetros
Na referecircncia (ATSALAKIS K 2013) o autor analisa 150 artigos cientiacuteficos que utilizam
teacutecnicas de previsatildeo de mercados de accedilotildees baseadas em modelos autoregressivos (AR)
meacutedia moacutevel (MA) autoregressivo com meacutedia moacutevel (ARMA) autoregressivo integrado com
meacutedia moacutevel (ARIMA) autoregressivo generalizado condicional (GARCH) dentre outros
Na revisatildeo satildeo observadas as teacutecnicas de processamento e tratamento dos dados bem
como os resultados e anaacutelise estatiacutestica dos modelos
No trabalho (GARCIA et al 2020) os autores natildeo argumentam que o mercado pode ser
representado por uma dinacircmica linear mas baseiam-se na suposiccedilatildeo de que possa existir
componentes lineares na dinacircmica das seacuteries Baseados nisso propotildeem um modelo para
capturar tal comportamento atraveacutes de um oscilador harmocircnico amortecido em que tentam
descrever a dinacircmica das oscilaccedilotildees de preccedilos comumente observadas no mercado pela
suposiccedilatildeo de que os preccedilos retornam a um preccedilo justo assimilando a restauraccedilatildeo das
17
forccedilas Os paracircmetros obtidos na janela analisada satildeo utilizados como estimativas para
fazer a previsatildeo dos preccedilos futuros adjacentes
Na referecircncia (MEI et al 2017) os autores realizam um estudo para investigar a melhora
na previsatildeo de volatilidade do mercado de accedilotildees utilizando dados de alta frequecircncia e
incorporando assimetria e curtose como variaacuteveis adicionais aos modelos de volatilidade
comuns Argumentam que o uso de dados de alta frequecircncia permite melhor compreensatildeo
da dinacircmica dos preccedilos facilitando a previsatildeo de volatilidade e com isso melhorando a
alocaccedilatildeo de portfoacutelio e o gerenciamento de risco
No trabalho apresentado em (NELSON PEREIRA OLIVEIRA 2017) os autores estudam o
uso de redes neurais recorrentes em particular a rede LSTM (Long-Short term memory)
para a previsatildeo de tendecircncias de preccedilos de accedilotildees utilizando dados histoacutericos e tambeacutem
a combinaccedilatildeo de indicadores da anaacutelise teacutecnica A investigaccedilatildeo foi realizada no mercado
brasileiro para dados com frequecircncia de cotaccedilatildeo de 15 minutos para as accedilotildees que compotildeem
o iacutendice Ibovespa no periacuteodo avaliado As acuraacutecias obtidas satildeo avaliadas de acordo com
meacutetricas estabelecidas e comparadas com outros modelos de previsatildeo tradicionais que
tambeacutem utilizam redes neurais De acordo com os autores os resultados satildeo promissores
Algoritmos de automatizaccedilatildeo de estrateacutegias e operaccedilotildees tambeacutem tecircm sido foco de vaacuterias
pesquisas na aacuterea Muitos destes trabalhos utilizam redes neurais artificiais para a constru-
ccedilatildeo dos modelos de previsatildeo Em (NAMETALA et al 2016) os autores desenvolveram uma
estrateacutegia automatizada que combina redes neurais artificiais e preditores economeacutetricos
para gerar sinais de compra ou venda por meio de um modelo de negociaccedilatildeo incorporado
ao algoritmo
A previsatildeo da direccedilatildeo dos preccedilos de ativos em mercados de accedilotildees eacute uma tarefa complicada
e tem sido um grande desafio mas que tem chamado a atenccedilatildeo de pesquisadores e agentes
de mercado tornando-se um campo de pesquisas promissoras Assim as pesquisas natildeo se
limitam apenas a estes trabalhos citados aqui Um amplo conjunto de teacutecnicas e modelos
de vaacuterias aacutereas tem sido empregado neste cenaacuterio com o objetivo de entender e modelar o
movimento deste sistema dinacircmico e complexo que eacute o mercado
34 Expoente de Hurst
O expoente de Hurst foi resultado de estudos realizados pelo hidroacutelogo britacircnico Harold
Edwin Hurst para o projeto de uma represa em meados 1951 Neste ele verificou que
alguns fenocircmenos da natureza natildeo se comportavam de maneira aleatoacuteria Tais fenocircmenos
observados possuiacuteam uma dependecircncia dentre eles as flutuaccedilotildees do rio Nilo e a partir
disso ele criou o meacutetodo para verificar a dependecircncia de longo alcance
18
Os modelos econocircmicos apresentados nos artigos (CARBONE CASTELLI STANLEY
2004) e (CAJUEIRO TABAK 2004) testam a hipoacutetese de mercado eficiente utilizando a
metodologia do expoente de Hurst O expoente de Hurst eacute calculado utilizando dados de
seacuteries temporais com o objetivo de observar o seu comportamento O resultado assume
valores entre 0 e 1 Valores proacuteximos de 1 indicam persistecircncia valores proacuteximos de zero
indicam anti-persistecircncia e valores proacuteximos de 0 5 indicam que a seacuterie natildeo possui tendecircn-
cia Uma vez que o meacutetodo DFA objetiva retirar tendecircncias das seacuteries quando ele eacute usado
a interpretaccedilatildeo sobre persistecircncia e anti persistecircncia vale para as seacuteries sem tendecircncia No
artigo (CARBONE CASTELLI STANLEY 2004) os autores calcularam o expoente de Hurst
para seacuteries artificiais de fractais e em seacuteries dos log retornos do DAX2 e BOBL 3 utilizando
o meacutetodo DFA (detrended fluctuation analysis) e DMA (detrending moving average) Para
as seacuteries de preccedilos reais de ativos encontraram valores fora da faixa de variabilidade local
indicando que o mercado natildeo segue o movimento browniano Este resultado contraria a
Hipoacutetese de Mercado Eficiente onde os expoentes devem ser proacuteximos de 0 5 Jaacute no
artigo (CAJUEIRO TABAK 2004) com o objetivo de mostrar que mercados emergentes
satildeo menos eficientes que mercados desenvolvidos os autores calculam o expoente de
Hurst das seacuteries dos iacutendices de 11 mercados emergentes e de 2 paiacuteses desenvolvidos
Como resultado encontraram que a dinacircmica do expoente de Hurst para paiacuteses desen-
volvidos se aproxima de passeio aleatoacuterio sem vieacutes flutuando em torno do valor 0 5 Nos
paiacuteses emergentes os valores dos expoentes apresentam uma maior variaccedilatildeo indicando
certos niacuteveis de ineficiecircncia com predominacircncia de persistecircncia Ainda de acordo com
(CAJUEIRO TABAK 2004) a maior ineficiecircncia em mercados emergentes pode estar
relacionada a algumas caracteriacutesticas que os diferenciam dos mercados desenvolvidos
relacionadas agrave velocidade de propagaccedilatildeo de informaccedilotildees ao fluxo de capitais e agrave eficiecircncia
no processo de negociaccedilatildeo Na mesma linha os autores do artigo (CAGINALP DESANTIS
2011) afirmam que em um paiacutes em desenvolvimento em um mercado de accedilotildees em iniacutecio
de implantaccedilatildeo pode ser esperada ineficiecircncia devida agrave dificuldade de capitalizaccedilatildeo dos
ativos ao menor nuacutemero e agrave falta de experiecircncia dos investidores Quanto agrave ineficiecircncia
atribuiacuteda agrave quantidade de capital disponiacutevel resultados experimentais mostram que um
desbalanceamento entre a quantidade de capital e de ativos pode levar o mercado a preccedilos
incorretos (CAGINALP 2002) Esse resultado sugere que o preccedilo negociado no mercado eacute
reflexo tambeacutem do fluxo de recursos e natildeo apenas do preccedilo verdadeiro do ativo Outros
resultados experimentais que indicam a ineficiecircncia de mercado podem ser encontrados
em (CAGINALP PORTER SMITH 2000)
2Iacutendice que representa as 30 maiores empresas de capital aberto da Alemanha3Tiacutetulo do governo federal alematildeo
19
Capiacutetulo 4
Fundamentaccedilatildeo teoacuterica
Neste capiacutetulo vamos descrever de forma sucinta alguns conceitos de financcedilas necessaacuterios
para a compreensatildeo do trabalho O mercado de capitais eacute um amplo sistema financeiro que
envolve diversas variaacuteveis que natildeo seratildeo contempladas neste trabalho Vamos concentrar
nossos estudos no mercado de accedilotildees por isso vamos estender as discussotildees para
definiccedilotildees relacionados a este mercado
41 Fundamentaccedilatildeo teoacuterica em financcedilas
O mercado financeiro eacute um extenso sistema que envolve diversos tipos de mercados dentre
eles o mercado de renda variaacutevel que eacute aquele em que natildeo se pode dimensionar os
resultados do investimento no momento da aplicaccedilatildeo As accedilotildees satildeo tiacutetulos especiacuteficos
deste mercado de renda variaacutevel Satildeo fraccedilotildees do capital social de uma empresa de capital
aberto (sociedade anocircnima) Cada empresa tem o seu coacutedigo de negociaccedilatildeo na bolsa
que no Brasil geralmente eacute dado por quatro letras seguidas de um nuacutemero Podem ser
negociadas em lotes padratildeo ou fracionaacuterio Elas podem ser do tipo ordinaacuterias (ON) ou
preferenciais (PN) As principais diferenccedilas entre os dois tipos eacute que a preferencial tem
preferecircncia no recebimento de proventos e tambeacutem preferecircncia e reembolso de capital em
caso de liquidaccedilatildeo da empresa jaacute a ordinaacuteria concede direito a voto nas assembleacuteias de
acordo com o volume de participaccedilatildeo em ativos A remuneraccedilatildeo aos acionistas eacute dada por
meio de proventos como dividendos juros sobre capital proacuteprio bonificaccedilotildees e direito de
subscriccedilatildeo Os dividendos correspondem ao valor de parte do lucro obtido pela empresa
que eacute distribuiacutedo aos acionistas Juros sobre capital proacuteprio satildeo valores pagos em dinheiro
poreacutem deduzido do lucro tributaacutevel da empresa Do ponto de vista do acionista a diferenccedila
do recebimento entre os dois eacute que os dividendos natildeo tem incidecircncia de imposto de renda jaacute
os juros sobre capital proacuteprio tem uma aliacutequota de 15 sobre o valor recebido A bonificaccedilatildeo
eacute quando a empresa distribui a cada acionista uma quantidade de accedilotildees proporcional
agraves possuiacutedas em custoacutedia A subscriccedilatildeo confere ao acionista o direito de adquirir uma
20
quantidade proporcional agraves suas a um preccedilo preestabelecido pela empresa
As negociaccedilotildees em accedilotildees no Brasil satildeo realizadas na B3 comumente conhecida como
Bovespa que eacute a bolsa de Valores Mercadorias e Futuros de Satildeo Paulo que atua no
segmento BMampFBOVESPA A B3 administra uma uacutenica plataforma de negociaccedilatildeo multiativos
ndash o PUMA Trading System Atraveacutes deste sistema satildeo realizadas as operaccedilotildees com ativos
de renda variaacutevel renda fixa derivativos e commodities (BMampFBOVESPA 2020b) Os
custos transacionais para operar accedilotildees na B3 satildeo taxa de corretagem e emolumentos que
satildeo divididos em taxa de liquidaccedilatildeo negociaccedilatildeo e registro O imposto de renda eacute cobrado
sobre o valor do ganho nas operaccedilotildees sendo 20 para day trade e 15 em operaccedilotildees
comuns
O Ibovespa eacute o principal iacutendice de accedilotildees da B3 Eacute composto por uma carteira teoacuterica
contendo em meacutedia sessenta principais accedilotildees listadas na bolsa sendo um importante indi-
cador de desempenho destas empresas A cada quatro meses a composiccedilatildeo eacute reavaliada
e as accedilotildees satildeo incluiacutedas (excluiacutedas) de acordo com os criteacuterios descritos na sua metodo-
logia de seleccedilatildeo levando em consideraccedilatildeo o nuacutemero de negoacutecios e o volume financeiro
(BMampFBOVESPA 2015) A composiccedilatildeo do Ibovespa em janeiro de 2017 eacute apresentada
na tabela 26 anexo A Jaacute o Dow Jones tambeacutem referenciado como Dow Jones Industrial
Average eacute um iacutendice do mercado americano que representa a negociaccedilatildeo das 30 maiores e
mais importantes empresas de capital aberto negociadas A sua composiccedilatildeo em janeiro de
2017 eacute apresentada na tabela 27 anexo B O Dow Jones eacute um dos principais indicadores
do movimento do mercado americano e tem grande influecircncia sobre outros mercados tal
como o mercado brasileiro
As negociaccedilotildees no mercado de accedilotildees satildeo realizadas por meio de ordens lanccediladas na
corretora e que posteriormente satildeo enviadas agrave bolsa As ordens podem ser enviadas
atraveacutes do home broker que eacute uma plataforma oferecida pelas corretoras para possibilitar
a conexatildeo e o envio de ordens agrave bolsa ou atraveacutes de outras plataformas de negociaccedilatildeo
contratadas pelos agentes As ordens enviadas podem ser do tipo a mercado ordem limite
ou ordem stop Na ordem a mercado a operaccedilatildeo eacute realizada no preccedilo atual do ativo Na
ordem limite o preccedilo eacute definido e a operaccedilatildeo soacute ocorreraacute se o valor for atingido ou em casos
especiacuteficos em um preccedilo melhor do que o definido Jaacute na ordem stop eacute possiacutevel enviar
ordens com valores de ganhos (perdas) preacute definidos para uma operaccedilatildeo Nesta opccedilatildeo
as ordens soacute seratildeo disparadas quando o preccedilo for atingido Os stops satildeo ferramentas
de seguranccedila utilizadas para controlar a perda maacutexima aceitaacutevel (stop loss) e o ganho
almejado (stop gain) definido para uma estrateacutegia O perfil do investidor pode ser definido
como conservador moderado ou agressivo (arrojado) de acordo com a sua toleracircncia a
riscos
As operaccedilotildees no mercado de accedilotildees brasileiro podem ser classificadas com base na
21
frequecircncia em que realizam-se as transaccedilotildees Day trade eacute uma estrateacutegia de curta duraccedilatildeo
em que as posiccedilotildees em ativos satildeo abertas e fechadas em um mesmo dia Swing trade eacute
modalidade em que as operaccedilotildees satildeo fechadas em intervalos menores de dias geralmente
de dois a cinco dias Jaacute em operaccedilotildees de position trade as transaccedilotildees satildeo realizadas em
frequecircncias maiores pensando em longo prazo
No mercado de accedilotildees o retorno eacute dado pela diferenccedila percentual entre o preccedilo no tempo
t e t minus 1 Eacute usual considerar-se retornos logariacutetmicos que satildeo dados pela diferenccedila dos
logaritmos dos preccedilos no tempo t e tminus 1 A volatilidade estaacute relacionada agrave amplitude de
variaccedilatildeo destes retornos Quanto mais os preccedilos de um ativo variam em um intervalo de
tempo maiores as possibilidades de ganhos ou perdas em operaccedilotildees Em alguns modelos
a volatilidade eacute utilizada como medida de risco da estrateacutegia Jaacute a liquidez de um ativo
refere-se agrave capacidade deste converter-se em dinheiro sem perdas em relaccedilatildeo a isso
Quanto maior a liquidez menor a diferenccedila (spread) do preccedilo entre as ofertas de compra e
venda de um ativo
Seacuterie temporal eacute um conjunto de observaccedilotildees (dados) armazenadas ao longo de um
intervalo de tempo No mercado de accedilotildees as seacuteries podem ser compostas por valores de
fechamento abertura maacuteximo miacutenimo volume e outros dados de ativos Satildeo importantes
para a realizaccedilatildeo de backtests anaacutelises empiacutericas e caracterizaccedilatildeo de movimento e
oscilaccedilatildeo do mercado Tambeacutem satildeo utilizadas por analistas teacutecnicos na composiccedilatildeo de
graacuteficos
No mercado de accedilotildees existem duas metodologias de anaacutelises amplamente utilizadas e
que satildeo comumente chamada de escolas de anaacutelises teacutecnicas e fundamentalistas Anaacutelise
teacutecnica baseia-se na suposiccedilatildeo de que preccedilos passados podem ajudar a prever o movimento
futuro e para tanto utilizam-se graacuteficos para definir a dinacircmica dos preccedilos dos ativos Natildeo
leva em consideraccedilatildeo informaccedilotildees fundamentalistas das empresas pois acredita que o
graacutefico jaacute estaacute precificado com tais informaccedilotildees O candle (candlestick ) eacute a ferramenta da
anaacutelise teacutecnica mais utilizada no mercado de accedilotildees Representa graficamente a variaccedilatildeo do
preccedilo em um determinado intervalo de tempo Eacute formado por um corpo e sombras inferior e
superior sendo possiacutevel representar o preccedilo de abertura fechamento maacuteximo e miacutenimo na
frequecircncia analisada Na figura 3 mostramos os candles diaacuterios para o contrato futuro de
mini iacutendice no mecircs de outubro de 2020 Os candles na cor vermelha indicam que a abertura
foi maior que o fechamento sendo um candle de baixa Os candles na cor verde indicam
que a abertura foi menor que o fechamento sendo assim de alta As sombras inferiores
(superiores) tambeacutem denominadas pavios representam os valores miacutenimos (maacuteximos) na
frequecircncia analisada
22
0 2 4 6 8 10 12 14 16 18 20 22
Dias
93
94
95
96
97
98
99
10
101
102
103P
onto
s104
Figura 3 ndash Candles do WINZ20 Representa os dados da seacuterie de pontos diaacuterios do contratofuturo do mini iacutendice no mecircs de outubro de 2020 Os candles na cor vermelhaindicam que a abertura foi maior que o fechamento Candles na cor verde indicamque a abertura foi menor que o fechamento As sombras inferiores (superiores)indicam o valor miacutenimo (maacuteximo) do intervalo
A anaacutelise fundamentalista leva em consideraccedilatildeo vaacuterias informaccedilotildees financeiras para projetar
resultados futuros no meacutedio e longo prazo As projeccedilotildees satildeo baseadas principalmente em
interpretaccedilotildees de dados e indicadores disponibilizados atraveacutes de balanccedilos da empresa
Em ambas as anaacutelises eacute possiacutevel desenvolver um modelo e realizar um backtest utilizando
dados histoacutericos relevantes O backtest serve para testar a estrateacutegia e verificar como
ela se comportou em dados passados e com base nestes resultados tentar aplicar em
dados futuros com a perspectiva de que os resultados seratildeo aproximadamente replicados
Algumas plataformas que possibilitam o backtest apresentam certas limitaccedilotildees tais como
natildeo considerar execuccedilatildeo de ordem no preccedilo pior do que o esperado (slippage) natildeo simular
a fila do livro de ofertas natildeo replicar momentos de grande volatilidade e liquidez do ativo
bem como natildeo considerar a diferenccedila vigente entre o menor preccedilo de venda e o maior
preccedilo de compra (spread) Outro problema do backtest eacute a super otimizaccedilatildeo (overfit) que
23
consiste em trabalhar em um certo periacuteodo e otimizar todos os paracircmetros da estrateacutegia
para obter uma boa condiccedilatildeo naquele intervalo poreacutem em periacuteodos diferentes a estrateacutegia
natildeo apresenta bons resultados
Na nossa simulaccedilatildeo utilizamos alguns indicadores retornados pela plataforma de simulaccedilatildeo
que geralmente satildeo utilizados para avaliar o desempenho dos investimentos Estes seratildeo
descritos na seccedilatildeo seguinte
411 Indicadores utilizados nas estrateacutegias
Nesta seccedilatildeo vamos descrever os indicadores utilizados para medir o desempenho das
estrateacutegias que seratildeo apresentadas no capiacutetulo 7 Os caacutelculos dos indicadores econocircmicos
financeiros satildeo baseados principalmente nos valores de retorno e de capital inicial (Ci) e
final (Cf ) Os indicadores aqui apresentados satildeo os que a plataforma de simulaccedilatildeo retorna
e alguns casos satildeo ligeiramente diferentes dos usualmente utilizados no mercado
bull Perdas e ganhos - PNL
Mostra o resultado financeiro (lucro ou prejuiacutezo) apoacutes a execuccedilatildeo da estrateacutegia Eacute a
diferenccedila entre o capital possuiacutedo ao final da execuccedilatildeo da estrateacutegia e o capital inicial
investido
PNL = Cf minus Ci (1)
bull Retorno acumulado - ra
O retorno acumulado obtido com a estrateacutegia ao final da execuccedilatildeo eacute dado pelo razatildeo
entre o capital final possuiacutedo Cf e o capital inicial investido Ci
ra =CfCi (2)
bull Retorno anual esperado - EAR
Retorno estimado que a estrateacutegia alcanccedilaraacute em um periacuteodo de um ano mantendo a
mesma performance Eacute medido utilizando a inclinaccedilatildeo da regressatildeo linear da curva
de retorno acumulado por dia (slope)
EAR = 252times slope (3)
bull Estabilidade - R2
Mostra a estabilidade da estrateacutegia atraveacutes do coeficiente de determinaccedilatildeo R2 da
seacuterie de retornos acumulados O valor do coeficiente varia entre 0 e 1 Quanto maior
o valor de R2 maior a capacidade do modelo se ajustar agrave amostra
24
bull Volatilidade - V olatilidade
Mostra a volatilidade anualizada da estrateacutegia que eacute baseada no desvio padratildeo
dos retornos diaacuterios σr extrapolado para o periacuteodo de um ano Neste caacutelculo satildeo
considerados apenas os dias uacuteteis (252)
V olatilidade = σrradic
252 (4)
bull Sharpe - IS
Eacute um indicador utilizado para avaliar a relaccedilatildeo entre o risco e o retorno de um
investimento Mostra o retorno r acima de uma taxa livre de risco rf ajustado pela
volatilidade (risco) σ Quanto maior o Sharpe maior a expectativa de retorno frente ao
risco associado Eacute dado por
IS =r minus rfσ
(5)
bull Sortino - ISO
Eacute um indicador que como o iacutendice Sharpe avalia a relaccedilatildeo entre o risco e o retorno
de um investimento Poreacutem o Sortino leva em consideraccedilatildeo apenas a volatilidade
negativa σd anulando os desvios dos retornos positivos
ISO =r minus rfσd
(6)
bull Max Drawdown - MDD
Retrata a maior perda percentual que a estrateacutegia teve durante sua execuccedilatildeo
bull Beta - β
Eacute uma medida de volatilidade da estrateacutegia em relaccedilatildeo a um benchmark1 Mede o
quanto o desempenho da estrateacutegia segue o da economia em geral eacute dado por
β =cov(r rb)
var(rb) (7)
onde r eacute o retorno da estrateacutegia e rb o retorno do benchmark
bull Alpha - α
Este paracircmetro estima o quanto a estrateacutegia se destacou positivamente dos retornos
retratados pelo benchmark selecionado ou seja tenta mensurar quanto retorno a
estrateacutegia gerou acima do crescimentodecrescimento natural da economia
α = rd minus βrb (8)
onde rd eacute a meacutedia dos retornos diaacuterios da estrateacutegia rb eacute o retorno do benchmark e β
o coeficiente calculado1Paracircmetro utilizado como orientaccedilatildeo para avaliar o desempenho de um investimento
25
bull Value at Risk - V aR
Este paracircmetro estima o risco potencial de uma perda maacutexima de um ativo ou portfoacutelio
em um horizonte de tempo definido e com um determinado niacutevel de confianccedila Na
plataforma seu caacutelculo pelo meacutetodo parameacutetrico eacute feito assumindo a distribuiccedilatildeo
normal nos retornos diaacuterios de toda a carteira e considerando um niacutevel de confianccedila
de 95
V aR = ppf(0 05 rd σrd) (9)
onde ppf eacute a funccedilatildeo de densidade de probabilidade gaussiana rd eacute a meacutedia dos retor-
nos diaacuterios e σrd eacute o desvio padratildeo dos retornos diaacuterios O ponto de 5 corresponde
aproximadamente a 1645 desvios agrave esquerda da meacutedia dos retornos
26
Capiacutetulo 5
Modelos
Neste capiacutetulo vamos mostrar a formulaccedilatildeo do tratamento dos dados que seratildeo
utilizados nas etapas seguintes do trabalho a apresentaccedilatildeo de um modelo baseado
em um sistema de equaccedilotildees diferenciais lineares e a sua adaptaccedilatildeo para um novo
modelo de ajuste de pontos bem como a definiccedilatildeo de um modelo de previsatildeo de
tendecircncia de preccedilos
51 Tratamento dos dados
O preccedilo bruto de cada uma das n accedilotildees no tempo t isin Z1 eacute representado por xk(t)
(k = 1 2 middot middot middot n) Neste trabalho vamos utilizar dados com preccedilos tratados que
consistem nos desvios destes preccedilos brutos xk(t) em relaccedilatildeo a preccedilos considerados
justos Contudo determinar o preccedilo justo de cada accedilatildeo envolve diversas variaacuteveis que
natildeo estatildeo no foco do estudo Uma forma que estabelecemos como aproximaccedilatildeo para
o caacutelculo foi utilizar uma meacutedia moacutevel exponencial xk (t) calculada em um periacuteodo
precedente ao preccedilo bruto analisado definida como
xk (t) = (xk (tminus 1)minus xk (tminus 1))times 2
(S + 1)+ xk (tminus 1) (10)
onde S eacute um paracircmetro relacionado ao peso dado ao uacuteltimo valor xk(t) no caacutelculo e
xk (tminus 1) eacute a meacutedia moacutevel exponencial calculada no periacuteodo anterior2 Quanto maior o
tamanho de S menor o peso dado ao uacuteltimo preccedilo Neste trabalho utilizamos S = 12
1Embora t seja usualmente utilizado para definir tempo contiacutenuo no trabalho vamos utilizar para represen-tar tempo discreto
2A Eq (10) tem caracteriacutestica recursiva ou seja o caacutelculo de xk (t) depende de um valor de xk (t0) inicialDesta forma para o primeiro caacutelculo foi utilizada uma meacutedia simples calculada em uma janela de pontosprecedentes ao preccedilo analisado escolhida com tamanho S
xk(0) =1
S
t0minus1sumt=t0minusS
xk (t) (11)
27
para o caacutelculo das meacutedias moacuteveis que foram utilizadas como aproximaccedilatildeo para os
preccedilos justos Com isto a nova seacuterie de preccedilos tratados seraacute dada pela diferenccedila
entre o logaritmo dos preccedilos brutos e o logaritmo dos preccedilos considerados justos
definida como
Xk (t) = ln xk (t)minus ln xk (t) (12)
Consideramos que os desvios dos preccedilos brutos em relaccedilatildeo aos preccedilos justos eacute que
satildeo importantes para a representaccedilatildeo da dinacircmica das seacuteries Desta forma a partir
deste ponto em nossas anaacutelises utilizaremos as novas seacuteries de preccedilos tratados
Para ilustrar o comportamento das seacuteries construiacutemos a figura 4 que mostra o
logaritmo da seacuterie de preccedilos brutos x1 e da seacuterie de meacutedias moacuteveis x1 (em (a)) bem
como o logaritmo da seacuterie de preccedilos tratados X1 para a accedilatildeo ITUB4 (em (b)) A
escolha da seacuterie foi justificada por ser ITUB4 a accedilatildeo que tem a maior porcentagem
de participaccedilatildeo na carteira teoacuterica do Ibovespa do primeiro quadrimestre de 2017
Podemos observar que a curva das meacutedias moacuteveis representada pela linha pontilhada
eacute mais suave que a curva dos valores brutos Tambeacutem observamos que a curva de
preccedilos tratados X1 tende a se aproximar da origem apoacutes as variaccedilotildees observadas
52 Ajuste linear do dados
O modelo de equaccedilotildees diferenciais lineares que propusemos em (RESENDE et al
2017) eacute dado na formad
dtXa (t) = BXa (t) (13)
onde
Xa(t) =
X1(tminus n+ 1) middot middot middot X1(tminus 1) X1(t)
X2(tminus n+ 1) middot middot middot X2(tminus 1) X2(t)
Xn(tminus n+ 1) middot middot middot Xn(tminus 1) Xn(t)
e
B =
B11 B12 middot middot middot B1n
B21 B22 middot middot middot B2n
Bn1 Bn2 middot middot middot Bnn
A equaccedilatildeo (13) equivale a n equaccedilotildees do tipo
d
dt
X1(τ)
X2(τ)
Xn(τ)
= B
X1(τ)
X2(τ)
Xn(τ)
(14)
28
357
358
359
36
361
362lnx1lnx1
0 100 200 300 400 500minus002
minus001
0
001
002
003
t
lnX
1
(a)
(b)
Figura 4 ndash Comparaccedilatildeo de preccedilos brutos meacutedias moacuteveis e preccedilos tratados da seacuterieda ITUB4 (k = 1) A figura mostra 500 pontos com granularidade de 5 minutospara a accedilatildeo com maior participaccedilatildeo na carteira teoacuterica do Ibovespa no primeiroquadrimestre de 2017 (a) A linha contiacutenua representa a evoluccedilatildeo do logaritmodos preccedilos brutos lnx1 e a linha pontilhada descreve as meacutedias moacuteveis ln x1 (b)Representa os preccedilos tratados lnX1
com tminus n+ 1 le τ le t
Neste modelo consideramos que os desvios dos preccedilos brutos em relaccedilatildeo aos
preccedilos considerados justos satildeo os elementos importantes para a caracterizaccedilatildeo das
dinacircmicas das seacuteries
Discretizando o modelo de equaccedilotildees diferenciais representado pela equaccedilatildeo (13)
obtemos
Xa(t)minusXa(tminus 1)
∆t= BXa(t) (15)
equivalente a
29
Xa(tminus 1) = Xa(t)minus∆tBXa(t) (16)
= (Iminus∆tB)Xa(t)
onde I eacute a matriz identidade ntimesn Assumindo que Aa = (Iminus∆tB)minus1 existe podemos
escrever
Xa(t) = AaXa(tminus 1) (17)
No modelo apresentado acima se existir a inversa de Xa(tminus 1) podemos encontrar
as matrizes Aa perfeitamente ajustadas para a equaccedilatildeo (17) isto eacute o sistema definido
desta maneira apresenta soluccedilotildees que passam em todos os pontos no intervalo [tminusn
t] Agora adaptaremos o modelo buscando matrizes Aa que satildeo aproximadamente
ajustadas em intervalos maiores Para a definiccedilatildeo suponha que a evoluccedilatildeo dos preccedilos
tratados ainda possa ser expressa pela combinaccedilatildeo linear das n accedilotildees analisadas
sendo
X(t) = AX(tminus 1) + ε (18)
onde
X(t) =
X1(tminusR + 1) X1(tminus 1) X1(t)
X2(tminusR + 1) X2(tminus 1) X2(t)
Xn(tminusR + 1) Xn(tminus 1) Xn(t)
X(tminus 1) =
X1(tminusR) X1(tminus 2) X1(tminus 1)
X2(tminusR) X2(tminus 2) X2(tminus 1)
Xn(tminusR) Xn(tminus 2) Xn(tminus 1)
A =
A(1 1) A(1 nminus 1) A(1 n)
A(2 1) A(2 nminus 1) A(2 n)
A(n 1) A(n nminus 1) A(n n)
ε =
ε1(tminusR + 1) ε1(tminus 1) ε1(t)
ε2(tminusR + 1) ε2(tminus 1) ε2(t)
εn(tminusR + 1) εn(tminus 1) εn(t)
ε eacute o erro associado ao ajuste R eacute a quantidade de pontos utilizados no ajuste e n
a quantidade de accedilotildees analisadas Os diferentes valores que R pode assumir seratildeo
testados e apresentados mais detalhadamente na seccedilatildeo 61
30
Observe que a equaccedilatildeo (18) eacute diferente da equaccedilatildeo (17) uma vez que existe um erro
associado ao ajuste aproximado e tambeacutem pelo fato de que Xa(t)(Xa(tminus 1)) eacute ntimes ne X(t)(X(tminus 1)) eacute da ordem ntimesR e consequentemente a matriz de coeficientes A
eacute diferente de B
Expandindo a equaccedilatildeo (18) para tminusR + 1 le τ le t o sistema fica na formaX1(τ) = A(1 1)X1(τ minus 1) + A(1 2)X2(τ minus 1) + A(1 n)Xn(τ minus 1) + ε1(τ)
X2(τ) = A(2 1)X1(τ minus 1) + A(2 2)X2(τ minus 1) + A(2 n)Xn(τ minus 1) + ε2(τ)
Xn(τ) = A(n 1)X1(τ minus 1) + A(n 2)X2(τ minus 1) + A(n n)Xn(τ minus 1) + εn(τ)
(19)
A equaccedilatildeo (18) se assemelha a um modelo de regressatildeo linear multivariado En-
tretanto a sua validaccedilatildeo como tal modelo depende da capacidade do mesmo em
representar a dinacircmica que produziu os dados A possiacutevel violaccedilatildeo das premissas
de um modelo de regressatildeo natildeo invalida o nosso modelo Como veremos adiante
estamos interessados nos resultados de acerto de tendecircncia que seratildeo analisados
com rigor estatiacutestico De fato natildeo esperamos que um modelo linear seja capaz de
representar a dinacircmica do mercado financeiro O que eacute refletido na distribuiccedilatildeo dos
erros que natildeo atendem as premissas de independecircncia e normalidade Contudo
as matrizes apresentaram melhores resultados em termos computacionais e de
qualidade das soluccedilotildees que os obtidos com o meacutetodo do gradiente explorado em
trabalhos anteriores (RESENDE et al 2017)
Na equaccedilatildeo (18) desconsiderando o erro a partir dos X(t) e X(t minus 1) podemos
definir a matriz de coeficientes A de forma anaacuteloga agrave descrita por (AGUIRRE 2007)
Como a matriz X(t minus 1) natildeo eacute quadrada ela natildeo pode ser invertida Entretanto
podemos multiplicar a equaccedilatildeo (18) em ambos os lados por X(t minus 1)T e obter A
fazendo
X(t)X(tminus 1)T = AX(tminus 1)X(tminus 1)T
A(X(tminus 1)X(tminus 1)T )(X(tminus 1)X(tminus 1)T )minus1 = X(t)X(tminus 1)T (X(tminus 1)X(tminus 1)T )minus1
A = (X(t)X(tminus 1)T )(X(tminus 1)X(tminus 1)T )minus1 (20)
Para as manipulaccedilotildees algeacutebricas consideramos a existecircncia da inversa de (X(tminus1)X(t minus 1)T ) Outra forma para estimar a matriz A eacute atraveacutes do meacutetodo dos miacuteni-
mos quadrados conforme descrito por (AGUIRRE 2007) A teacutecnica da otimizaccedilatildeo
matemaacutetica eacute apresentada no apecircndice A para complementar o trabalho
31
A matriz A pode variar de acordo com a escolha de t conforme a equaccedilatildeo (20)
Deste modo usaremos a notaccedilatildeo A(t) para a denotar a matriz A calculada utilizando
pontos do tempo tminusR ateacute o tempo t
Com a matriz X(t) e X(tminus 1) podemos calcular a variaccedilatildeo nos preccedilos das accedilotildees
que eacute a diferenccedila do preccedilo da accedilatildeo no periacuteodo t em relaccedilatildeo ao periacuteodo anterior tminus 1
Esta variaccedilatildeo do preccedilo ∆X(t) eacute denominada retorno do ativo definida por
∆X(t) =
∆X1(t)
∆X2(t)
∆Xn(t)
(21)
sendo
∆Xk(t) = Xk(t)minusXk(tminus 1) (22)
= log
(xk(t)
xk(t)
)minus log
(xk(tminus 1)
xk(tminus 1)
)
onde usamos no passo final a equaccedilatildeo (12)
53 Modelo de previsatildeo
Para tentar prever o preccedilo no tempo t + 1 vamos utilizar como paracircmetro a matriz
A(t) Para tanto eacute desejaacutevel que A(t) varie pouco no tempo sendo A(t) proacutexima a
A(tminus 1) Trabalhamos com a hipoacutetese de linearidade local na vizinhanccedila de t Para
analisar esta variaccedilatildeo da matriz A(t) no tempo definimos a distacircncia
d (A(t)A(tminus 1)) =
radicradicradicradic nsumi=1
nsumj=1
|A(t)ij minus A(tminus 1)ij|2 (23)
onde A(t)ij (A(tminus 1)ij) eacute o elemento da matriz A(t) (A(tminus 1)) na linha i e coluna j
entre as matrizes adjacentes A(t) e A(tminus 1) para vaacuterios valores de R e mostramos
os resultados na figura 5
32
0
5
10
15
20
25
30
200 400 600 800 1000minus05
0
05
1
15
0
2
4
6
8
d
200 400 600 800 1000minus05
0
05
1
R
(a) (c)
(d)(b)
Figura 5 ndash Distribuiccedilatildeo das distacircncias entre as matrizes A em tempos adjacentespara valores de R variando de 100 a 1000 Foram realizadas 5 000 execuccedilotildeespara as accedilotildees do Ibovespa e 3 900 para as accedilotildees que compotildeem o Dow JonesUtilizamos seacuteries de preccedilos com granularidade de 5 minutos no periacuteodo de020117 a 280417 (primeiro quadrimestre de 2017) A linha contiacutenua representaa meacutedia das distacircncias e a linha pontilhada mostra a meacutedia de dplusmn os desvios (a)Calculamos a distacircncia entre as matrizes adjacentes obtidas para todas as accedilotildeesdo iacutendice Dow Jones (b) Distacircncia das matrizes adjacentes obtidas utilizando as10 accedilotildees com maiores participaccedilotildees no iacutendice Dow Jones (c) Distacircncia entreas matrizes adjacentes calculadas utilizando todas as accedilotildees que compotildeem acarteira teoacuterica do Ibovespa (d) Distacircncia entre as matrizes obtidas utilizando as10 accedilotildees com maiores pesos de participaccedilatildeo na composiccedilatildeo do Ibovespa
33
Analisando os resultados da figura 5 obtidos com a Eq (20) percebemos que agrave
medida em que aumentamos o valor de R as distacircncias entre as matrizes calculadas
em tempos adjacentes diminuiacuteram Anaacutelises da quantidade de accedilotildees tamanho de R
e outras seratildeo exploradas no Cap 6
Com a perspectiva de que a matriz A(t) calculada utilizando-se R + 1 preccedilos passa-
dos varie pouco e com isso seja uma boa estimativa para A(t+ 1) a empregamos
como instrumento para o modelo de previsatildeo Este modelo seraacute baseado na equaccedilatildeo
(18) definido por
X(t+ 1) = A(t)Xc(t) (24)
onde A(t) foi obtida com os R + 1 preccedilos ateacute o tempo t
X(t+ 1) =
X1(t+ 1)
X2(t+ 1)
Xn(t+ 1)
eacute a matriz com preccedilos previstos das accedilotildees no tempo t+ 1 e
Xc =
X1(t)
X2(t)
Xn(t)
eacute uma matriz coluna com os valores dos preccedilos tratados no tempo t
Mesmo que haja pouca variaccedilatildeo entre as matrizes A(t) e A(t+1) eacute natural obtermos
um erro associado agrave previsatildeo
O retorno previsto das accedilotildees eacute dado por
∆X(t+ 1) =
∆1X(t+ 1)
∆2X(t+ 1)
∆nX(t+ 1)
(25)
onde
∆Xk(t+ 1) = Xk(t+ 1)minusXk(t) (26)
Os retornos reais ∆X(t+1) e os previstos ∆X(t) dos ativos satildeo referentes a retornos
de preccedilos tratados A partir destes valores podemos definir tendecircncias poreacutem para
analisar a direccedilatildeo destes preccedilos eacute preciso analisar dados de preccedilos brutos x(t) e natildeo
mais os preccedilos tratados X(t) Para o caacutelculo com estes dados brutos eacute preciso fazer
a operaccedilatildeo para reverter os dados tratados que foram utilizados ateacute este ponto do
34
trabalho Para o tratamento inicial dos dados utilizamos a equaccedilatildeo (12) reproduzida
abaixo
Xk (t) = ln xk (t)minus ln xk (t) (27)
onde Xk(t) eacute o preccedilo tratado de fechamento da accedilatildeo k no tempo t xk(t) eacute o preccedilo
bruto de fechamento da accedilatildeo k no tempo t e xk eacute a meacutedia moacutevel calculada utilizando
dados precedentes a xk(t)
Para transformar os preccedilos tratados em preccedilos brutos partimos da equaccedilatildeo (12) e
obtemos
xk(t) = xk(t) lowast eXk(t) (28)
Evidentemente os preccedilos brutos reais satildeo conhecidos e este procedimento eacute impor-
tante para calcularmos preccedilos brutos previstos Assim podemos definir os retornos
de preccedilos brutos reais ∆x(t) e os previstos ∆x(t) utilizando as equaccedilotildees 22 e 26
respectivamente
A partir da variaccedilatildeo do preccedilo no periacuteodo podemos definir o vetor de tendecircncia
T =
T1(t)
T2(t)
Tn(t)
(29)
onde T assume os valores minus1 0 e 1 sendo minus1 associado agrave tendecircncia de baixa 0
sinal neutro e 1 agrave tendecircncia de alta do preccedilo Deste ponto em diante do trabalho
estamos interessados apenas na tendecircncia e natildeo no valor do preccedilo previsto Assim o
bom resultado do modelo ocorreraacute quando a tendecircncia do preccedilo previsto for igual a
tendecircncia observada do preccedilo real Deste modo o desempenho do modelo seraacute dado
pela acuraacutecia
a =Nc
N (30)
onde Nc eacute o nuacutemero de previsotildees de tendecircncias corretas e N eacute o nuacutemero total de
previsotildees executadas pelo modelo de previsatildeo
Nos resultados que apresentamos em (RESENDE et al 2017) mostramos que o
tamanho do retorno previsto traz informaccedilatildeo sobre a tendecircncia Logo dividimos o
conjunto de retornos previstos U em 4 subconjuntos U1 U2 U3 e U4 de forma que
cada subconjunto contenha um quarto dos retornos previstos Os maiores retornos
(em moacutedulo) estatildeo em U4 seguidos pelos retornos em U3 U2 e U1 nesta ordem Os
melhores resultados em (RESENDE et al 2017) foram obtidos para o subconjunto
U4 Portanto neste trabalho vamos analisar apenas as tendecircncias previstas obtidas
com retornos previstos em U4 Para verificar se os retornos previstos estatildeo em U4
considerado o quarto quartil utilizamos uma janela de tamanho Q = 100 pontos A
35
janela Q eacute ordenada e 25 dos maiores valores satildeo armazenados em U4 Desta
forma a primeira operaccedilatildeo soacute poderaacute ocorrer a partir do (Q+1)-eacutesimo sinal produzido
Antes disso o modelo sempre retornaraacute sinais neutros Para verificar se o (Q+ 1)-
eacutesimo sinal estaacute em U4 comparamos se o seu valor eacute maior que o sinal armazenado
na posiccedilatildeo 75 da janela Q de retornos precedentes dispostos em ordem crescente
Se a condiccedilatildeo eacute satisfeita o modelo envia um sinal vaacutelido caso contraacuterio um sinal
neutro eacute enviado
36
Capiacutetulo 6
Exploraccedilatildeo do modelo de previsatildeo
O modelo apresentado na seccedilatildeo 52 conforme a equaccedilatildeo (18) foi utilizado para
desenvolver o modelo de previsatildeo representado pela equaccedilatildeo (24) Neste capiacutetulo
vamos explorar algumas das possibilidades de combinaccedilotildees de paracircmetros para
ajustar este modelo de forma a obter melhores acuraacutecias Entretanto encontrar a
combinaccedilatildeo oacutetima de paracircmetros envolve anaacutelises que natildeo estatildeo no foco do trabalho
O capiacutetulo seraacute organizado no seguinte modo na seccedilatildeo 61 investigaremos se haacute uma
relaccedilatildeo entre a acuraacutecia a e a variaccedilatildeo da quantidade de pontos R utilizados para
calcular a matriz de coeficientes A Na seccedilatildeo 62 vamos investigar se a quantidade
de accedilotildees interfere na acuraacutecia do modelo Na seccedilatildeo 63 analisaremos a relaccedilatildeo da
acuraacutecia do modelo com a granularidade dos dados Na seccedilatildeo 64 calcularemos
os expoentes de Hurst das seacuteries de preccedilos das accedilotildees e analisaremos se haacute uma
relaccedilatildeo entre as acuraacutecias obtidas e os seus expoentes de Hurst Jaacute na seccedilatildeo 65
vamos investigar se as taxas de acuraacutecia calculadas em um quadrimestre se mantecircm
no quadrimestre seguinte Com esta anaacutelise estamos interessados em verificar se o
modelo se mantecircm para outro periacuteodo Tambeacutem vamos selecionar quais as accedilotildees que
apresentam melhores acuraacutecias no primeiro quadrimestre e investigar as acuraacutecias
do modelo para estas accedilotildees no segundo quadrimestre Na seccedilatildeo 66 vamos elaborar
uma votaccedilatildeo em relaccedilatildeo agrave tendecircncia entre diferentes tamanhos de R
61 Variaccedilotildees do tamanho de R
O objetivo do modelo eacute prever a tendecircncia do preccedilo no tempo t + 1 Para isto ele
utiliza a matriz de coeficientes A que minimiza a diferenccedila quadraacutetica entre a matriz
de preccedilos reais X(t+ 1) e a matriz de preccedilos previstos X(t+ 1) Para calcular esta
matriz A eacute preciso R+ 1 pontos Natildeo sabemos o tamanho ideal de R logo definimos
a quantidade de pontos baseados em alguns testes baacutesicos de acuraacutecia do modelo
na previsatildeo de tendecircncia de preccedilos No Capiacutetulo 5 Eq (30) reproduzida abaixo
37
definimos a acuraacutecia para cada accedilatildeo como
a =Nc
N (31)
onde Nc eacute o nuacutemero de previsotildees corretas e N eacute o nuacutemero total de previsotildees
Como estamos analisando diferentes tamanhos de R para vaacuterias accedilotildees vamos definir
a acuraacutecia meacutedia
a =
nsumk
ak
n(32)
e o desvio padratildeo
σa =
radicradicradicradicradic nsumk
(ak minus a)2
nminus 1 (33)
onde ak eacute a acuraacutecia a para cada accedilatildeo k e n eacute o nuacutemero total de accedilotildees analisadas
Nesta anaacutelise uma acuraacutecia meacutedia a envolvendo todas as k accedilotildees eacute calculada para
cada tamanho de R A figura 6 mostra a acuraacutecia meacutedia a e plusmnσa do modelo para
todas as accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa Os dados analisados
satildeo referentes ao primeiro quadrimestre de 2017 Utilizamos diferentes tamanhos de
R variando de 100 a 1100 com incremento de 10 pontos a cada nova execuccedilatildeo do
programa O objetivo desta figura eacute sinalizar o momento em que natildeo haacute mais ganhos
significativos na acuraacutecia agrave medida que aumentamos o tamanho de R
38
048
05
052
054
056
100 200 300 400 500 600 700 800 900 1000048
05
052
054
056
macr a
(a)
(b)
R
Figura 6 ndash Acuraacutecia meacutedia para todas as n accedilotildees que compotildeem os iacutendices Dow Jo-nes e Ibovespa Os dados analisados satildeo referentes agraves seacuteries de preccedilos comgranularidade de 5 minutos no periacuteodo de 020117 a 280417 (primeiro quadri-mestre de 2017) Foram utilizados diferentes tamanhos de R Com valor inicialde R = 100 com incremento de 10 Para cada valor de R foram realizadas 5000execuccedilotildees para a seacuterie do Ibovespa e 3900 para Dow Jones (a) A linha contiacutenuarepresenta a acuraacutecia meacutedia a obtida para todas as accedilotildees do iacutendice Dow JonesA linha pontilhada representa a acuraacutecia meacutedia a plusmnσa das acuraacutecias obtidas (b)A linha contiacutenua mostra a acuraacutecia meacutedia a de todas as accedilotildees que compotildeema carteira teoacuterica do iacutendice Ibovespa A linha pontilhada apresenta a acuraacuteciameacutedia a plusmnσa
39
Podemos observar na figura 6 que para valores maiores de R a curva da acuraacutecia
meacutedia a tende a quase se estabilizar poreacutem ainda podemos perceber um leve cres-
cimento Para analisar se ainda haacute ganhos na acuraacutecia para valores de R gt 500
calculamos o coeficiente angular β e os coeficientes de determinaccedilatildeo r 2 da reta de
ajuste aos pontos com valores de R superiores a 500 Os coeficientes angulares β
para todas as accedilotildees dos igravendices Dow Jones e Ibovespa calculados para o intervalo
500 le R le 1000 foram β = 5 63 times 10minus5 e β = 1 24 times 10minus5 respectivamente
Embora pequenos natildeo satildeo irrelevantes observe que numa variaccedilatildeo de 0 02 na
acuraacutecia (o que eacute significativo) entre R = 500 e R = 1000 temos coeficiente angular
4times 10minus5 ou seja na ordem dos observados Os coeficientes de determinaccedilatildeo foram
r 2 = 0 2905 para todas as accedilotildees do iacutendice Dow Jones e r 2 = 0 6295 para todas
as accedilotildees do Ibovespa Eles indicam que o ajuste linear natildeo eacute satisfatoacuterio Contudo
isto natildeo eacute relevante aqui uma vez que estamos interessados sobretudo no caraacuteter
crescente das curvas Os valores de β e r2 obtidos satildeo apresentados na tabela 2
Valores dos coeficientes angulares β calculados para o intervalo 500 le R le 1000
pequenos poreacutem positivos indicam crescimento da curva e nos motivam a investigar
o comportamento do graacutefico para valores de R maiores que 1000
Tabela 2 ndash Coeficientes angulares (β) e os correspondentes coeficientes de determinaccedilatildeo(r 2) para o ajuste linear das curvas de acuraacutecias meacutedias a para diferentes valoresde R das Fig 6 e 7
Todas Accedilotildees (Fig 6) 10 Accedilotildees + (Fig 7)
Dow Jonesβ 5 63times 10minus5 9 79times 10minus5
r2 02905 062953
Ibovespaβ 1 24times 10minus4 9 98times 10minus5
r2 0 6970 0 7629
Nota Para a Fig 6 que analisa o conjunto de todas as accedilotildees que compotildeem os iacutendices Dow Jones eIbovespa os coeficientes β e r2 foram calculados para o intervalo de 500 le R le 1000 Jaacute na Fig 7os coeficientes β e r2 foram calculados para o intervalo de 1000 le R le 2000 Todos os coeficientes
β satildeo positivos indicando que as evoluccedilotildees das curvas ainda satildeo positivas
Para cada tamanho de R satildeo realizadas 5000 execuccedilotildees para as accedilotildees do Ibovespa
e 3900 para as accedilotildees do Dow Jones A diferenccedila na quantidade de execuccedilotildees entre
Dow Jones e Ibovespa eacute devida ao menor tempo diaacuterio de permanecircncia do pregatildeo
de negociaccedilatildeo do Dow Jones em relaccedilatildeo ao Ibovespa Com isso as quantidades
de dados disponiacuteveis nas amostras satildeo diferentes Ainda assim o nuacutemero de exe-
cuccedilotildees para cada valor de R eacute grande Como estamos interessados em analisar
mais tamanhos diferentes de R vamos diminuir o nuacutemero de accedilotildees envolvidas nos
testes O criteacuterio para escolha destas accedilotildees eacute selecionar as 10 accedilotildees com maiores
pesos nos iacutendices Ibovespa e Dow Jones As composiccedilotildees e as ordens de pesos das
participaccedilotildees nos iacutendices Ibovespa e Dow Jones satildeo apresentadas nas tabelas 26 e
27 respectivamente
40
Nesta anaacutelise utilizando valores maiores de pontos nos ajustes vamos explorar R
variando de 10 a 2000 com incremento de 10 pontos a cada nova execuccedilatildeo do
programa Para cada execuccedilatildeo foram realizadas 3000 e 2000 previsotildees para as
10 accedilotildees com maiores pesos de participaccedilatildeo nos iacutendices Ibovespa e Dow Jones
respectivamente A figura 7 apresenta as acuraacutecias meacutedias a linha contiacutenua e a plusmnσalinha pontilhada obtidos na anaacutelise
10 200 400 600 800 1000 1200 1400 1600 1800 2000045
05
055
06
R
a
045
05
055
06
(a)
(b)
Figura 7 ndash Acuraacutecia meacutedia para as 10 accedilotildees com maiores participaccedilotildees na carteirateoacuterica do Ibovespa E Dow Jones Os dados analisados satildeo referentes agravesseacuteries de preccedilos de fechamento com granularidade de 5 minutos no periacuteodode 020117 a 280417 (primeiro quadrimestre de 2017) Foram utilizados 200diferentes tamanhos de R Com o valor inicial de R = 10 com incremento de10 Para cada valor de R foram realizadas 3000 execuccedilotildees com as seacuteries dasaccedilotildees do Ibovespa e 2000 com a seacuteries do Dow Jones (a) A linha contiacutenuarepresenta a acuraacutecia meacutedia obtida para as 10 accedilotildees com maior participaccedilatildeo doiacutendice Dow Jones A linha pontilhada representa a meacutedia plusmnσa que eacute o desviopadratildeo das acuraacutecias obtidas (b) A linha contiacutenua mostra a acuraacutecia meacutedia paraas 10 as accedilotildees com maior peso de participaccedilatildeo na carteira teoacuterica do iacutendiceIbovespa A linha pontilhada apresenta a acuraacutecia meacutedia plusmnσa
Analisando a figura 7 percebemos que agrave medida que aumentamos os valores de R a
curva da acuraacutecia meacutedia tende a oscilar menos Isso acontece devido ao incremento de
41
10 novos pontos serem cada vez menos significativos agrave medida em que aumentamos a
quantidade de pontos na janela O efeito eacute mais evidente ao compararmos os valores
de R proacuteximos a 10 com aqueles no final da seacuterie
A figura 7 sugere que a acuraacutecia para as accedilotildees do iacutendice Dow Jones tende a se
estabilizar para valores de R ge 400 pontos Poreacutem a curva ainda mostra um leve
crescimento dos resultados Para as accedilotildees do iacutendice Ibovespa eacute evidente que a
curva de acuraacutecia apresenta ganhos significativos agrave medida em que aumentamos o
tamanho de R Estas observaccedilotildees satildeo evidenciadas pelos valores dos coeficientes
angulares apresentados na tabela 2 Desta forma na aplicaccedilatildeo do modelo seria ideal
utilizar tamanhos maiores de R mas esta quantidade de pontos definida para o ajuste
afeta diretamente o tamanho da amostra restante para fazer as N previsotildees a cada
execuccedilatildeo do programa Por isto definimos baseados nas figuras 6 e 7 um valor de R
que natildeo comprometa a acuraacutecia e nem o tamanho da amostra Uma escolha coerente
da quantidade de pontos para utilizar no ajuste eacute R = 1000
As figuras 6 e 7 nos mostram as acuraacutecias meacutedias a Como estes resultados se
referem agraves meacutedias das acuraacutecias a de todas as accedilotildees para cada valor de R natildeo po-
demos visualizar o comportamento individual das accedilotildees para os diferentes tamanhos
de R Com isto para mostrar a dispersatildeo das acuraacutecias da accedilotildees para cada valor de
R construiacutemos os boxplots1 dos resultados A dispersatildeo localizaccedilatildeo e simetria das
acuraacutecias podem ser representadas pela figura 9 As caixas contecircm 50 dos dados
sendo o primeiro quartil (Q1) a mediana e o terceiro quartil (Q3) A altura da caixa eacute a
amplitude interquartil (AIQ) que eacute dada pela distacircncia entre Q1 e Q3 A linha superior
eacute traccedilada iniciando em Q3 ateacute o maior valor observado dentro da faixa com o conjunto
de pontos que vai de Q3 ateacute o valor do limite superior (Ls) calculado utilizando 1 5
vezes o valor do interquartil AIQ
Ls = Q3 + 1 5AIQ (34)
A linha inferior eacute traccedilada iniciando-se em Q1 ateacute o menor valor que eacute encontrado
dentro da faixa que comeccedila em Q1 e se estende ateacute o valor do limite inferior (Li)
calculado utilizando 1 5 do valor do interquartil AIQ
Li = Q1minus 1 5AIQ (35)
Os pontos fora destas linhas traccediladas satildeo chamados outliers (MONTGOMERY 2008)
A figura 8 mostra as caracteriacutesticas do boxplot Como esperado a figura 9 mostra que
as accedilotildees que compotildeem o iacutendice Ibovespa apresentam mais outliers com altas taxas
de acuraacutecia quando comparadas agraves accedilotildees do iacutendice Dow Jones
1Diagrama de caixa Eacute uma apresentaccedilatildeo graacutefica que descreve simultaneamente vaacuterias caracteriacutesticasde um conjunto de dados observados(MONTGOMERY 2008)
42
049
05
051
052
053
054
055
056
1
Terceiro quartil
Mediana
Valor Miacutenimo
Valor Maacuteximo
Outlier
Quarto quartil
Figura 8 ndash Exemplo de um formato de um boxplot
43
0 10 20 30 40 50 60 70 80 90 100
05
055
06
065
07
045
05
055 (a)
(b)
Figura 9 ndash Boxplot da Acuraacutecia para todas as accedilotildees que compotildeem os iacutendices DowJones e Ibovespa Os dados utilizados foram preccedilos de fechamento das accedilotildeesque compotildeem os iacutendices Dow Jones e Ibovespa com granularidade de 5 minutosno periacuteodo de 020117 a 280417 (primeiro quadrimestre de 2017) Foramanalisados 100 diferentes tamanhos de R Para cada valor de R foram realizadas3900 execuccedilotildees para as accedilotildees do iacutendice Dow Jones e 5000 execuccedilotildees paraas accedilotildees que compotildeem a carteira teoacuterica do Ibovespa (a) Boxplots com asacuraacutecias para todas as accedilotildees do Dow Jones (b) Acuraacutecias para todas as accedilotildeesdo iacutendice Ibovespa
44
62 Variaccedilotildees da quantidade de accedilotildees
Um ponto a ser questionado refere-se agrave quantidade de accedilotildees n que devemos usar
para calibrar o modelo de forma a obter a melhor acuraacutecia Para investigar a influecircncia
deste valor n nos resultados do modelo desenvolvemos uma anaacutelise que consiste
em executar o modelo com o nuacutemero miacutenimo de combinaccedilotildees n = 2 e expandir
ateacute o nuacutemero maacuteximo de accedilotildees que compotildeem os iacutendices Ibovespa e Dow Jones
O valor de n aumenta seguindo a ordem decrescente do peso de participaccedilatildeo das
accedilotildees nos iacutendices Para esta anaacutelise utilizamos os dados de preccedilos de fechamento
das accedilotildees com granularidade de 5 minutos no periacuteodo de 020117 a 280417 que se
refere ao primeiro quadrimestre de 2017 A quantidade de pontos utilizada no ajuste
foi R = 1000 pontos Para cada combinaccedilatildeo de n accedilotildees realizamos N = 3000
previsotildees para as seacuteries do Ibovespa e N = 2000 previsotildees para as seacuteries do Dow
Jones A figura 10 mostra a acuraacutecia meacutedia a e plusmnσa para diferentes combinaccedilotildees de
quantidades de accedilotildees envolvidas no modelo
45
2 5 10 15 20 25046
048
050
052
054
056
2 5 10 15 20 25 30 35 40 45 50 55045
050
055
06(b)
(a)
Figura 10 ndash Acuraacutecia meacutedia para diferentes valores de n accedilotildees que compotildeem ascarteiras do Ibovespa e Dow Jones O valor de n aumenta seguindo aordem decrescente do peso de participaccedilatildeo das accedilotildees nos iacutendices Os dadosanalisados satildeo referentes agraves seacuteries de preccedilos de fechamento com granularidadede 5 minutos no periacuteodo de 020117 a 280417 (primeiro quadrimestre de2017) A quantidade de pontos utilizados no ajuste foi R = 1000 Foramrealizadas 3000 previsotildees com as seacuteries das accedilotildees do Ibovespa e 2000 comas seacuteries do Dow Jones (a) A linha contiacutenua representa a acuraacutecia meacutediaobtida para n variando de 2 a 30 accedilotildees que compotildeem o iacutendice Dow Jones Alinha pontilhada representa a meacutedia plusmnσa que eacute o desvio padratildeo das acuraacuteciasobtidas (b) A linha contiacutenua mostra a acuraacutecia meacutedia para n variando de 2 a 58accedilotildees que compotildeem a carteira teoacuterica do iacutendice Ibovespa A linha pontilhadaapresenta a acuraacutecia meacutedia plusmnσa
46
Na figura 10 percebemos uma variaccedilatildeo maior nas acuraacutecias meacutedias a para as
combinaccedilotildees de n accedilotildees do Ibovespa quando comparadas agraves acuraacutecias obtidas
com as accedilotildees do iacutendice Dow Jones Este resultado eacute mais evidente para valores
menores de n As combinaccedilotildees de n accedilotildees do iacutendice Dow Jones satildeo mais estaacuteveis
e como esperado apresentam valores de acuraacutecias meacutedias a menores quando
comparados aos resultados das combinaccedilotildees das accedilotildees do Ibovespa uma vez que a
bolsa americana eacute mais eficiente que a brasileira Para as combinaccedilotildees das accedilotildees
do Ibovespa observamos um pico maior em torno de n = 10 e depois uma certa
estabilizaccedilatildeo de a Isto nos ajuda a definir a quantidade de accedilotildees que devemos usar
para calibrar o modelo
63 Variaccedilatildeo da granularidade
Nesta seccedilatildeo vamos analisar as acuraacutecias para dados com granularidade de 51015
20 e 30 minutos Para simetria das anaacutelises definimos que o modelo deve ser aplicado
em um mesmo intervalo de tempo Com isto agrave medida em que aumentamos a
granularidade das seacuteries diminuiacutemos a quantidade de dados da amostra Assim
nesta anaacutelise natildeo utilizamos o valor de R definido da seccedilatildeo 61 O intervalo de
negociaccedilatildeo tambeacutem foi alterado para um periacuteodo referente a 2 quadrimestres A
quantidade de dados utililizada no ajuste foi R = 500 e o periacuteodo de negociaccedilatildeo foi
de 020117 a 310817 (primeiro e segundo quadrimestres de 2017) Baseados na
seccedilatildeo 62 aleacutem da composiccedilatildeo total do iacutendice uma nova combinaccedilatildeo quantidade de
accedilotildees n = 10 tambeacutem foi analisada A tabela 3 mostra as meacutedias das acuraacutecias a
para os paracircmetros definidos
Tabela 3 ndash Acuraacutecia do modelo aplicado a diferentes granularidades de tempo para R = 500
Iacutendice n 5rsquo 10rsquo 15rsquo 20rsquo 30rsquo
Dow Jones30 05079 (00092) 05065 (00090) 05012 (00162) 05052 (00255) 05022 (00309)10 05132 (00116) 05062 (00136) 05143 (00178) 05061 (00201) 04976 (00337)
Ibovespa58 05216 (00260) 05222 (00287) 05185 (00271) 05215 (00276) 05143 (00338)10 05316 (00294) 05196 (00200) 05187 (00186) 05033 (00268) 05021 (00251)
Nota Os resultados satildeo referentes agraves meacutedias e os desvios das acuraacutecias do modelo de todas as accedilotildees quecompotildeem os iacutendices Dow Jones (30 accedilotildees) e Ibovespa (58 accedilotildees) Tambeacutem analisamos as 10 accedilotildees com
maiores participaccedilotildees nesses iacutendices Os dados analisados satildeo referentes aacutes seacuteries de preccedilos defechamento com granularidades de 5 10 15 20 e 30 minutos no periacuteodo de 02-01-17 a 31-08-17 (primeiro e
segundo quadrimestres de 2017) A quantidade de pontos utilizada no ajuste foi R = 500
Analisando a tabela 3 percebemos que natildeo haacute grandes oscilaccedilotildees nas acuraacutecias
meacutedias a quando variamos a granularidade da base de dados Menores variaccedilotildees da
acuraacutecia meacutedia a satildeo observadas quando aplicamos o modelo para todas as accedilotildees
do iacutendice Dow Jones Para a combinaccedilatildeo das 10 accedilotildees com maiores pesos um
moderado aumento nas acuraacutecias foi obtido para as granularidades de 5 e 15 minutos
47
Para as accedilotildees do Ibovespa maiores oscilaccedilotildees foram observadas principalmente
para a combinaccedilatildeo das 10 accedilotildees com maiores participaccedilotildees no iacutendice A maior
acuraacutecia meacutedia obtida foi para a granularidade de 5 minutos a = 0 5316 Em linhas
gerais observamos uma discreta tendecircncia que a acuraacutecia diminua com o aumento
da granularidade dos dados para as accedilotildees do Ibovespa Para as accedilotildees do iacutendice Dow
Jones natildeo observamos tendecircncia alguma
64 Anaacutelise da acuraacutecia em funccedilatildeo do expoente de Hurst
das seacuteries
O expoente de Hurst (H) aplicado a seacuteries de preccedilos de accedilotildees nos permite visualizar
o comportamento dos dados em relaccedilatildeo agrave memoacuteria de longo prazo Nas nossas
anaacutelises vamos utilizar o meacutetodo alternativo DFA introduzido por (PENG et al 1994)
que tambeacutem foi explorado por (HU et al 2001) e (CHEN et al 2002) Para realizar o
caacutelculo consideramos uma seacuterie de retornos ∆x(i) (i = 1 2 middot middot middot Nmax) Integrando
tal seacuterie obtemos
y(j) =
jsumi=1
(∆x(i)minus 〈∆x〉) (36)
onde 〈∆x〉 eacute a meacutedia
〈∆x〉 =1
Nmax
Nmaxsumj=1
∆x(i) (37)
A nova seacuterie eacute dividida em janelas de tamanho igual m Em cada uma dessas janelas
ajustamos a seacuterie integrada encontrando a funccedilatildeo polinomial Yfit Esta funccedilatildeo indica
a tendecircncia local que haacute em cada intervalo O grau do polinocircmio utilizado pode em
princiacutepio ser qualquer O meacutetodo DFA-l eacute aquele em que o grau l eacute escolhido
Na seacuterie temporal dividida em janelas de tamanho m subtraiacutemos a tendecircncia local
Yfit em cada das janelas Em seguida calculamos a funccedilatildeo de flutuaccedilatildeo
F (m) =
radicradicradicradic 1
Nmax
Nmaxsumi=1
(y(i)minus Yfit)2 (38)
Todo o caacutelculo acima eacute repetido para janelas de diferentes tamanhos m para obter-se
uma relaccedilatildeo entre F (m) e m e os dados satildeo dispostos em um graacutefico log minus log Uma
relaccedilatildeo de lei de potecircncia entre F (m) e a janela de tamanho m indica a presenccedila
de escala logF (m) sim= logmH ( F (m) sim= mH) Neste caso o paracircmetro H dado pelo
coeficiente angular da reta que ajusta os pontos (mF (m)) eacute chamado de expoente de
escala ou expoente de correlaccedilatildeo e eacute a generalizaccedilatildeo do expoente de Hurst Valores
de H lt 0 5 indicam anti-persistecircncia da seacuterie valores de H gt 0 5 indicam que a
48
seacuterie tem persistecircncia e valores de H = 0 5 indicam que as seacuteries natildeo possuem
tendecircncia Com o intuito de analisar se os dados passados fornecem informaccedilotildees
sobre dados futuros calculamos os expoentes de Hurst das seacuteries com preccedilos brutos
x de todas as accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa Os valores de
H obtidos satildeo mostrados na figura 11
1 5 10 15 20 25 30 35 40 45 50 55 5802
03
04
05
06
Accedilatildeo
H 1 5 10 15 20 25 3004
045
05
055
06
065
Figura 11 ndash Expoente de Hurst para todas accedilotildees que compotildeem os iacutendices Dow Jonese Ibovespa Os dados analisados satildeo referentes agraves seacuteries de preccedilos brutoscom granularidade de 5 minutos no periacuteodo de 020117 a 280417 (primeiroquadrimestre de 2017) (a) Representa os coeficientes de Hurst para as accedilotildeesdo iacutendice Dow Jones Foram utilizados 6276 pontos para o caacutelculo (b) Mostraos coeficientes de Hurst utilizando l = 1 para as accedilotildees que compotildeem o iacutendiceIbovespa Foram utilizados 7370 pontos para o caacutelculo
Analisando a figura 11 percebemos que a maioria dos resultados se concentram na
faixa de 0 45 le H le 0 55 Assim natildeo percebemos forte tendecircncia a persistecircncia ou
anti-persistecircncia das seacuteries analisadas
Na anaacutelise seguinte vamos investigar a relaccedilatildeo entre os resultados dos expoentes de
Hurst e as acuraacutecias obtidas pelo modelo As seacuteries de preccedilos ainda satildeo as referentes
aos preccedilos de fechamento de todas as accedilotildees que compotildeem os iacutendices Dow Jones
e Ibovespa A Fig 12 mostra a acuraacutecia meacutedia a de cada uma destas accedilotildees que
49
compotildeem os iacutendices para 100 diferentes valores de R e os expoentes de Hurst das
seacuteries de preccedilos brutos x destas accedilotildees
1 5 10 15 20 25 3004
045
05
055
06
065
1 5 10 15 20 25 30 35 40 45 50 55 58 Accedilotildees
02
03
04
05
06
07
Figura 12 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que compotildeem osiacutendices Dow Jones e Ibovespa Os dados analisados satildeo referentes agraves seacuteriesde preccedilos brutos com granularidade de 5 minutos no periacuteodo de 020117 a280417 (primeiro quadrimestre de 2017) Para o caacutelculo da acuraacutecia meacutediaforam utilizados 100 tamanhos diferentes de R para cada accedilatildeo A linha tracejadarepresenta os coeficientes de Hurst H e a linha contiacutenua a acuraacutecia meacutedia apara cada accedilatildeo utilizando 100 valores diferentes de R no ajuste O valor deR inicial foi 100 com incremento de 10 pontos a cada nova execuccedilatildeo (a)Representa a acuraacutecia meacutedia e os coeficientes de Hurst para as accedilotildees doiacutendice Dow Jones Foram utilizados 6276 pontos para o caacutelculo do expoente deHurst (b) Mostra a acuraacutecia meacutedia e os coeficientes de Hurst para as accedilotildeesque compotildeem o iacutendice Ibovespa Foram utilizados 7370 pontos para o caacutelculodos coeficientes
Analisando visualmente a figura 12 natildeo percebemos padrotildees para as accedilotildees que
compotildeem o iacutendice Dow Jones As suas taxas de acuraacutecia meacutedia a bem como os
valores de H estatildeo proacuteximos de 0 5 Jaacute as accedilotildees que compotildeem o iacutendice Ibovespa
apresentaram maiores taxas de acuraacutecia meacutedia a e tambeacutem maiores oscilaccedilotildees nos
valores dos expoentes de Hurst H A figura nos sugere ainda que os valores menores
deH resultam em maiores valores de a indicando que o modelo tem maior capacidade
50
de previsatildeo para seacuteries de preccedilos de accedilotildees que apresentam anti-persistecircncia Os
resultados mais discrepantes foram obtidos para a accedilatildeo 32 com a = 0 68 e H = 0 28
Para melhor visualizaccedilatildeo destes resultados construiacutemos a figura 13 que mostra a
concentraccedilatildeo dos expoentes de Hurst H em funccedilatildeo da acuraacutecia meacutedia a obtidos para
cada uma das accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa representados
pelos pontos nas cores verde e vermelha respectivamente
025 03 035 04 045 05 055 06 065046
048
05
052
054
056
058
06
062
064
066
H
a
Expoente de Hurst DOW JONESExpoente de Hurst IBOVESPA
Figura 13 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que compotildeem osiacutendices Dow Jones e Ibovespa Os dados analisados satildeo referentes agraves seacuteriesde preccedilos brutos com granularidade de 5 minutos no periacuteodo de 020117 a280417 (primeiro quadrimestre de 2017) Para o caacutelculo da acuraacutecia meacutedia aforam utilizados 100 tamanhos diferentes de R para cada accedilatildeo Com valor inicialde R = 100 com incremento de 10 pontos a cada nova execuccedilatildeo Os pontosna cor vermelha representam os expoentes H em funccedilatildeo da acuraacutecia a paraas accedilotildees do Ibovespa Os pontos na cor verde representam os coeficientes deHurst H em funccedilatildeo da acuraacutecia meacutedia a para cada accedilatildeo do iacutendice Dow JonesPara as accedilotildees do iacutendice Dow Jones utilizamos 6276 pontos para o caacutelculo de HPara as accedilotildees que compotildeem o iacutendice Ibovespa foram utilizados 7370 pontospara o caacutelculo dos coeficientes de Hurst
Pela figura 13 fica mais evidente que as taxas de acuraacutecia meacutedia a satildeo maiores para
as accedilotildees que compotildeem o iacutendice Ibovespa quando comparadas agraves accedilotildees do iacutendice
Dow Jones Observamos tambeacutem que os maiores desvios de H foram obtidos para
51
a seacuterie do Ibovespa Estes resultados vatildeo ao encontro dos estudos de (CAJUEIRO
TABAK 2004) onde os paiacuteses emergentes apresentam valores de H mais distantes
de 05 sugerindo que mercado de paiacuteses emergentes satildeo mais ineficientes que os
de paiacuteses desenvolvidos
Outra investigaccedilatildeo relevante foi baseada no caacutelculo da correlaccedilatildeo linear das acuraacutecias
obtidas em cada quadrimestre com os expoentes de Hurst calculados nos respectivos
quadrimestres Para tanto calculamos o coeficiente de correlaccedilatildeo linear de Pearson
ρ2 O coeficiente ρ obtido quando analisada a correlaccedilatildeo das acuraacutecias e os expoentes
de Hurst calculados no quadrimestre 1 foi ρ = minus0 3791 (pminus valor = 0 0388) para as
accedilotildees que compotildeem o iacutendice Dow Jones e para as accedilotildees do Ibovespa no mesmo
quadrimestre o resultado foi ρ = minus0 4622 (p minus valor = 2 6 times 10minus4) A correlaccedilatildeo
entre as acuraacutecias e os coeficientes de Hurst das seacuteries de preccedilos calculados no
segundo quadrimestre de 2017 foi ρ = minus0 6966 (pminus valor = 1 2571times 10minus9) para as
accedilotildees do Ibovespa e ρ = minus0 1743 (pminus valor = 0 3568) para as accedilotildees do Dow Jones
Estes resultados indicam que haacute uma anti-correlaccedilatildeo entre as acuraacutecias obtidas e os
expoentes H das seacuteries analisadas (COHEN 1977)
Baseados nestes resultados em etapas futuras da tese vamos aprofundar mais as
anaacutelises dos valores de H e a explorando as questotildees de memoacuteria das seacuteries de
preccedilos de accedilotildees e investigando ateacute que ponto informaccedilotildees dos dados passados
interferem na acuraacutecia do modelo de previsatildeo
65 Acuraacutecias em quadrimestres diferentes
Nas subseccedilotildees seguintes vamos aplicar o modelo em dados de quadrimestres di-
ferentes com o objetivo de investigar a consistecircncia das previsotildees em diferentes
periacuteodos
651 Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo qua-
drimestres de 2017
Nesta anaacutelise aplicamos o modelo utilizando as seacuteries de preccedilos tratados com
granularidade de 5 minutos do primeiro e segundo quadrimestres de 2017 de todas
as accedilotildees que integraram os iacutendices Ibovespa e Dow Jones no primeiro quadrimestre
de 2017 A tabela 4 mostra as acuraacutecias obtidas nos quadrimentres 1 e 2 do ano de
2017 Para a execuccedilatildeo do modelo foi utilizado como tamanho de ajuste R = 1000 A
coluna rsquoAcuraacutecia Q1rsquo refere-se agraves acuraacutecias obtidas no quadrimestre 1 Analogamente
a coluna denominada rsquoAcuraacutecia Q2rsquo refere-se agraves acuraacutecias no quadrimestre 2 Os
resultados estatildeo dispostos na ordem da porcentagem de peso de participaccedilatildeo de
2Mede o grau da correlaccedilatildeo (minus1 le ρ le 1) e a direccedilatildeo dessa correlaccedilatildeo (+ ou -) entre duas variaacuteveis
52
cada accedilatildeo nos seus respectivos iacutendices Os valores em negrito indicam que a acuraacutecia
da accedilatildeo obtida no quadrimestre 2 foi maior em relaccedilatildeo agrave mesma no quadrimestre
1 Este aumento de ganhos do quadrimestre 2 em relaccedilatildeo ao quadrimestre 1 foi em
53 30 das accedilotildees que compotildeem o Dow Jones e 60 30 das accedilotildees do Ibovespa
53
Tabela 4 ndash Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo quadrimestres paraas accedilotildees dos iacutendices Ibovespa e Dow Jones
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q1 Acuraacutecia Q2 Accedilatildeo Acuraacutecia Q1 Acuraacutecia Q2
1 05183 05223 1 04912 049482 04833 05329 2 04577 053403 05054 05427 3 05195 051264 05363 05510 4 05207 050425 05130 05296 5 05016 050796 05363 05268 6 05208 048137 04965 04974 7 05341 051178 05188 05203 8 05011 052309 05226 04840 9 05097 04995
10 05541 06053 10 05103 0515911 04862 05597 11 05087 0512412 05362 05578 12 05000 0489313 05147 05493 13 04894 0501114 05097 05070 14 04839 0498915 05449 05349 15 05178 0490716 05072 05479 16 05138 0505817 05320 04852 17 05218 0479318 05260 05283 18 05021 0495219 05350 04968 19 05175 0514220 05266 05262 20 05049 0531821 05208 05166 21 04843 0512822 05270 05138 22 04807 0496423 05100 05180 23 05089 0521724 05208 05210 24 05256 0482925 05057 05028 25 04904 0482126 05142 05167 26 05023 0508427 05018 05120 27 05222 0522428 05138 05169 28 05230 0520429 05142 05465 29 05061 0527230 05043 05020 30 04710 0511331 05201 0535332 06810 0741833 05414 0537934 05458 0509835 05362 0596436 05053 0516537 04968 0552238 05055 0543139 05494 0516540 04969 0509041 05230 0512542 05018 0523043 05288 0503544 05396 0518945 05048 0531846 05467 0530447 05181 0521348 05122 0505149 05385 0522550 05457 0556551 05227 0549452 05845 0580253 05214 0522554 05197 0530455 05229 0533956 05651 0551457 05612 0611058 05121 05205
Nota As acuraacutecias estatildeo representadas de acordo com a ordem decrescente da porcentagem de participaccedilatildeo das accedilotildeesnos iacutendices Dow Jones e Ibovespa Os resultados das 10 accedilotildees com maiores pesos estatildeo delimitados na tabela Os
valores em negrito indicam que a acuraacutecia aumentou no segundo quadrimentre em relaccedilatildeo ao primeiro 60 3 dos casospara o iacutendice Ibovespa e 53 3 dos casos para o iacutendice Dow Jones
54
A figura 14 mostra o panorama das acuraacutecias apresentadas na tabela 4 A linha
traccedilada no graacutefico delimita as 10 accedilotildees que apresentaram as melhores acuraacutecias
em cada quadrimestre Estas accedilotildees satildeo esboccediladas na cor vermelha Os pontos na
cor vermelha e circulados indicam que aleacutem de estarem entre as 10 accedilotildees que
apresentaram as melhores acuraacutecias no quadrimestre 1 tambeacutem estatildeo entre as 10
accedilotildees que apresentaram as melhores taxas no quadrimestre 2 O nuacutemero destas
accedilotildees foi maior para as accedilotildees do Ibovespa
046
048
05
052
054
056
045
05
055
06
065
07
1 10 20 30 40 50 5804
05
06
07
08
Accedilotildees1 5 10 15 20 25 30
046
048
05
052
054
056
a
(a) (c)
(d)(b)
Figura 14 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 Os resul-tados satildeo referentes agraves acuraacutecias do modelo de todas as accedilotildees que compotildeemos iacutendices Dow Jones e Ibovespa Os dados analisados satildeo referentes agraves seacute-ries de preccedilos de fechamento com granularidades de 5 minutos no periacuteodo de020117 a 310817 (primeiro e segundo quadrimestres de 2017) O tamanhodo ajuste utilizado foi R = 1000 A linha traccedilada sobre a figura delimita as10 accedilotildees que apresentaram as melhores acuraacutecias no quadrimestre em ques-tatildeo mostradas na cor vermelha Os pontos circulados indicam que as accedilotildeesapresentaram acuraacutecias entre as 10 melhores no quadrimestre 1 e tambeacutem noquadrimestre 2 (a) Representa as acuraacutecias de todas accedilotildees que compotildeem oiacutendice Dow Jones no primeiro quadrimestre (b) Mostra as acuraacutecias obtidasno segundo quadrimestre para todas as accedilotildees do iacutendice Dow Jones (c) e(d) Representam as acuraacutecias obtidas no primeiro e segundo quadrimestresrespectivamente para todas as accedilotildees que compotildeem o iacutendice Ibovespa
55
Se a presenccedila entre as accedilotildees com 10 maiores acuraacutecias for completamente alea-
toacuteria a chance de uma accedilatildeo que estaacute nesta situaccedilatildeo repetir o comportamento no
quadrimestre seguinte eacute 10n
onde n eacute o nuacutemero total de accedilotildees no grupo analisado
Assim o nuacutemero meacutedio de accedilotildees que aparecem em dois quadrimestres consecutivos
entre aqueles com as 10 maiores acuraacutecias eacute 10times 10n
Para as accedilotildees que compotildeem
o iacutendice Dow Jones esse nuacutemero eacute 103
para as accedilotildees que compotildeem o Ibovespa eacute10058
Na figura 14 observamos 3 accedilotildees nessa situaccedilatildeo para o Dow Jones sugerindo
a completa aleatoriedade Jaacute para o Ibovespa a figura 14 mostra 6 accedilotildees nessa
situaccedilatildeo um nuacutemero 348 vezes maior que o esperado indicando que o processo
natildeo deve ser completamente aleatoacuterio Estudos envolvendo um maior nuacutemero de
quadrimestres seriam interessantes para validaccedilatildeo estatiacutestica
O coeficiente de correlaccedilatildeo linear de Pearson ρ foi calculado para mostrar a relaccedilatildeo
entre as acuraacutecias obtidas no quadrimestre 1 e 2 para ambos mercados O coeficiente
ρ obtido quando analisada a correlaccedilatildeo das acuraacutecias no quadrimestre 1 e 2 para
as accedilotildees que compotildeem o Dow Jones foi ρ = minus01493 (p minus valor = 0 4311) Jaacute
para as accedilotildees que compotildeem o Ibovespa a correlaccedilatildeo entre as acuraacutecias obtidas
nos quadrimestres 1 e 2 foi ρ = 07156 (p minus valor = 2 7521 times 10minus10) O resultado
indica que haacute uma correlaccedilatildeo significativa entre as acuraacutecias obtidas para as accedilotildees
do Ibovespa
652 Aplicaccedilatildeo do modelo utilizando a combinaccedilatildeo das 10 accedilotildees com
maiores pesos nos iacutendices Ibovespa e Dow Jones
Na subseccedilatildeo 651 apresentamos as acuraacutecias obtidas com a combinaccedilatildeo de todas
as accedilotildees dos iacutendices no modelo Aqui estamos interessados em investigar o resultado
da combinaccedilatildeo linear apenas das 10 accedilotildees com maiores pesos de participaccedilatildeo nos
iacutendices Para tanto vamos executar o programa utilizando os mesmos paracircmetros
da anaacutelise anterior A tabela 5 mostra os resultados de acuraacutecias obtidos A coluna
denominada rsquoAcuraacutecia Q1rsquo mostra as acuraacutecias obtidas no quadrimestre 1 e a coluna
rsquoAcuraacutecia Q2rsquo mostra as acuraacutecias do quadrimestre 2 Os valores em negrito indicam
que a acuraacutecia aumentou no quadrimestre 2 em relaccedilatildeo ao quadrimestre 1 70 dos
casos do Ibovespa e 60 para o Dow Jones
56
Tabela 5 ndash Acuraacutecias do modelo no primeiro e segundo quadrimestres para a combinaccedilatildeodas 10 accedilotildees com maiores participaccedilotildees nos iacutendices Ibovespa e Dow Jones
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q1 Acuraacutecia Q2 Accedilatildeo Acuraacutecia Q1 Acuraacutecia Q2
1 05417 05630 1 04857 051892 05142 05293 2 04706 049693 05604 05496 3 05142 050544 05445 05770 4 05096 052075 05197 05336 5 04867 050186 05299 05226 6 05369 050507 05089 05354 7 05547 053028 04897 05430 8 04853 049819 05258 05212 9 05322 0540510 06155 06689 10 05113 05022
Nota Os valores em negrito indicam que a acuraacutecia aumentou no segundo quadrimentreem relaccedilatildeo ao primeiro Percebemos que os resultados satildeo melhores no segundo
quadrimestre para as accedilotildees dos dois iacutendices analisados A relaccedilatildeo de melhoria da acuraacuteciafoi de 70 para as accedilotildees do Ibovespa e 60 para as accedilotildees do Dow Jones
Analisando de forma geral as tabelas 4 e 5 natildeo eacute perceptiacutevel se houve ou natildeo
ganhos quando combinadas todas as accedilotildees que compotildeem os iacutendices em relaccedilatildeo a
quando combinamos apenas as 10 accedilotildees com maiores pesos nestes mesmos iacutendices
Para facilitar a anaacutelise construiacutemos a figura 15 que mostra as acuraacutecias obtidas no
primeiro e segundo quadrimestres de 2017 quando combinamos todas as accedilotildees dos
iacutendices Dow Jones e Ibovespa e tambeacutem quando combinamos apenas a 10 accedilotildees
com maiores participaccedilotildees nestes iacutendices O eixo das ordenadas do graacutefico se refere
agraves acuraacutecias obtidas no quadrimestre 2 jaacute o eixo das abscissas se refere agraves acuraacutecias
no quadrimestre 1
57
046
048
05
052
054
056
046 048 05 052 054 056046
048
05
052
054
056 a Q
2
05
06
07
08
05 055 06 065 07 a Q1
05
06
07
08
(c)
(d)(b)
(a)
Figura 15 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 Osresultados satildeo referentes agraves acuraacutecias do modelo para o primeiro e segundoquadrimestres de 2017 aplicado a todas as accedilotildees que compotildeem os iacutendicesDow Jones e Ibovespa e tambeacutem para as 10 accedilotildees com maiores pesos nestesiacutendices Os dados analisados satildeo referentes agraves seacuteries de preccedilos de fechamentocom granularidades de 5 minutos no periacuteodo de 020117 a 310817 (primeiroe segundo quadrimestres de 2017) O tamanho do ajuste utilizado foi R = 1000(a) Representa as acuraacutecias para a combinaccedilatildeo de todas accedilotildees que compotildeem oiacutendice Dow Jones no primeiro e segundo quadrimestres (b) mostra as acuraacuteciasobtidas no primeiro e segundo quadrimestres para a combinaccedilatildeo das 10 accedilotildeesdo iacutendice Dow Jones com maiores participaccedilotildees no iacutendice (c) Representa asacuraacutecias obtidas no primeiro e segundo quadrimestres para a combinaccedilatildeode todas as accedilotildees que compotildeem o iacutendice Ibovespa (d) Mostra as acuraacuteciasdo primeiro e segundo quadrimestres para a combinaccedilatildeo das 10 accedilotildees doIbovespa com maiores pesos no iacutendice
58
Analisando os pontos obtidos na figura 15 natildeo podemos concluir que a combinaccedilatildeo
das 10 accedilotildees com maiores pesos nos iacutendices melhora as acuraacutecias obtidas quando
comparadas com as taxas obtidas combinando todas as accedilotildees que compotildeem os
iacutendices
653 Anaacutelise do desempenho do modelo aplicado agraves accedilotildees de melhor
acuraacutecia no quadrimestre precedente
A tabela 6 mostra as acuraacutecias obtidas para todas as accedilotildees que compotildeem os iacutendices
Ibovespa e Dow Jones As acuraacutecias obtidas satildeo para R = 1000 e estatildeo ordenadas
do maior para a menor valor Destacamos os 10 melhores resultados de a As cores
semelhantes mostram as accedilotildees que participaram do conjunto com os melhores resul-
tados no quadrimestre 1 e tambeacutem apareceram entre as 10 accedilotildees com os melhores
resultados no quadrimestre 2 Os valores em negrito indicam que a accedilatildeo apresentou
maior acuraacutecia no quadrimestre 2 em relaccedilatildeo ao quadrimestre 1 Pela tabela 6 e
figura 14 podemos observar que as 10 melhores acuraacutecias obtidas conjuntamente
em ambos os quadrimestres natildeo satildeo necessariamente as accedilotildees com maiores partici-
paccedilotildees nos iacutendices exceto a accedilatildeo 10 do Ibovespa Isso nos motiva a investigar se
obtemos melhores acuraacutecias combinando no modelo a cada quadrimestre apenas
as 10 accedilotildees que apresentaram melhores resultados no quadrimestre anterior
Os resultados da anaacutelise satildeo mostrados na tabela 7 e comparados a resultados
de acuraacutecias obtidas tambeacutem no mesmo quadrimestre poreacutem utilizando dados de
todas as accedilotildees dos respectivos iacutendices (n = 30 Dow Jones e n = 58 Ibovespa)
Os valores em negrito indicam que a combinaccedilatildeo das 10 accedilotildees eacute melhor quando
comparada agraves acuraacutecias obtidas utilizando todas as accedilotildees dos iacutendices Utilizando o
primeiro quadrimestre para selecionar accedilotildees a investir no segundo quadrimestre natildeo
utilizamos dados futuros na anaacutelise Para as accedilotildees do Ibovespa a meacutedia das acuraacutecias
obtida para a combinaccedilatildeo de todas as accedilotildees foi 0 5737 e para a combinaccedilatildeo das 10
melhores accedilotildees do quadrimestre anterior foi 0 5746 A meacutedia para o iacutendice Dow Jones
foi 0 5019 para a combinaccedilatildeo de todas as accedilotildees e 0 5017 para a combinaccedilatildeo das
10 melhores accedilotildees do quadrimestre anterior Estes valores se referem agrave meacutedia das
acuraacutecias das 10 accedilotildees analisadas Pela proporccedilatildeo dos valores obtida natildeo podemos
concluir que haacute ganhos significativos aplicando esta metodologia
59
Tabela 6 ndash Comparaccedilatildeo das acuraacutecias para todas as accedilotildees dos iacutendices Ibovespa e DowJones no primeiro e segundo quadrimestres
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q1 Accedilatildeo Acuraacutecia Q2 Accedilatildeo Acuraacutecia Q1 Accedilatildeo Acuraacutecia Q2
32 06810 32 07417 7 05341 2 0533952 05844 57 06109 24 05256 20 0531856 05650 10 06053 28 05229 29 0527257 05612 35 05963 27 05221 8 0522910 05541 52 05802 17 05218 27 0522339 05493 11 05596 6 05207 23 0521746 05467 12 05578 4 05207 28 0520434 05458 50 05565 3 05194 10 0515950 05457 37 05521 15 05177 19 0514115 05448 56 05513 19 05174 21 0512733 05413 4 05510 16 05138 3 0512644 05395 51 05494 10 05102 11 0512349 05384 13 05493 9 05097 7 051164 05362 16 05478 23 05089 30 051126 05362 29 05465 11 05086 26 05084
35 05362 38 05430 29 05060 5 0507912 05361 3 05427 20 05048 16 0505719 05350 33 05379 26 05023 4 0504117 05320 31 05353 18 05021 13 0501043 05288 15 05349 5 05016 9 0499422 05270 55 05339 8 05010 14 0498920 05265 2 05329 12 05000 22 0496418 05259 45 05318 1 04912 18 0495141 05229 46 05304 25 04903 1 0494755 05229 54 05303 13 04893 15 0490751 05227 5 05295 21 04843 12 048939 05226 18 05282 14 04839 24 04829
53 05213 6 05268 22 04806 25 0482024 05208 20 05261 30 04710 6 0481221 05207 42 05229 2 04577 17 0479231 05200 49 0522554 05196 53 052248 05187 1 052231 05183 47 05212
47 05181 24 0521013 05147 58 0520529 05141 8 0520326 05141 44 0518928 05137 23 051805 05129 28 0516848 05121 26 0516658 05121 21 0516623 05100 36 0516514 05097 39 0516416 05072 22 0513725 05057 41 0512438 05055 27 051203 05053 34 05097
36 05052 40 0508945 05047 14 0506930 05042 48 0505042 05018 43 0503427 05017 25 0502740 04968 30 0501937 04967 7 049737 04964 19 0496811 04861 17 048512 04833 9 04840
Nota As acuraacutecias estatildeo em ordem decrescente Os 10 melhores resultados estatildeo delimitados na tabela As coresequivalentes indicam que a accedilatildeo tem o valor de acuraacutecia dentre os 10 melhores resultados no quadrimestre 1 e tambeacutemse manteve entre as 10 melhores no quadrimestre 2 Os valores em negrito indicam que aleacutem da accedilatildeo estar entre as 10
melhores nos 2 quadrimestres a acuraacutecia aumentou no segundo quadrimentre
60
Tabela 7 ndash Acuraacutecias do modelo para a combinaccedilatildeo das 10 accedilotildees dos iacutendices Ibovespa eDow Jones com os melhores resultados no primeiro quadrimestre
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q2
n = 58Acuraacutecia Q2n = 10
Accedilatildeo Acuraacutecia Q2n = 30
Acuraacutecia Q2n = 10
32 07418 07707 7 05117 0499652 05802 05800 24 04829 0503256 05514 05438 28 05204 0517457 06110 06050 27 05224 0524310 06053 05811 17 04793 0496039 05165 05174 6 04813 0494146 05304 05326 4 05042 0496634 05098 05253 3 05126 0484250 05565 05545 15 04907 0503415 05349 05363 19 05142 04986
Nota Para Ibovespa na coluna com n = 58 todas as accedilotildees do iacutendice foram utilizadas pelomodelo na coluna com n = 10 somente as accedilotildees com as 10 melhores acuraacutecias no
quadrimeste 1 foram empregadas pelo modelo Analogamente para Dow Jones Os valoresem negrito indicam que a acuraacutecia aumentou no segundo quadrimestre utilizando a
combinaccedilatildeo das 10 melhores accedilotildees no quadrimestre 1 em relaccedilatildeo ao segundoquadrimestre utilizando a combinaccedilatildeo de todas as accedilotildees dos iacutendices Natildeo observamos
ganhos nos resultados quando utilizamos apenas a combinaccedilatildeo das 10 melhores accedilotildees emrelaccedilatildeo ao modelo que utiliza a combinaccedilatildeo de todas as accedilotildees dos iacutendices
61
Diante das acuraacutecias obtidas na tabela 6 investigamos se haacute uma correlaccedilatildeo entre
estes valores de a Para isso calculamos o coeficiente de correlaccedilatildeo linear de Pearson
ρ O resultado do caacutelculo do coeficiente de correlaccedilatildeo entre as acuraacutecias das accedilotildees
do iacutendice Ibovespa obtidas no primeiro e segundo quadrimestre foi ρ = 0 7156
(pminus valor = 2 7521times 10minus10) e para as accedilotildees do iacutendice Dow Jones foi ρ = minus0 1493
Este resultado indica que para as accedilotildees do Ibovespa quando o modelo teve um bom
resultado no quadrimestre ele tende a ter bons resultados no quadrimestre seguinte
Como esperado o mesmo natildeo acontece para as accedilotildees do iacutendice Dow Jones em
que o coeficiente de correlaccedilatildeo ρ = minus0 1493 (p minus valor = 0 4311) indica uma
pequena anti-correlaccedilatildeo dos acertos de tendecircncias A accedilatildeo 32 do iacutendice Ibovespa
apresentou uma acuraacutecia alta em ambos quadrimestres Assim para evitar resultados
tendenciosos ela foi retirada do caacutelculo da correlaccedilatildeo Com a retirada destes valores
o coeficiente de correlaccedilatildeo das acuraacutecias das accedilotildees do iacutendice Ibovespa foi menor
ρ = 0 3894 (pminus valor = 0 0028) mas ainda significante (COHEN 1977)
66 Votaccedilatildeo
Uma votaccedilatildeo entre tendecircncias previstas foi utilizada com o intuito de melhorar a
consistecircncia da acuraacutecia do modelo e aumentar o tamanho da amostra A metodologia
da teacutecnica consiste em fazer vaacuterias previsotildees utilizando diferentes tamanhos de R
e posteriormente fazer a votaccedilatildeo levando em consideraccedilatildeo a direccedilatildeo de tendecircncia
de preccedilos apontada por cada modelo e o tamanho em moacutedulo do retorno previsto
Apenas os ajustes que tecircm previsotildees no conjunto U4 que se referem aos maiores
retornos previstos em moacutedulo entram na votaccedilatildeo Nesta votaccedilatildeo consideramos como
a decisatildeo de tendecircncia prevista a direccedilatildeo apontada pela maioria dos votantes e
empate entre os votantes como sinal para manter a posiccedilatildeo no tempo t + 1 (natildeo
operar)
Podemos variar diversos paracircmetros de entrada na votaccedilatildeo tais como quantidade
de votantes tamanho inicial de R incremento da quantidade de pontos a cada nova
iteraccedilatildeo accedilotildees que participam da combinaccedilatildeo linear e quantidade de votos que
decidem a previsatildeo Nas figuras 16 e 17 mostramos os resultados das acuraacutecias
obtidas para todas as accedilotildees dos iacutendices Dow Jones e Ibovespa no primeiro e segundo
quadrimestres de 2017 Nesta anaacutelise utilizamos 10 votantes um valor inicial de
R = 1000 incremento de 100 pontos a cada nova execuccedilatildeo e a diferenccedila acima de 1
voto jaacute decide direccedilatildeo da tendecircncia prevista que seraacute considerada
A figura 16 mostra os resultados obtidos para a amostra com os dados referentes ao
primeiro quadrimestre de 2017 A curva na cor vermelha eacute referente agraves acuraacutecias a
obtidas sem a votaccedilatildeo utilizando apenas um valor de R = 1000 A curva na cor azul
refere-se agrave meacutedia das acuraacutecias a obtidas utilizando 10 diferentes tamanhos de R
62
com o valor inicial de R = 1000 com incremento de 100 pontos a cada nova execuccedilatildeo
do modelo A curva na cor verde mostra a acuraacutecia a obtida com a votaccedilatildeo entre os
10 diferentes tamanhos de R
1 5 10 15 20 25 30045
05
055
06VotaccedilatildeoMeacutediaSem votaccedilatildeo
1 5 10 15 20 25 30 35 40 45 50 55 58 accedilotildees
045
05
06
07
(a)
(b)
Figura 16 ndash Acuraacutecias obtidas no primeiro quadrimestre de 2017 utilizando Votingmeacutedia e sem votaccedilatildeo A curva na cor vermelha representa a acuraacutecia autilizando apenas um valor de R = 1000 A curva na cor verde mostra aacuraacutecia a utilizando a votaccedilatildeo de 10 diferentes valores de R O valor inicialeacute R = 1000 com incremento de 100 pontos a cada nova execuccedilatildeo A curvaazul define a meacutedia da acuraacutecia a de todos os 10 tamanhos de R utilizados navotaccedilatildeo Os dados analisados satildeo referentes agraves seacuteries de preccedilos de fechamentocom granularidades de 5 minutos no periacuteodo de 020117 a 280417 (primeiroquadrimestre de 2017) (a) Acuraacutecias de todas as accedilotildees que compotildeem o iacutendiceDow Jones Foram realizadas 2200 execuccedilotildees para cada tamanho de R (b)Acuraacutecias obtidas para todas as accedilotildees que compotildeem o iacutendice Ibovespa Paracada tamanho de R realizamos 3300 execuccedilotildees
A figura 17 mostra os resultados obtidos para a amostra composta pelos dados
referentes ao segundo quadrimestre de 2017 Anaacuteloga agrave figura 16 os paracircmetros
utilizados satildeo os mesmos estabelecidos anteriormente
63
1 5 10 15 20 25 30046
048
05
052
054
056
1 5 10 15 20 25 30 35 40 45 50 55 58 Accedilotildees
04
05
06
07
08VotaccedilatildeoMeacutediaSem votaccedilatildeo
(b)
(a)
Figura 17 ndash Acuraacutecias obtidas no segundo quadrimestre de 2017 utilizando votaccedilatildeomeacutedia e sem votaccedilatildeo A curva na cor verde mostra a acuraacutecia a utilizando avotaccedilatildeo entre os 10 diferentes valores de R O valor inicial eacute R = 1000 comincremento de 100 pontos a cada nova execuccedilatildeo A curva azul representa ameacutedia da acuraacutecia a para todos os tamanhos de R utilizados na votaccedilatildeo Acurva em vermelho descreve a acuraacutecia a obtida para um valor de R = 1000Os dados analisados satildeo referentes agraves seacuteries de preccedilos de fechamento comgranularidades de 5 minutos no periacuteodo de 020517 a 310817 (segundoquadrimestre de 2017) (a) Acuraacutecias de todas as accedilotildees que compotildeem o iacutendiceDow Jones Foram realizadas 2700 execuccedilotildees para cada tamanho de R (b)Representam as acuraacutecias obtidas para todas as accedilotildees que compotildeem o iacutendiceIbovespa Para cada valor de R foram realizadas 3300 execuccedilotildees
64
Analisando as figuras 16 e 17 visualmente natildeo percebemos ganhos de acuraacutecia a
quando comparada agrave teacutecnica de votaccedilatildeo com os outros meacutetodos aplicados Como
mencionado anteriormente neste trabalho utilizamos apenas dados com maiores
retornos previstos em moacutedulo que se referem agraves tendecircncias previstas que estatildeo no
conjunto do quarto quartil U4 Assim a vantagem da votaccedilatildeo em relaccedilatildeo agrave utilizaccedilatildeo
de meacutedias ou de um valor fixo de R eacute a possibilidade de aumento na quantidade de
previsotildees uma vez que sem a votaccedilatildeo utilizamos em meacutedia apenas 14
dos dados
para as previsotildees no quarto quartil Por outro ladoa presenccedila de um ou mais votantes
em U4 jaacute eacute suficiente para que a votaccedilatildeo ocorra levando o nuacutemero de previsotildees a
crescer substancialmente
67 Consideraccedilotildees gerais
Na seccedilatildeo 61 investigamos a relaccedilatildeo da variaccedilatildeo do tamanho de R no resultado final
da acuraacutecia a Nesta anaacutelise observamos que para valores maiores de R os valores
de a tendem a aumentar Poreacutem utilizar valores grandes de R estaacute diretamente ligado
a perda de dados da amostra Assim eacute preciso definir uma quantidade de pontos
para o ajuste que apresente uma boa acuraacutecia sem comprometer o volume de dados
Baseados nas figuras 7 e 6 definimos que nas etapas de aplicaccedilatildeo e simulaccedilatildeo a
quantidade de pontos utilizados no ajuste seraacute R = 1000
Na seccedilatildeo 62 investigamos se a quantidade de accedilotildees interfere na acuraacutecia do modelo
A figura 10 sugere uma moderada melhora nos resultados das acuraacutecias em torno da
combinaccedilatildeo de 10 accedilotildees
Na seccedilatildeo 63 analisamos a relaccedilatildeo da acuraacutecia do modelo com a granularidade
dos dados Para as accedilotildees do iacutendice Dow Jones natildeo notamos diferenccedilas quando
combinamos todas as accedilotildees que compotildeem o iacutendice Um leve ganho no resultado foi
observado quando combinamos as 10 accedilotildees com maiores participaccedilotildees no iacutendice
Para as accedilotildees que compotildeem a carteira teoacuterica do Ibovespa a melhor acuraacutecia obtida
foi para os dados com frequecircncia de cotaccedilatildeo de 5 minutos quando combinadas
as 10 accedilotildees com maiores participaccedilotildees no iacutendice Desta forma a amostra com
granularidade de 5 minutos eacute a que seraacute utilizada em aplicaccedilotildees futuras do modelo de
previsatildeo
Na seccedilatildeo 64 investigamos se haacute uma relaccedilatildeo entre as acuraacutecias obtidas e os
expoentes de Hurst das seacuteries analisadas Em geral natildeo encontramos padrotildees
relacionados agraves acuraacutecias e os expoentes H Um caso atiacutepico foi a acuraacutecia e o
expoente de Hurst relacionado agrave accedilatildeo 32 do iacutendice Ibovespa Para esta accedilatildeo o
expoente foi H = 0 2816 e a taxa de acuraacutecia a = 68 10 Este resultado sugere que
para a seacuterie com anti-persistecircncia o modelo obteacutem melhores taxas de acerto Os
65
outros expoentes ficaram na faixa de variabilidade de 0 45 le H le 0 55 Com isso
natildeo podemos afirmar que haacute um padratildeo relacionando as acuraacutecias e os expoentes
de Hurst das seacuteries analisadas
Na seccedilatildeo 65 investigamos se as taxas de acuraacutecia calculadas em um quadrimestre
se mantecircm no quadrimestre seguinte Nas anaacutelises investigamos qual o nuacutemero
das accedilotildees que apareceram entre as 10 melhores acuraacutecias no quadrimestre 1 e
tambeacutem no quadrimestre 2 Na figura 14 observamos que para as accedilotildees do iacutendice
Dow Jones o nuacutemero de accedilotildees que estavam presentes entre as 10 que apresentaram
melhores acuraacutecias nos quadrimestres 1 e 2 foi 3 Este resultado sugere a completa
aleatoriedade Jaacute para as accedilotildees que compotildeem o Ibovespa a figura 14 mostra 6 accedilotildees
nessa condiccedilatildeo indicando que o processo natildeo deve ser completamente aleatoacuterio
Ainda na seccedilatildeo 65 outra anaacutelise foi baseada na quantidade e em quais accedilotildees que
devemos combinar para aplicar o modelo Baseados nas meacutedias das acuraacutecias obtidas
natildeo encontramos grandes variaccedilotildees nos valores quando utilizamos no modelo todas
as accedilotildees quando combinamos as 10 accedilotildees com maiores pesos e ainda quando
utilizamos a combinaccedilatildeo das 10 accedilotildees que apresentaram as melhores acuraacutecias
no quadrimestre anterior Em geral as anaacutelises desta seccedilatildeo nos mostraram que o
modelo tende a manter as taxas de acuraacutecia quando utilizamos diferentes accedilotildees e
quando variamos a sua quantidade As taxas tambeacutem se mantecircm para diferentes
quadrimestres indicando consistecircncia das previsotildees
Na seccedilatildeo 66 desenvolvemos uma teacutecnica de votaccedilatildeo em relaccedilatildeo agrave direccedilatildeo da ten-
decircncia prevista Nessa anaacutelise 10 diferentes valores de R participaram da votaccedilatildeo
Em geral os resultados obtidos com a teacutecnica natildeo foram melhores quando compa-
rados com a meacutedia das acuraacutecias obtida utilizando os 10 valores de R Em meacutedia
os resultados da votaccedilatildeo tambeacutem se equipararam aos resultados obtidos utilizando
um valor uacutenico de R = 1000 A vantagem do uso da teacutecnica estaacute na possibilidade de
aumento do tamanho da amostra
Na proacutexima etapa do trabalho vamos fazer simulaccedilotildees do modelo combinando os
melhores paracircmetros explorados neste capiacutetulo
66
Capiacutetulo 7
Simulaccedilatildeo
No Capiacutetulo 6 exploramos algumas das possibilidades de combinaccedilotildees de paracircmetros
que podem ser utilizadas para ajustar o modelo de previsatildeo de forma a obter uma
melhor acuraacutecia Na seccedilatildeo 61 investigamos a relaccedilatildeo entre a variaccedilatildeo do tamanho de
R e o resultado final da acuraacutecia para definirmos um valor razoaacutevel para ser utilizado
na etapa de aplicaccedilatildeo do modelo Na seccedilatildeo 62 investigamos o quanto o nuacutemero
de accedilotildees utilizadas como entrada para o modelo impactava as acuraacutecias Na seccedilatildeo
63 analisamos a relaccedilatildeo da acuraacutecia do modelo com a granularidade dos dados e
percebemos uma moderada melhora nos resultados para os dados com frequecircncia
de cotaccedilatildeo de 5 minutos Na seccedilatildeo 64 investigamos se haacute uma relaccedilatildeo entre as
acuraacutecias obtidas e os expoentes de Hurst das seacuteries Diante destas possibilidades
ajustamos o modelo de previsatildeo utilizando as combinaccedilotildees de paracircmetros mais
adequadas a cada anaacutelise Natildeo podemos afirmar que a combinaccedilatildeo escolhida eacute a
combinaccedilatildeo oacutetima poreacutem no Capiacutetulo 6 foram os paracircmetros que apresentaram as
melhores acuraacutecias Assim nesta etapa estas satildeo as entradas do modelo que seratildeo
utilizadas na simulaccedilatildeo
Neste capiacutetulo vamos mostrar as estrateacutegias de negociaccedilatildeo baseadas no modelo
que retorna um sinal de compra venda ou natildeo opera apresentado no capiacutetulo 5 Para
calibrar o modelo de previsatildeo utilizamos os paracircmetros explorados no Capiacutetulo 6
Os criteacuterios para definir uma compra ou venda dependem da tendecircncia prevista do
preccedilo de fechamento da accedilatildeo Os dados utilizados para a execuccedilatildeo do modelo de
previsatildeo para gerar o sinal da operaccedilatildeo satildeo os preccedilos tratados X(t) definidos na
seccedilatildeo 51 Na etapa de aplicaccedilatildeo e anaacutelise de ganhos financeiros vamos utilizar os
preccedilos brutos de fechamento x(t) definidos como
x(t) =
x1(t)
x2(t)
xn(t)
(39)
67
onde xk(t) eacute o preccedilo bruto da accedilatildeo k no tempo t
Na proacutexima seccedilatildeo vamos descrever o fluxo das estrateacutegias as bases de dados e as
configuraccedilotildees aplicadas nas simulaccedilotildees Nas seccedilotildees 72 e 73 vamos apresentar as
caracteriacutesticas de cada uma das estrateacutegias bem como os seus resultados obtidos
com a simulaccedilatildeo
71 Visatildeo geral dos modelos de operaccedilatildeo
Para a simulaccedilatildeo desenvolvemos duas estrateacutegias com caracteriacutesticas diferentes
uma que de acordo com o sinal enviado pelo modelo executa a operaccedilatildeo e desfaz
no passo seguinte (modelo de operaccedilatildeo 1 - MO1) e outra que executa a operaccedilatildeo e
desfaz somente quando atingir os valores dos stops definidos (modelo de operaccedilatildeo 2
- MO2) Nesta seccedilatildeo vamos apresentar o fluxo geral das estrateacutegias e nas seccedilotildees 72
e 73 cada uma delas seraacute apresentada de forma detalhada
A simulaccedilatildeo da negociaccedilatildeo no mercado real foi baseada em backtest1 disponibilizado
pelo portal dedicado ao desenvolvimento de algoritmos de investimento (algotrading)
Stratsphera BETA Na plataforma de algotrading as estrateacutegias foram desenvolvidas
utilizando a linguagem de programaccedilatildeo Python numa estrutura baseada em eventos
A plataforma foi descontinuada em Julho de 2019
Durante a simulaccedilatildeo o modelo de previsatildeo utiliza os candles disponiacuteveis ateacute o tempo
t para gerar um sinal indicando a tendecircncia do preccedilo de fechamento no tempo t+ 1
Baseados neste sinal podemos realizar operaccedilotildees de compra ou venda a mercado
De posse deste sinal que utiliza o uacuteltimo preccedilo de fechamento do candle o ideal seria
executar imediatamente a ordem na abertura do proacuteximo candle poreacutem por limitaccedilotildees
da plataforma de simulaccedilatildeo natildeo conseguimos realizar as operaccedilotildees exatamente no
preccedilo de abertura mas sim em um preccedilo aproximado de abertura
qo = po + (pc minus po)ε1 (40)
onde po eacute o preccedilo de abertura do candle pc eacute o preccedilo de fechamento do candle e ε1foi escolhido ε1 = 1
60
Para a estrateacutegia que utiliza fechamento de candle para zerar a posiccedilatildeo (MO1)
consideramos a aproximaccedilatildeo do preccedilo de fechamento
qc = po + (pc minus po)ε2 (41)
com ε2 = 1415
Valores menores de ε1 e maiores de ε2 levavam a operaccedilotildees que natildeo
aconteciam dentro do candle esperado Nas etapas seguintes do trabalho quando
1Execuccedilatildeo de uma estrateacutegia com uso de dados histoacutericos
68
referirmos a preccedilos de abertura e fechamento de candle utilizados em operaccedilotildees
consideraremos estas aproximaccedilotildees aqui definidas
Analogamente aos capiacutetulos anteriores somente retornos previstos que estatildeo no
quarto quartil (ver seccedilatildeo 53) satildeo considerados para a operaccedilatildeo Deste modo se
o preccedilo de fechamento previsto no tempo t + 1 for maior (menor) que o preccedilo real
no tempo t a tendecircncia prevista eacute de alta (baixa) Assim durante a simulaccedilatildeo a
cada novo evento (que corresponde a um novo candle) analisamos se o retorno
previsto para cada valor de R estaacute no quarto quartil e se esta condiccedilatildeo for satisfeita
o sinal correspondente eacute considerado em uma votaccedilatildeo (ver seccedilatildeo 66) De acordo
com o sinal da votaccedilatildeo realizamos uma nova operaccedilatildeo de compra (long) ou venda
descoberta (short) a mercado As posiccedilotildees de cada uma das operaccedilotildees satildeo fechadas
de forma independente
Para fechar as posiccedilotildees de compra ou venda descoberta de cada operaccedilatildeo definimos
dois modelos de operaccedilatildeo o modelo de operaccedilatildeo 1 (MO1) e o modelo de operaccedilatildeo 2
(MO2) O MO1 sempre desfaz a operaccedilatildeo no candle seguinte atraveacutes de uma contra
ordem O MO2 desfaz as posiccedilotildees baseado em stops As caracteriacutesticas de cada uma
das estrateacutegias seratildeo detalhadas nas seccedilotildees 72 e 73
Nas simulaccedilotildees utilizamos 3 tamanhos diferentes de R Para cada valor de R o
modelo gera um sinal de tendecircncia prevista sendo possiacutevel realizar a votaccedilatildeo entre
estes sinais gerados Nas execuccedilotildees seguintes a cada chegada de um novo candle
a janela eacute atualizada com o novo valor e descarta-se o dado mais antigo Os dados
utilizados para a simulaccedilatildeo das estrateacutegias foram preccedilos de abertura e fechamento
das 10 accedilotildees com maior liquidez na Bovespa nos anos de 2017 e 2018 Informaccedilotildees
de volume tambeacutem foram utilizadas para anaacutelise dos experimentos Esta reduccedilatildeo
no nuacutemero de accedilotildees analisadas eacute devida a limitaccedilotildees da plataforma em relaccedilatildeo ao
custo de execuccedilatildeo e tambeacutem pelo fato de diminuir execuccedilotildees parciais devido ao
volume reduzido de candles de accedilotildees com menor liquidez A frequecircncia dos candles
utilizados eacute de 5 minutos Os tamanhos das janelas de dados utilizadas foram R = 500
R = 1000 e R = 1500
Diante de cada novo candle disponiacutevel o modelo utiliza a janela de dados para tratar o
preccedilo conforme a seccedilatildeo 51 e calcular o novo sinal naquele instante para cada valor
de R Uma votaccedilatildeo eacute realizada entre os sinais retornados para cada R Conforme o
resultado obtido a ordem eacute enviada pela plataforma de acordo com o sinal de compra
venda ou natildeo opera retornado pelo modelo (ver seccedilatildeo 66) O modelo prevecirc o preccedilo
de fechamento no tempo t+ 1 por isso o ideal seria realizar a operaccedilatildeo no mesmo
preccedilo que foi utilizado para fazer a previsatildeo poreacutem natildeo eacute possiacutevel executar a ordem
neste preccedilo de fechamento pc(t)2 Desta forma configuramos as funccedilotildees agendadas
2pc(t) coincide com os preccedilos brutos x(t) definidos em 39
69
da plataforma para que o preccedilo de execuccedilatildeo fique o mais proacuteximo possiacutevel do preccedilo
de abertura do candle seguinte po(t+ 1) Como discutido anteriormente a plataforma
natildeo permite a negociaccedilatildeo exatamente com esse preccedilo sendo realizada no preccedilo
q0(t + 1) conforme a equaccedilatildeo 40 Ou seja utilizamos o preccedilo de fechamento no
tempo t para gerar o sinal e realizamos a operaccedilatildeo num preccedilo proacuteximo ao de abertura
po(t+ 1) do candle seguinte
Para uma dada accedilatildeo a estrateacutegia soacute recebe um sinal de compravenda quando
o modelo prevecirc retornos que estatildeo no quarto quartil (veja seccedilatildeo 53) Em caso
contraacuterio o modelo envia um sinal neutro para que natildeo execute operaccedilotildees naquele
momento Para verificar se os retornos previstos estatildeo no quarto quartil utilizamos
uma janela de tamanho Q = 100 pontos Desta forma a primeira operaccedilatildeo soacute poderaacute
ocorrer a partir do (Q + 1)-eacutesimo sinal produzido Antes disso o modelo sempre
retornaraacute sinais neutros Dado o sinal natildeo neutro uma ordem de compra ou venda
descoberta eacute submetida A venda descoberta eacute feita quando o modelo retorna um
sinal indicando que o preccedilo poderaacute cair Neste caso acreditando que o preccedilo da
accedilatildeo iraacute baixar vendemos a accedilatildeo a descoberto e de acordo com o criteacuterio de cada
estrateacutegia compramos a accedilatildeo para repor a venda em tempos seguintes A sequecircncia
da simulaccedilatildeo eacute apresentada na figura 18
Para padronizar utilizamos os mesmos paracircmetros na configuraccedilatildeo da plataforma
para as duas estrateacutegias O capital inicial utilizado em ambas foi de R$1000000 00 A
quantidade de cada uma das accedilotildees negociadas a cada ordem foi 10 vezes o tamanho
do lote padratildeo Na plataforma as accedilotildees soacute satildeo negociadas em lotes padratildeo natildeo
sendo permitidas negociaccedilotildees no mercado fracionaacuterio3 A quantidade de accedilotildees no
lote padratildeo definido na plataforma em alguns casos difere da quantidade definida no
mercado real conforme apresentado nas tabelas 24 e 25 disponiacuteveis no apecircndice
B Como exemplo temos a accedilatildeo do Bradesco (BBDC4) que tem na composiccedilatildeo de
seu lote padratildeo 145 accedilotildees enquanto no mercado real o lote padratildeo desta accedilatildeo eacute
composto por 100 accedilotildees
As configuraccedilotildees de custos satildeo utilizadas para incluir custos transacionais durante
a execuccedilatildeo da estrateacutegia As configuraccedilotildees de custo aplicadas na simulaccedilatildeo foram
baseadas no cenaacuterio brasileiro Aplicamos as taxas cobradas pela Bovespa conforme
a tabela 8 e consideramos as operaccedilotildees atraveacutes de corretoras que oferecem taxas
zero para negociaccedilotildees no mercado agrave vista Os custos transacionais foram aplicados
de acordo com o volume financeiro negociado Para comparaccedilatildeo as simulaccedilotildees foram
realizadas com taxas e sem taxas
No mercado real eacute possiacutevel que as ordens lanccediladas sejam executadas parcialmente
Isso acontece devido ao volume da ordem e agrave liquidez do ativo Na simulaccedilatildeo aqui
3No mercado fracionaacuterio satildeo negociadas fraccedilotildees do lote padratildeo das accedilotildees
70
Tabela 8 ndash Taxas de negociaccedilatildeo e de liquidaccedilatildeo da BOVESPA
Volume daytrade (R$ milhotildees)Negociaccedilatildeo Liquidaccedilatildeo TotalPessoa fiacutesica Pessoa juriacutedica
Ate 4 Ateacute 20 0004245 0020000 0024245De 4 ateacute 125 De 20 ateacute 50 0003000 0020000 0023000
De 125 ateacute 25 De 50 ateacute 250 0000500 0019500 0020000De 25 ateacute 50 De 250 ateacute 500 0000500 0017500 0018000Mais de 50 Mais de 500 0000500 0015500 0016000
Nota Os valores satildeo para operaccedilotildees de day trade e foram obtidos no site da BOVESPAdisponiacutevel em httpwwwb3combrpt_brprodutos-e-servicostarifaslistados-a-vista-e-
derivativosrenda-variaveltarifas-de-acoes-e-fundos-de-investimentoa-vista
descrita configuramos para que o volume da ordem lanccedilada seja executado totalmente
na simulaccedilatildeo Poreacutem em alguns casos em accedilotildees com menor liquidez o volume do
candle disponiacutevel seraacute menor que o tamanho da ordem submetida e neste caso a
ordem seraacute executada parcialmente ateacute o limite maacuteximo do candle disponiacutevel Por
isso para evitarmos estas execuccedilotildees parciais utilizamos as accedilotildees com maior liquidez
na Bovespa De fato as ordens que submetemos tecircm volume bem menor do que o
dos candles Portanto acreditamos que a aproximaccedilatildeo que usamos (volume total da
ordem negociado) natildeo leva a importantes distorccedilotildees
A plataforma permite alocar o capital parado durante a estrateacutegia em uma aplicaccedilatildeo
tal como CDI4 Nas simulaccedilotildees definimos que o capital parado natildeo seraacute remune-
rado Com isso evitamos interferecircncia em nossos resultados de remuneraccedilotildees natildeo
advindas da estrateacutegia
Nas proacuteximas seccedilotildees vamos apresentar as duas estrateacutegias diferentes No modelo
de operaccedilatildeo 1 (MO1) vamos abrir a posiccedilatildeo de compra ou venda no instante de
tempo analisado e fechar a posiccedilatildeo no instante seguinte Jaacute no modelo de operaccedilatildeo 2
(MO2) uma ordem de compra ou venda eacute enviada e executada e a posiccedilatildeo referente
a esta ordem soacute seraacute zerada quando o stop definido for atingido
Para ilustrar as etapas das estrateacutegias desenvolvemos a figura 18 que apresenta as
principais fases da execuccedilatildeo Na etapa de configuraccedilatildeo dos paracircmetros definimos os
dados que seratildeo utilizados na simulaccedilatildeo tais como a frequecircncia dos candles e as
accedilotildees escolhidas Nesta etapa tambeacutem configuramos os custos operacionais capital
que seraacute alocado para a execuccedilatildeo e as variaacuteveis de controle de risco da estrateacutegia
dentre outras configuraccedilotildees possiacuteveis
Na coleta inicial de dados uma janela de dados histoacutericos de tamanho R eacute arma-
zenada para o caacutelculo da primeira matriz inicial Estes dados satildeo enviados para o
4Certificados de Depoacutesitos Interbancaacuterios satildeo tiacutetulos emitidos para a realizaccedilatildeo de operaccedilotildees de empreacutes-timo ou captaccedilatildeo de recursos financeiros entre os bancos
71
modelo de previsatildeo (MP) onde satildeo tratados Com a matriz de dados tratados X eacute
possiacutevel executar o modelo e gerar um sinal de previsatildeo Este sinal eacute aplicado de
acordo com cada estrateacutegia No modelo de operaccedilatildeo MO1 ao receber o sinal uma
posiccedilatildeo de compra ou venda eacute aberta o status da ordem eacute atualizado e a ordem
anterior se existir posiccedilatildeo aberta eacute zerada atraveacutes de uma contra ordem Jaacute na
estrateacutegia MO2 os stops satildeo calculados e a operaccedilatildeo eacute aberta Nesta estrateacutegia as
operaccedilotildees satildeo zeradas quando atingem os valores de stop loss ou stop gain Todo o
procedimento eacute repetido a cada chegada de um novo candle
72
MP
MO2
MO1
Configuraccedilatildeo
de
paracircmetros
Zera posiccedilatildeo
Calcula stops
Abre operaccedilatildeo
Gera sinal
Abre Posiccedilatildeo
Tratamento dos
dadosNovo candle
Coleta inicial
de dados
Atualiza estado
do sistema
Figura 18 ndash Fluxograma das estrateacutegias Principais fases de execuccedilatildeo do modelo deoperaccedilatildeo 1 (MO1) e do modelo de operaccedilatildeo 2 (MO2) Na etapa de configuraccedilatildeode paracircmetros satildeo definidas as caracteriacutesticas gerais das simulaccedilotildees Na etapade coleta inicial de dados uma sequecircncia de tamanho R de dados histoacutericosdas accedilotildees eacute armazenada para o caacutelculo da primeira matriz No modelo deprevisatildeo (MP) os dados satildeo tratados e enviados para que o modelo gere umsinal de previsatildeo de tendecircncia Para MO1 dado o sinal de previsatildeo natildeo neutrouma posiccedilatildeo de compravenda eacute aberta o estado do sistema eacute atualizado e aposiccedilatildeo anterior eacute zerada Jaacute em MO2 o valor do stop eacute calculado e a operaccedilatildeoeacute aberta associada aos valores de stop gain e stop loss A cada novo dadodisponiacutevel (novo candle) o modelo de previsatildeo eacute computado e todo o processoeacute repetido
73
Para quantificar o desempenho das estrateacutegias utilizamos os indicadores calculados
pela plataforma durante a execuccedilatildeo das simulaccedilotildees A descriccedilatildeo completa de cada
uma destes indicadores foi apresentada na seccedilatildeo 411 Os principais indicadores
utilizados foram
Retorno acumulado que mostra o retorno obtido com a estrateacutegia ao final da
execuccedilatildeo Eacute dado pela razatildeo entre o capital final possuiacutedo e o inicial investido
Volatilidade eacute o indicador retornado pela plataforma que representa a volatilidade da
estrateacutegia anualizada considerando os retornos diaacuterios da mesma
Sharpe eacute o iacutendice que indica a relaccedilatildeo do risco e retorno de um investimento Quanto
maior o Sharpe maior a expectativa de retorno frente ao risco associado Utiliza como
benchmark um investimento livre de risco Na simulaccedilatildeo utilizamos como benchmark
o CDI
Sortino eacute semelhante ao iacutendice Sharpe e avalia a relaccedilatildeo entre risco e retorno de
uma estrateacutegia poreacutem leva em consideraccedilatildeo apenas a volatilidade dos retornos
negativos
Max drawdown mostra a maior perda que a estrateacutegia obteve durante a execuccedilatildeo
Beta eacute o indicador que mostra a correlaccedilatildeo entre a estrateacutegia e um benchmark
medindo o quanto o crescimentodecrescimento da estrateacutegia segue o benchmark
Alpha eacute o paracircmetro que mostra o quanto a estrateacutegia se destacou positivamente dos
retornos retratados pelo benchmark
Retorno anual esperado eacute o indicador que estima o retorno que a estrateacutegia alcan-
ccedilaraacute no periacuteodo de um ano mantendo a mesma performance
Estabilidade mostra a estabilidade da estrateacutegia baseada nos retornos acumulados
PNL indica o ganho ou perda financeira ao final da execuccedilatildeo da estrateacutegia
VAR eacute utilizado para calcular o risco da estrateacutegia Na plataforma este paracircmetro
estima o pior caso esperado de retorno diaacuterio da simulaccedilatildeo
Taxas representa os custos operacionais da estrateacutegia tais como corretagem emolu-
mentos e outras tarifas de serviccedilos aplicadas ao mercado acionaacuterio brasileiro Taxas
de aluguel natildeo foram consideradas uma vez que a estrateacutegia eacute desenvolvida no
intraday5 e as posiccedilotildees satildeo zeradas no mesmo dia
72 Modelo de operaccedilatildeo 1
A estrateacutegia MO1 consiste em comprar ou vender a descoberto conforme o sinal
retornado pelo modelo e desfazer (zerar) a posiccedilatildeo no passo seguinte de acordo com
5Operaccedilotildees realizadas dentro de um mesmo dia
74
a frequecircncia do candle analisado Para esta estrateacutegia desenvolvemos trecircs funccedilotildees de
agendamento6 uma para manipulaccedilatildeo dos dados e execuccedilatildeo do modelo outra para
desfazer as posiccedilotildees abertas no mercado e por fim uma funccedilatildeo de agendamento
para emitir ordens de posicionamento (compra ou venda) de acordo com o sinal
gerado pelo modelo
Neste modelo de operaccedilatildeo aleacutem da simulaccedilatildeo eacute possiacutevel tambeacutem calcular as acu-
raacutecias da forma que foram apresentadas no capiacutetulo 6 Deste modo na proacutexima
subseccedilatildeo vamos apresentar as acuraacutecias obtidas para os mesmos dados e periacuteodos
utilizados na simulaccedilatildeo do modelo
721 Acuraacutecias
As acuraacutecias obtidas com o modelo apresentadas no capiacutetulo 6 satildeo referentes a
preccedilos de fechamento dos candles Os resultados que laacute apresentamos utilizam a
matriz de preccedilos ateacute o tempo t para gerar um sinal e encontrar os preccedilos previstos
X(t + 1) Consideramos para o caacutelculo de tendecircncia prevista a diferenccedila do preccedilo
previsto X(t+ 1) e o preccedilo real X(t) Aqui analisamos a acuraacutecia de duas formas
uma eacute idecircntica agrave anterior comparando a tendecircncia prevista agravequela observada atraveacutes
da diferenccedila entre os preccedilos de fechamento X(t) e X(t+ 1) chamaremos esta de
acuraacutecia canocircnica A outra eacute de acordo com a simulaccedilatildeo mais realiacutestica em que de
posse do preccedilo de fechamento do candle X(t) eacute possiacutevel calcular um sinal utilizando
este valor e imediatamente lanccedilar uma ordem de acordo com o sinal poreacutem o preccedilo
de execuccedilatildeo seraacute qo(t+ 1) que eacute um valor proacuteximo da abertura do candle seguinte
Desta forma a acuraacutecia deveraacute ser calculada comparando-se a tendecircncia prevista
com o movimento observado entre qo(t + 1) e X(t + 1) Estes resultados seratildeo
denominados acuraacutecias efetivas
Nas tabelas 9 e 10 mostramos as acuraacutecias obtidas para R = 500 R = 1000
R = 1500 e tambeacutem para a votaccedilatildeo unacircnime entre estes valores de R para o ano de
2017 e 2018 respectivamente Esses valores satildeo referentes a acuraacutecias canocircnicas
Os valores apresentados nas tabelas 11 e 12 satildeo referentes agraves acuraacutecias efetivas
obtidas nos anos de 2017 e 2018 respectivamente Como na simulaccedilatildeo anterior aqui
tambeacutem utilizamos os seguintes valores de R como paracircmetros de entrada para o
modelo R = 1500 R = 1000 e R = 500 Tambeacutem apresentamos a votaccedilatildeo unacircnime
entre esses valores de R
Analisando os resultados percebemos que as acuraacutecias efetivas geralmente satildeo
menores quando comparadas agraves acuraacutecias canocircnicas
6Funccedilotildees programadas para serem executadas em intervalos preacute-determinados a cada novo evento
75
Tabela 9 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespa noano de 2017
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 055176541 054323459 053798481 05496368VALE5 053415179 054329485 053480018 05384045CIEL3 053849399 054848801 054806465 05534425VALE3 052433407 052550201 051997615 05267777ITUB4 055874726 05566846 054563297 05615032PETR4 058868605 057385475 057413249 05831128ABEV3 056385379 055507608 055918367 05668191BOVA11 054358257 054148385 053963893 05485689BBAS3 053731644 052841136 053358886 05343546PETR3 054584775 054169374 053303011 05469478
Tabela 10 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespano ano de 2018
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 05248441 05222335 05313253 05270455ITUB4 053228346 053066878 052536956 05364042ITUB3 07219697 071792261 069898219 07209546ABEV3 052848723 052844997 052051169 05241737PETR4 052412925 050901468 051598078 05126012BBAS3 052238209 052155772 053148111 05242525BOVA11 054383243 053680922 053006939 05438518B3SA3 054016106 053573623 053500714 05414768VALE3 049833301 049735864 049960427 04964061MGLU3 052293755 052034095 051935298 05264673
Tabela 11 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespa noano de 2018
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 05011914 05024945 05049741 05296443VALE5 05531525 05955037 06322361 05145472CIEL3 04749896 04713191 04787458 05386266VALE3 04914488 05031373 04957248 05077800ITUB4 04987131 05083433 05004837 05428696PETR4 04947859 04978012 04975523 05332230ABEV3 04814815 04783004 04835861 05285027BOVA11 05052568 05092074 05058312 05167801BBAS3 04971075 04975282 04996000 05235765PETR3 04963441 05061648 05031515 05144113
76
Tabela 12 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespa noano de 2018
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 05101960 05039117 05081028 05101540ITUB4 05006803 05002930 05037490 05204274ITUB3 05900638 05841450 05702323 05326117ABEV3 04933448 04994650 04991361 05103865PETR4 05015291 04919239 04924980 04957188BBAS3 04973493 04922655 04955735 05166485BOVA11 05018457 05005853 04940293 05096904B3SA3 04980726 05030328 05012077 05233708VALE3 04958454 04913661 04944735 04910852MGLU3 04899507 04966571 04910714 05047889
As acuraacutecias obtidas indicam na maioria das vezes que o modelo eacute diferente de
um processo totalmente aleatoacuterio Mas somente as acuraacutecias natildeo indicam retorno
financeiro positivo pelo modelo Outras variaacuteveis devem ser consideradas tais como
taxas volatilidade e liquidez Um exemplo de accedilatildeo em que o modelo apresentou
uma acuraacutecia consideraacutevel foi a CPFE3 tanto no capiacutetulo 6 quanto para os dados
utilizados neste capiacutetulo para a simulaccedilatildeo (anos de 2017 e 2018) Poreacutem no momento
da simulaccedilatildeo este ativo apresentou problemas nas execuccedilotildees das ordens e contra
ordens devido agrave sua baixa liquidez Quando lanccedilamos a ordem de compra de 1000
accedilotildees e em seguida a contra ordem de venda da mesma quantidade em alguns
casos as ordens natildeo foram totalmente executadas (execuccedilatildeo parcial) Percebemos
que isso acontece quando o volume do candle naquele instante eacute menor que o
tamanho definido da ordem Este resultado sugere que apenas as acuraacutecias natildeo
satildeo as melhores variaacuteveis para representar o sucesso do modelo Informaccedilotildees como
liquidez volume de negociaccedilatildeo e volatilidade do ativo tambeacutem devem ser levadas
em consideraccedilatildeo Deste modo para evitarmos ordens parcialmente executadas
utilizamos na simulaccedilatildeo apenas as 10 accedilotildees com maior liquidez na Bovespa Os
resultados da simulaccedilatildeo para estas accedilotildees seratildeo apresentados na proacutexima subseccedilatildeo
722 Simulaccedilatildeo
Nesta subseccedilatildeo vamos apresentar a simulaccedilatildeo do modelo de operaccedilatildeo 1 (MO1)
utilizando as accedilotildees com maior liquidez na Bovespa Para analisar o retorno financeiro
do MO1 realizamos esta simulaccedilatildeo em dois cenaacuterios um que natildeo considera taxas
operacionais e outro em que utilizam-se os custos praticados pela Bovespa apresen-
tados na tabela 8 Para ambas as simulaccedilotildees consideramos taxa de corretagem7 zero
Este benefiacutecio eacute oferecido por algumas corretoras de valores que isentam desta taxa
7A taxa de corretagem eacute um valor cobrado pelas corretoras de valores para cada operaccedilatildeo de compra ouvenda de accedilotildees e outros ativos na Bolsa
77
de compra e venda de accedilotildees Os resultados da simulaccedilatildeo sem custos operacionais
para todo o ano de 2017 e tambeacutem no ano de 2018 satildeo apresentados nas tabelas
13 e 14 respectivamente Os indicadores obtidos quando consideramos as taxas
praticadas pela Bovespa nos mesmos periacuteodos satildeo apresentados nas tabelas 15 e
16
Tabela 13 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas ano de 2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown1015 2506 1117 102 -046Alpha Beta Retorno anual esperado Estabilidade PNL
1134 0 1036 097 R$ 1116888Taxa VaR Meacutedia caixa estrateacutegia (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -008 102121547 (1401887) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo MO1 sem taxas para o periacuteodo de 2017
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
Tabela 14 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas no ano de 2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown693 1593 1581 238 -147
Alpha Beta Retorno anual esperado Estabilidade PNL1646 -001 1648 098 R$ 15806609
Taxa VaR Meacutedia Caixa estrateacutegia (R$) Taxa de custoacutedia Taxa de aluguelR$000 -021 103123246 (3217683) R$000 R$000Nota Indicadores resultantes para a simulaccedilatildeo MO1 sem taxas para o periacuteodo de 2018
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
Tabela 15 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacionais para oano de 2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown-1928 -1928 -4326 225 -4326Alpha Beta Retorno anual esperado Estabilidade PNL
-4420 001 -4334 1 R$ -4326082Taxa VaR Meacutedia caixa estrateacutegia (R$) Taxa de custoacutedia Taxa de aluguel
R$ 5442970 -039 88914684 (637626) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo MO1 com taxas para o periacuteodo de 2017
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
Os valores dos indicadores apresentados nas tabelas 13 1415 e 16 satildeo obtidos
com a simulaccedilatildeo que utiliza a combinaccedilatildeo de todas as 10 accedilotildees para gerar o sinal e
78
Tabela 16 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacionais para oano de 2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown-992 -1015 -7030 687 -7031Alpha Beta Retorno anual esperado Estabilidade PNL
-7116 -001 -6815 1 R$ -70295405Taxa VaR Meacutedia Caixa estrateacutegia Taxa de custoacutedia Taxa de aluguel
R$ 86102015 -104 83370919 (9464573) R$000 R$000Nota Indicadores resultantes para a simulaccedilatildeo MO1 com taxas para o periacuteodo de 2018
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
posteriormente realiza operaccedilotildees com as accedilotildees nas quais o modelo envia um sinal
natildeo neutro O retorno obtido nesta situaccedilatildeo eacute o retorno acumulado ra entre todas
estas accedilotildees
Na simulaccedilatildeo sem aplicar taxas o retorno acumulado ra foi positivo no ano de 2017 e
2018 Jaacute na simulaccedilatildeo em que aplicamos taxas transacionais o retorno acumulado
ra foi negativo em ambos os periacuteodos analisados Isso exemplifica o quanto as taxas
impactam os retornos financeiros
O resultado do indicador sharpe que mostra a relaccedilatildeo entre risco e retorno de
um investimento quando comparado a um investimento sem risco foi negativo em
ambos os periacuteodos analisados para a simulaccedilatildeo aplicando taxas transacionais Jaacute as
estrateacutegias sem taxas os iacutendices apresentaram valores positivos indicando que haacute
uma relaccedilatildeo positiva entre risco e retorno da estrateacutegia
Quando avaliada a relaccedilatildeo risco e retorno da estrateacutegia levando em consideraccedilatildeo
apenas a volatilidade negativa os resultados obtidos para o indicador sortino foram
positivos para as simulaccedilotildees sem taxas e quando inseridos os custos transacionais
os resultados do indicador foram negativos em ambos os periacuteodos
Os maiores percentuais de perdas da estrateacutegia durante as execuccedilotildees retratada pelo
indicador Max drawdown foram obtidos para as estrateacutegias simuladas com taxas
sendo minus43 26 no ano de 2017 e minus70 31 no ano de 2018 Jaacute para as estrateacutegias
sem taxas os Max drawdown obtidos foram minus0 46 no ano de 2017 e minus1 47 no
ano de 2018
Os piores casos esperados de retornos diaacuterios da estrateacutegia estimado pelo indicador
VAR foram obtidos para as simulaccedilotildees com taxas No anos de 2017 o valor obtido foi
minus0 39 e no ano de 2018 o valor foi minus1 04 Para as simulaccedilotildees sem taxas o valor
foi minus0 08 no ano de 2017 e minus0 21 no ano de 2018 Analisando as simulaccedilotildees
com taxas e sem taxas percebemos que os piores casos para ambas as estrateacutegias
foram obtidos no ano de 2018 Neste mesmo periacuteodo a volatilidade anualizada da
79
estrateacutegia considerando os desvios dos retornos diaacuterios foi maior que em 2017 Isto
nos sugere que em periacuteodos de maior volatilidade diaacuteria os piores casos dos retornos
diaacuterios tendem a ser maiores do que em periacuteodos de menor volatilidade
O resultado do indicador Beta que mostra a correlaccedilatildeo do desempenho negativo e
positivo da estrateacutegia em relaccedilatildeo a um benchmark no ano de 2018 foi negativo para
a estrateacutegia executada sem taxas operacionais e tambeacutem para a estrateacutegia com taxas
No ano de 2017 o resultado de Beta para a estrateacutegia com taxas foi positivo e para a
simulaccedilatildeo sem taxas o valor de Beta foi zero
Os resultados do indicador Alpha que retorna o valor que representa o quanto a
estrateacutegia se destacou em relaccedilatildeo ao desempenho da economia (representado por
um benchmark) para as simulaccedilotildees referentes aos anos de 2017 e 2018 foram
positivos para as estrateacutegias em que natildeo aplicamos taxas operacionais Jaacute para as
estrateacutegias com taxas inseridas os resultados foram negativos em ambos os periacuteodos
O indicador de retorno anual esperado mostra o resultado estimado que a estrateacutegia
alcanccedilaraacute no periacuteodo de 1 ano Os resultados para as simulaccedilotildees sem taxas foram
positivos para ambos os periacuteodos Jaacute para as simulaccedilotildees com taxas os resultados
dos retornos estimados foram negativos para os anos de 2017 e 2018
Para as simulaccedilotildees com taxas o resultado do indicador de estabilidade da estrateacutegia
baseado no coeficiente de determinaccedilatildeo R2 dos retornos acumulados foi igual a 1
para os anos de 2017 e 2018 Para as simulaccedilotildees sem taxas os resultados foram
0 97 e 0 98 para os anos de 2017 e 2018 respectivamente
Como esperado o indicador PNL que mostra o resultado financeiro (lucro ou prejuiacutezo)
apoacutes a execuccedilatildeo da estrateacutegia para ambas as simulaccedilotildees aplicando taxas foram
negativos Jaacute para as simulaccedilotildees sem considerar taxas operacionais os resultados
para este indicador foram positivos em ambos os periacuteodos
A meacutedia de caixa da estrateacutegia ficou proacutexima do valor total de capital inicial configurado
A pouca alocaccedilatildeo de capital foi proporcionada pelo fato de que as posiccedilotildees nesta
simulaccedilatildeo satildeo zeradas no instante (candle) seguinte
Os custos referentes agrave taxa de custoacutedia8 e de aluguel de accedilotildees natildeo se aplicam nas
simulaccedilotildees uma vez que as posiccedilotildees satildeo zeradas no mesmo dia
Na maioria das vezes o modelo apresentou acuraacutecias com valores superiores a um
modelo aleatoacuterio mas ainda assim quando inserimos taxas o mesmo natildeo apresentou
um retorno financeiro consideraacutevel Isso nos motivou a investigar as estatiacutesticas dos
preccedilos e custos de execuccedilatildeo da estrateacutegia As taxas de negociaccedilatildeo liquidaccedilatildeo e
corretagem satildeo responsaacuteveis por diminuiacuterem o retorno Para explorarmos as carac-
8Eacute uma taxa cobrada pela manutenccedilatildeo de posiccedilatildeo de accedilotildees na bolsa de valores
80
teriacutesticas dos dados uma anaacutelise estatiacutestica dos preccedilos na amostra completa e nos
tempos com negociaccedilatildeo foi realizada e seraacute apresentada na proacutexima subseccedilatildeo
723 Anaacutelise estatiacutestica de resultados financeiros relativos ao MO1
Para o modelo de operaccedilatildeo 1 que zera a posiccedilatildeo no fechamento do candle eacute
possiacutevel verificar estatisticamente se os resultados obtidos estatildeo de acordo com o
que podemos esperar da estrateacutegia Ateacute aqui utilizamos a combinaccedilatildeo de todas as
10 accedilotildees para gerar o sinal e depois executamos a simulaccedilatildeo operando com todas
as accedilotildees de acordo com o sinal retornado pelo modelo Como um dos resultados
da simulaccedilatildeo eacute obtido um rendimento total agregado ra (referido como retorno
acumulado na seccedilatildeo (71) Aqui para analisarmos as estatiacutesticas do rendimento de
cada accedilatildeo continuamos usando a combinaccedilatildeo de todas as accedilotildees para gerar o sinal
poreacutem empregamos apenas uma accedilatildeo por vez para fazer as operaccedilotildees e calcular o
rendimento da estrateacutegia ltk obtido para cada accedilatildeo k Tal rendimento seraacute comparado
com o rendimento esperado das operaccedilotildees cujo caacutelculo eacute descrito a seguir
Para cada accedilatildeo durante a simulaccedilatildeo eacute possiacutevel observar η retornos9 ∆x(t) no
intervalo analisado com (t = 1 η) Como o modelo natildeo opera em todos os
passos de tempo uma vez que a operaccedilatildeo depende de um sinal natildeo neutro enviado
ele iraacute atuar em um subconjunto dos η retornos Para cada valor de t o modelo
apresenta uma probabilidade po de operar naquele dado candle Assumimos aqui que
a probabilidade que haja sinal natildeo neutro em tal candle natildeo depende de t Dado um
sinal natildeo neutro a probabilidade de que o modelo acerte a previsatildeo eacute pa e de que
erre eacute pe = 1minus pa
Consideremos que na simulaccedilatildeo foram realizadas m le η operaccedilotildees Tomando
aleatoriamente uma dessas operaccedilotildees ela pode se referir a qualquer um dos retornos
∆x(t) com probabilidade uniforme 1η Jaacute a probabilidade de qual tal operaccedilatildeo seja
referente a ∆x(t) e que a previsatildeo a ela relacionada seja acertada (errada) eacute paη
(peη)
Durante a simulaccedilatildeo se o modelo acerta a previsatildeo de tendecircncia o resultado finan-
ceiro eacute acrescido do valor do retorno Se ele erra eacute decrescido de forma equivalente
Assim se o retorno ∆x(t) de moacutedulo |∆x(t)| for escolhido para operar ele pode pro-
duzir uma variaccedilatildeo |∆x(t)| ou minus |∆x(t)| no resultado (considerando-se neste ponto
que a operaccedilatildeo se refere a uma accedilatildeo apenas e natildeo a um lote de accedilotildees) Portanto
para cada operaccedilatildeo escolhida aleatoriamente no conjunto de todas as operaccedilotildees a
probabilidade de que o retorno ∆x(t) tenha sido escolhido e que tenha levado a uma
variaccedilatildeo |∆x(t)| (minus |∆x(t)|) eacute paη (peη)
9Retornos reais entre cada um dos candles no periacuteodo da simulaccedilatildeo
81
Definamos uma variaacutevel aleatoacuteria M que pode assumir valores no conjunto
|∆x(t)| minus |∆x(t)| com probabilidade paη associada aos valores |∆x(t)| e peη
aos valores minus |∆x(t)| A variaacutevel M corresponde agrave variaccedilatildeo do resultado financeiro
de uma operaccedilatildeo escolhida aleatoriamente no conjunto das operaccedilotildees
Suponhamos que tomamos uma por uma as operaccedilotildees disponiacuteveis no conjunto ateacute
esgotaacute-lo e que somamos as variaccedilotildees correspondentes Tal soma coincide com a
variaccedilatildeo total dasm operaccedilotildees ou seja o resultado final da estrateacutegia aplicada agravequela
accedilatildeo especiacutefica A variaacutevel aleatoacuteria a ela associada eacute SM =msumj=1
Mj Consideraremos
no que segue que as Mj satildeo independentes e identicamente distribuiacutedas com
distribuiccedilatildeo igual agrave de M De fato isto eacute uma aproximaccedilatildeo do cenaacuterio real uma vez
que ao retirarmos um retorno do conjunto a distribuiccedilatildeo do mesmo muda
A meacutedia e a variacircncia de M satildeo respectivamente
microM =
ηsumi=1
paη|∆x(t)|+
ηsumi=1
peη
(minus |∆x(t)|) =
(2pa minus 1
η
) ηsumi=1
|∆x(t)| (42)
e
σ2M =
ηsumi=1
paη
(|∆x(t)| minus microM)2 +
ηsumi=1
peη
(minus |∆x(t)| minus microM)2 (43)
=
(pa + peη
)( ηsumi=1
|∆x(t)|2 +
ηsumi=1
micro2M
)minus 2microM
(pa minus peη
) ηsumi=1
|∆x(t)|
=1
η
ηsumi=1
|∆x(t)|2 minus micro2M
onde usamos pa + pe = 1 Assumindo a independecircncia entre os diferentes Mj a
meacutedia e a variacircncia de SM satildeo respectivamente
microSM= mmicroM (44)
e
σ2SM
= mσ2M (45)
Consideremos que as operaccedilotildees satildeo realizadas em lotes de tamanho λ de accedilotildees
Desta forma o valor esperado do rendimento financeiro referente agraves m operaccedilotildees
pode ser escrito como
microM =
(λ
(2pa minus 1
η
) ηsumi=1
|∆x(t)|
)m (46)
A variacircncia por sua vez
σ2M =
(λ2
η
ηsumi=1
|∆x(t)|2 minus micro2M
)m (47)
82
Para investigarmos se estatisticamente os rendimentos ltk efetivamente obtidos para
cada accedilatildeo k estatildeo de acordo com o que poderiacuteamos esperar do modelo analisamos a
partir da acuraacutecia e do retorno ∆x(t) o valor esperado de tais rendimentos As meacutedias
satildeo dadas por microM seguidas de seus desvios σM Para o caacutelculo da variaccedilatildeo das
operaccedilotildees utilizamos duas amostras a amostra que conteacutem o conjunto com todos
retornos ∆x(t) do periacuteodo analisado e a amostra que conteacutem somente os retornos
∆x(t) em que t coincide com os tempos em que o modelo operou Os resultados com
as meacutedias (desvios) calculadas (os) nas 2 amostras e os dados dos rendimentos ltkobtidos com o modelo de operaccedilatildeo 1 nos anos de 2017 e 2018 satildeo apresentados nas
tabelas 17 e 18 Os valores obtidos satildeo tambeacutem apresentados nas figuras 19 e 20
Tabela 17 ndash Rendimentos do modelo de operaccedilatildeo 1 no ano de 2017
2017 ltk Amostra completa microM (σM ) Amostra com negociaccedilatildeo microM (σM )BBDC4 1709317 2182192 (543764) 2632716 (634321)VALE5 1400752 937155 (507952) 1217775 (647243)CIEL3 1219486 2088778 (423495) 2717477 (545393)VALE3 472209 943961 (880760) 1141890 (1046772)ITUB4 234494 3064458 (504063) 3680701 (595252)PETR4 1019821 1190426 (257648) 1344799 (282312)ABEV3 966856 962073 (250578) 1179246 (310227)BOVA11 110868 149747 (67775) 171738 (74792)BBAS3 1642988 1688565 (534599) 2024818 (637786)PETR3 281642 577413 (286412) 679861 (334579)
Nota Na variaacutevel ltk apresentamos o rendimento referente a cada accedilatildeo k Em microM (σM )estatildeo os valores referentes agrave meacutedia (desvio) do retorno esperado de cada accedilatildeo Os valoresforam obtidos utilizando o caacutelculo de retornos esperados na amostra completa e na amostra
em tempos com negociaccedilatildeo
A figura 19 mostra os rendimentos esperados e os efetivamente obtidos com a
simulaccedilatildeo no ano de 2017 para a amostra completa e para os tempos com negociaccedilatildeo
Jaacute a figura 20 mostra resultados anaacutelogos para o ano de 2018
83
0
1
2
3
4104
M M M
k
0 2 4 6 8 10
Accedilotildees
0
1
2
3
4
5Ret
orno
s
104
Figura 19 ndash Rendimentos esperados e os efetivamente obtidos ltk para o ano de 2017para a amostra completa e a amostra com negociaccedilatildeo Os resultados apre-sentados satildeo referentes aos rendimentos esperados e os desvios calculadosnos tempos com negociaccedilatildeo durante a simulaccedilatildeo no ano de 2017 No quadro1 mostramos os resultados referentes agrave amostra completa no quadro 2 es-tatildeo plotados os resultados obtidos com a amostra referente a periacuteodos comnegociaccedilatildeo Os pontos na cor vermelha representam a meacutedia dos rendimen-tos efetivamente obtidos na simulaccedilatildeo os pontos verdes mostram as meacutediasdos rendimentos esperados e os pontos em azul representam o rendimentoesperado plusmn os desvios
84
Tabela 18 ndash Retornos do modelo de operaccedilatildeo 1 no ano de 2018
2018 ltk Amostra completa microM (σM ) Amostra com negociaccedilatildeo microM (σM )ABEV3 610898 435344 (299979) 507860 (348669)BOVA11 -1708 128245 (95594) 144797 (106773)MGLU3 4245592 1674092 (2915445) 2289244 (3870177)ITUB4 2587075 2247439 (765528) 2613596 (893825)PETR4 217876 -27632 (488172) -317157 (569206)BBAS3 1473077 1658255 (727962) 1999888 (874414)ITUB3 3786326 1245687 (472640) 1632559 (565428)VALE3 -625568 -1061141 (874929) -1251794 (1052079)BBDC4 1786022 943903 (663568) 1097792 (792768)B3SA3 1727016 1698116 (537150) 1997159 (627890)
Nota Na variaacutevel ltk apresentamos o rendimento referente a cada accedilatildeo k Em microM (σM )estatildeo os valores referentes agrave meacutedia (desvio) do retorno esperado de cada accedilatildeo Os valoresforam obtidos utilizando o caacutelculo de retornos esperados na amostra completa e na amostra
em tempos com negociaccedilatildeo
85
-2
0
2
4
6104
M M M
k
0 2 4 6 8 10Accedilotildees
-5
0
5
10Ret
orno
s
104
Figura 20 ndash Rendimentos esperados e os efetivamente obtidos ltk para o ano de 2018para a amostra completa e a amostra com negociaccedilatildeo Os resultados apre-sentados satildeo referentes aos rendimentos esperados e os desvios calculadosnos tempos com negociaccedilatildeo durante a simulaccedilatildeo no ano de 2018 No qua-dro 1 mostramos os resultados referentes agrave amosta completa no quadro 2estatildeo plotados os resultados obtidos com a amostra referente a periacuteodos comnegociaccedilatildeo Os pontos na cor vermelha representam a meacutedia dos rendimen-tos efetivamente obtidos na simulaccedilatildeo os pontos verdes mostram as meacutediasdos rendimentos esperados e os pontos em azul representam o rendimentosesperado plusmn os desvios
86
De acordo com os resultados apresentados nas tabelas 17 e 18 e tambeacutem nas figuras
19 e 20 podemos observar que 82 5 dos rendimentos financeiros ltk das accedilotildees
estatildeo dentro faixa de variaccedilatildeo da meacutedia do retorno esperado microM plusmn os desvios σM(33 casos em 40 observaccedilotildees) Tal resultado indica que eacute possiacutevel ter-se uma ideia
do resultado da aplicaccedilatildeo de um modelo de operaccedilatildeo a partir do conhecimento de
sua acuraacutecia e dos retornos absolutos meacutedios
724 Consideraccedilotildees sobre MO1
Neste modelo a cada passo de tempo analisamos se haacute posiccedilotildees em aberto e
fechamos a operaccedilatildeo com ordens a mercado Em alguns casos a ordem desfeita era
imediatamente refeita devido ao sinal enviado pelo modelo Este processo gerou um
nuacutemero de operaccedilotildees maior que o necessaacuterio para a aplicaccedilatildeo do modelo Assim a
simulaccedilatildeo gerou no ano de 2017 um nuacutemero de 97209 operaccedilotildees e no ano de 2018 o
total de 91733 operaccedilotildees Esta quantidade elevada de operaccedilotildees estaacute relacionado agrave
ordens e contra ordens que podem ser executadas em um mesmo instante de tempo
mas natildeo apenas a isso Sendo um modelo de operaccedilatildeo baseado em negociaccedilotildees
de curta duraccedilatildeo o ganho proveniente da acuraacutecia alcanccedilada eacute pequeno em relaccedilatildeo
agraves taxas Por outro lado o MO1 eacute mais controlaacutevel pois conhecendo as acuraacutecias
o retorno meacutedio do ativo e as taxas praticadas no mercado eacute possiacutevel definir a
partir de qual niacutevel o modelo se torna rentaacutevel A partir deste ponto neste tipo de
estrateacutegia o risco eacute menor uma vez que desfazemos rapidamente a posiccedilatildeo ficando
pouco tempo alocados no ativo diminuindo assim o risco de exposiccedilatildeo a grandes
oscilaccedilotildees de mercado Isto acontece pelo fato de que toda operaccedilatildeo eacute desfeita no
passo seguinte antes de abrir novas posiccedilotildees Outra vantagem eacute em relaccedilatildeo ao valor
reduzido de capital necessaacuterio para se manter alocado nas operaccedilotildees Desta forma
concluiacutemos que o MO1 natildeo gera bons resultados no cenaacuterio de taxas e acuraacutecias que
apresentamos Contudo para taxas menores e acuraacutecias maiores pode constituir-se
um modelo interessante devido ao baixo risco que apresenta bem como ao reduzido
capital necessaacuterio
73 Modelo de operaccedilatildeo 2
Nesta estrateacutegia quando o modelo de previsatildeo gera um sinal natildeo neutro operaccedilotildees
de compra ou venda satildeo abertas no preccedilo qo(t+ 1) que eacute o preccedilo mais proacuteximo ao de
abertura po(t+ 1) do candle seguinte disponiacutevel (ver equaccedilatildeo 40) Estas operaccedilotildees
satildeo zeradas apenas quando o preccedilo atinge um valor de stop gain (Sg) ou stop loss
(Sl) Neste modelo de operaccedilatildeo eacute possiacutevel limitar as perdas e ganhos das operaccedilotildees
de forma que as posiccedilotildees satildeo zeradas no momento que o preccedilo atinge um ganho ou
perda determinados independente do tempo No modelo definido se o preccedilo natildeo
87
atingir nenhum stop no periacuteodo da simulaccedilatildeo a posiccedilatildeo eacute fechada no uacuteltimo tempo
da amostra
Para esta estrateacutegia desenvolvemos na plataforma apenas uma funccedilatildeo de agenda-
mento que manipula os dados executa o modelo e lanccedila as ordens ao mercado de
acordo com o sinal de compra ou venda
Os valores dos stops foram inspirados na metodologia apresentada em (GARCIA
et al 2020) Aqui adaptamos para que os valores de uma meacutedia relativa sejam
calculados em uma janela deslizante precedente ao dado analisado Os stops satildeo
definidos com base no moacutedulo do retorno meacutedio de cada accedilatildeo calculado na janela de
dados Q que tambeacutem eacute utilizada para caacutelculo do quartil no periacuteodo precedente ao
instante analisado Esta metodologia eacute utilizada para evitar o uso de dados futuros no
caacutelculo Os valores dos stops foram definidos como
Sl = qo(t+ 1)minus κl
(|∆x|(t)x(t)
)qo(t+ 1) (48)
e
Sg = qo(t+ 1) + κg
(|∆x|(t)x(t)
)qo(t+ 1) (49)
onde x(t) eacute o preccedilo de fechamento no tempo t qo(t + 1) eacute o preccedilo de abertura da
posiccedilatildeo κl = 10 e κg = 20 satildeo paracircmetros escolhidos Jaacute |∆x|(t) eacute a meacutedia dos
moacutedulos dos retornos na janela de tamanho Q dada por
|∆x|(t) =1
Q
tminus1sumτ=tminusQ
∆x(τ) (50)
Estes valores foram definidos considerando a variaccedilatildeo de cada accedilatildeo Assim a cada
instante de tempo o valor do stop varia tanto pela mudanccedila da janela de dados pelo
preccedilo x(t) e tambeacutem pelo preccedilo de abertura de cada operaccedilatildeo qo(t+ 1)
Nesta estrateacutegia como as operaccedilotildees levam mais passos de tempo para serem
zeradas aqui a alocaccedilatildeo de capital durante a execuccedilatildeo foi muito maior que no modelo
de operaccedilatildeo 1 Em todos os periacuteodos analisados o valor financeiro em caixa ficou
em algum momento da execuccedilatildeo totalmente alocado
Analogamente agrave seccedilatildeo anterior para mostrar o efeito das taxas no retorno financeiro
aqui tambeacutem simulamos em dois cenaacuterios Em um deles natildeo aplicamos taxas de
negociaccedilatildeo Na outra estrateacutegia utilizamos as taxas praticadas pela Bovespa que
foram apresentadas na tabela 8
88
Os resultados das simulaccedilotildees sem taxas para o ano de 2017 e 2018 satildeo apresenta-
dos nas tabelas 19 e 20 respectivamente Nestes resultados natildeo consideramos a
remuneraccedilatildeo do capital parado no decorrer da estrateacutegia
Para mostrar a consistecircncia do modelo em diferentes periacuteodos executamos as es-
trateacutegias em todos os quadrimestres do ano de 2017 e 2018 Esta simulaccedilatildeo em
diferentes periacuteodos eacute para evitar a super otimizaccedilatildeo (overfitting) do modelo A super
otimizaccedilatildeo acontece quando a estrateacutegia depois de vaacuterios ajustes funciona muito
bem no periacuteodo analisado poreacutem em outros periacuteodos os resultados natildeo se repetem
tendo um resultado pior Os paracircmetros perfeitos satildeo encontrados para aquele periacuteodo
e soacute funcionam bem naquela amostra Uma forma de testar a estrateacutegia eacute simulando
em periacuteodos diferentes para o teste de validaccedilatildeo Por isso aplicamos a estrateacutegia em
6 diferentes quadrimestres
Os resultados da simulaccedilatildeo para o ano de 2017 com taxas praticadas no mercado
satildeo apresentados na tabela 21 Para o ano de 2018 os resultados satildeo mostrados na
tabela 22 Nestes resultados tambeacutem natildeo consideramos a remuneraccedilatildeo do capital
parado no decorrer da estrateacutegia Como taxa de negociaccedilatildeo utilizamos o maior valor
de taxa de negociaccedilatildeo da Bovespa para day trade apresentado na tabela 8 Como
analisamos vaacuterios periacuteodos o nuacutemero de tabelas e consequentemente o nuacutemero de
indicadores resultantes das simulaccedilotildees eacute grande portanto vamos fazer uma anaacutelise
geral dos resultados
Os valores dos indicadores apresentados nas tabelas 19 20 21 e 22 satildeo obtidos
com a simulaccedilatildeo da estrateacutegia que utiliza a combinaccedilatildeo de todas as 10 accedilotildees para
gerar o sinal e negocia apenas com as accedilotildees em que o modelo retorna um sinal natildeo
neutro indicando uma operaccedilatildeo naquele instante O retorno obtido nesta situaccedilatildeo eacute o
retorno acumulado ra
Nas simulaccedilotildees quando aplicamos a estrateacutegia sem inserir taxas os resultados dos
retornos acumulados ra foram positivos em todos os periacuteodos dos anos de 2017 e
2018 analisados Para a simulaccedilatildeo utilizando taxas aplicadas ao cenaacuterio brasileiro
todos os periacuteodos analisados tambeacutem apresentaram retorno acumulado positivo
com exceccedilatildeo do quadrimestre 1 de 2018 Considerando-se todo o ano de 2017 a
estrateacutegia rendeu 28 5 e o desempenho do Ibovespa foi 20 09 Jaacute no ano de
2018 inteiro o desempenho da estrateacutegia foi 28 94 e o Ibovespa apresentou um
rendimento de 15 03 Todas as taxas anuais de crescimento do Ibovespa desde
o ano de 1968 satildeo apresentadas na tabela 22 anexada ao capiacutetulo C A taxa de
crescimento apresentada refere-se agrave taxa meacutedia de variaccedilatildeo do iacutendice composta
anualmente entre dois periacuteodos (BMampFBOVESPA 2019)
Os resultados do indicador alpha que representa o quanto a estrateacutegia se destacou
em relaccedilatildeo ao desempenho da economia (representado por um benchmark) foram
89
positivos para as simulaccedilotildees em todos os periacuteodos dos anos de 2017 e 2018
O indicador de retorno anual esperado que mostra o resultado estimado que a
estrateacutegia alcanccedilaraacute no periacuteodo de 1 ano foi positivo em todos os periacuteodos analisados
O indicador PNL que mostra o resultado financeiro (lucro ou prejuiacutezo) apoacutes a execuccedilatildeo
da estrateacutegia foi positivo para os periacuteodos analisados exceto no primeiro quadrimestre
de 2018
A meacutedia de caixa desta estrateacutegia eacute menor que a estrateacutegia anterior No decorrer da
simulaccedilatildeo em alguns instantes o capital ficou completamente alocado nas operaccedilotildees
A maior alocaccedilatildeo de capital foi proporcionada pelo fato de que as posiccedilotildees nesta
simulaccedilatildeo satildeo zeradas apenas quando os stops satildeo alcanccedilados
Os indicadores sharpe e sortino foram positivos em todos os periacuteodos analisados
Os maiores percentuais de perdas da estrateacutegia durante as execuccedilotildees retratados
pelo indicador Max Drawdown foram observados para as estrateacutegias simuladas com
taxas no ano de 2018 O primeiro quadrimestre de 2018 apresentou uma perda de
minus21 68 corroborando o fato de ser o uacutenico periacuteodo de retorno negativo De acordo
com o indicador de volatilidade este periacuteodo tambeacutem apresentou grandes variaccedilotildees
nos retornos diaacuterios
Para mostrar os retornos obtidos com MO2 elaboramos a figura 21 Nela apresenta-
mos os retornos obtidos com MO2 na simulaccedilatildeo com taxas e sem taxas operacionais
e tambeacutem o iacutendice sharpe associado a cada periacuteodo
90
2017 Q1 Q2 Q3-02
0
02
04
06
08Sem taxasCom taxas
2018 Q1 Q2 Q3
Periacuteodo
-02
0
02
04
06
08
Ret
orno
2017 Q1 Q2 Q3
0
2
4
6
8
2018 Q1 Q2 Q3
0
2
4
6
8
Sha
rpe
(a) (c)
(d)(b)
Figura 21 ndash Retornos e riscos do modelo de operaccedilatildeo 2 Os resultados satildeo referentesaos retornos da simulaccedilatildeo com MO2 Os periacuteodos analisados foram os anosde 2017 e 2018 e tambeacutem os seus quadrimestres As barras nas cores rochasrepresentam os resultados para as simulaccedilotildees sem considerar taxas operacio-nais Jaacute as barras amarelas correspondem aos resultados obtidos aplicandoas taxas operacionais Os valores referentes ao ano de 2017 e 2018 indicamque a simulaccedilatildeo foi executada em todo o periacuteodo Os valores representadospor Q1 Q2 e Q3 correspondem agrave simulaccedilatildeo executada nos quadrimestres 1 2e 3 respectivamente (a) Retornos acumulados ra para os dois cenaacuterios (comtaxas e sem taxas) no ano de 2017 (b) Retornos acumulados ra no periacuteododo ano de 2018 (c) Valores dos indicadores de risco Sharpe associados acada periacuteodo da simulaccedilatildeo no ano de 2017 (d) Iacutendices Sharpe obtidos para asexecuccedilotildees no periacuteodo do ano de 2018
91
Tabela 19 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de 2017
2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown657 128 5678 876 -605
Alpha Beta Retorno anual esperado Estabilidade PNL6168 -005 5757 097 R$ 5678240
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -078 64393516 (30624023) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
235 427 1165 1159 -605Alpha Beta Retorno anual esperado Estabilidade PNL
4576 -007 272 059 R$ 1164811Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -11 48641798 (23030791) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown535 1604 1904 92 -258
Alpha Beta Retorno anual esperado Estabilidade PNL7827 -026 4921 087 R$ 1904128
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -081 57881234 (23758755) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
614 1145 2026 964 -313Alpha Beta Retorno anual esperado Estabilidade PNL814 0 5921 092 R$ 2026282Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -084 51876029 (25483795) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) e
loss Sl (equaccedilatildeo 48) e sem taxas para o periacuteodo de 2017 para as 10 accedilotildees com maiorliquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e as
operaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
92
Tabela 20 ndash Resultados da simulaccedilatildeo utilizando stop gain Sg (equaccedilatildeo 49) e loss Sl (equa-ccedilatildeo 48) sem taxas para o ano de 2018
2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown356 622 6809 2060 -1695
Alpha Beta Retorno anual esperado Estabilidade PNL8077 -016 7335 084 R$ 6808514
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -198 49907873 (3584272) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
165 264 838 1828 -1605Alpha Beta Retorno anual esperado Estabilidade PNL
4658 -028 3015 016 R$ 838228Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -181 34022838 (25116093) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown17 257 1362 2102 -998
Alpha Beta Retorno anual esperado Estabilidade PNL4235 -017 3566 07 R$ 1361668
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -206 47088196 (24412598) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
344 625 2894 2507 -1419Alpha Beta Retorno anual esperado Estabilidade PNL
15673 -016 8618 053 R$ 2893581Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -236 42943842 (31200691) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) e
loss Sl (equaccedilatildeo 48) e sem taxas para o periacuteodo de 2018 para as 10 accedilotildees com maiorliquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e as
operaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
93
Tabela 21 ndash Resultados da simulaccedilatildeo utilizando stops com taxas para o ano de 2017
2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown317 557 285 925 -876
Alpha Beta Retorno anual esperado Estabilidade PNL3209 -006 2931 092 R$ 2850080
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 2655792 -089 52251856 (25794512) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
009 016 329 1194 -876Alpha Beta Retorno anual esperado Estabilidade PNL
1446 -008 113 0 R$ 329094Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 837962 -12 45107409 (22338608) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown281 71 1102 915 -361
Alpha Beta Retorno anual esperado Estabilidade PNL4552 -026 257 066 R$ 1102081
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 786141 -086 54523754 (23077241) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
305 509 1115 974 -398Alpha Beta Retorno anual esperado Estabilidade PNL
4109 0 2973 074 R$ 1115101Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 892833 -091 47685863 (24334232) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) eloss Sl (equaccedilatildeo 48) e aplicando taxas para o periacuteodo de 2017 para as 10 accedilotildees com maior
liquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e asoperaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
94
Tabela 22 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de 2018
2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown153 257 2894 2280 -2286
Alpha Beta Retorno anual esperado Estabilidade PNL4015 -022 3494 057 R$ 2894068
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 3984469 -228 35930005 (28150524) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown-047 -07 -413 1923 -2168Alpha Beta Retorno anual esperado Estabilidade PNL16 -031 -913 002 R$ -412633Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 1254255 -201 29946591 (23861408) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown047 069 489 2143 -1107
Alpha Beta Retorno anual esperado Estabilidade PNL1263 -018 10 016 R$ 489178
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 948899 -216 43434458 (23167973) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
184 315 1606 2586 -176Alpha Beta Retorno anual esperado Estabilidade PNL861 -019 477 027 R$ 1606190Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 1270134 -253 38207694 (29001582) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) eloss Sl (equaccedilatildeo 48) e aplicando taxas para o periacuteodo de 2018 para as 10 accedilotildees com maior
liquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e asoperaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
95
74 Consideraccedilotildees finais
Os dois modelos de operaccedilatildeo descritos tecircm caracteriacutesticas diferentes e apresentam
vantagens e desvantagens em relaccedilatildeo ao outro O modelo de operaccedilatildeo 1 que zera a
posiccedilatildeo no tempo seguinte antes de abrir novas operaccedilotildees tem a vantagem de que o
tempo de permanecircncia na posiccedilatildeo eacute muito pequeno diminuindo o risco de exposiccedilatildeo
a grandes oscilaccedilotildees do mercado Poreacutem o excessivo nuacutemero de operaccedilotildees leva a
taxas operacionais elevadas inviabilizando a execuccedilatildeo em mercados reais Por outro
lado o MO1 eacute mais controlaacutevel e nos daacute uma ideia de qual o patamar de taxas a
partir do qual torna-se rentaacutevel Jaacute o modelo de operaccedilatildeo 2 tem um nuacutemero menor de
operaccedilotildees em contrapartida o risco associado agrave estrateacutegia eacute maior uma vez que
a operaccedilatildeo soacute eacute zerada quando atinge um valor de stop O nuacutemero de operaccedilotildees
em MO1 foi 97209 em 2017 e 91733 em 2018 enquanto o nuacutemero de operaccedilotildees de
MO2 em todo o ano de 2017 foi 9534 no ano de 2018 a quantidade de operaccedilotildees de
MO2 foi 9238 O nuacutemero de execuccedilotildees em MO2 ficou em torno de 10 em relaccedilatildeo
ao nuacutemero de operaccedilotildees realizadas em MO1
Analisando os resultados das simulaccedilotildees percebemos que os melhores resultados
dos rendimentos foram obtidos com a estrateacutegia 2 Embora MO2 tenha se mostrado
mais lucrativo o modelo de operaccedilatildeo 1 praticamente natildeo apresenta risco Com relaccedilatildeo
a MO2 como mitigaccedilatildeo do risco temos o fato de que os valores de stop loss satildeo
pequenos Percebemos isso analisando a equaccedilatildeo 48 Uma vez que x(t) eacute o preccedilo de
fechamento e qo(t+ 1) eacute o preccedilo de abertura de posiccedilatildeo no candle seguinte podemos
observar que qo(t+1)x(t)
sim= 1 Assim o stop loss eacute aproximadamente
Sl sim= qo(t+ 1)minus κl(|∆x|
)(t) (51)
Uma vez que escolhemos κl = 10 o valor da perda maacutexima por operaccedilatildeo satildeo
significativamente menores que o valor da accedilatildeo Durante a simulaccedilatildeo para o caacutelculo
do stop utilizamos a janela de dados Q precedente ao tempo investigado para calcular
uma meacutedia dos moacutedulos dos retornos naquela janela definida como(|∆x|
)(t) Aqui
para analisar relaccedilatildeo entre os valores dos stops e os preccedilos das accedilotildees utilizamos
as seacuteries de fechamento referentes a todo o periacuteodo da simulaccedilatildeo e calculamos a
meacutedia dos moacutedulos dos retornos definida por |∆pc| e a meacutedia dos preccedilos de cada
accedilatildeo definida por pc Assim supondo |∆pc| sim=(|∆x|
)(t) podemos considerar a
aproximaccedilatildeo apresentada na equaccedilatildeo 51 com isso percebemos que os valores dos
stops satildeo substancialmente menores que os valores das accedilotildees A tabela 23 mostra
as meacutedias dos moacutedulos dos retornos |∆pc| meacutedias de preccedilos pc e as razotildees pc|∆pc|
Por outro lado como mitigaccedilatildeo do risco tambeacutem podemos considerar o fato de traba-
lharmos com uma carteira de accedilotildees diversificada Em uma evoluccedilatildeo do trabalho seria
96
interessante desenvolver um modelo de controle de risco utilizando as correlaccedilotildees
entre as accedilotildees
Em relaccedilatildeo agrave alocaccedilatildeo de capital o risco no modelo de operaccedilatildeo 2 eacute maior pois em
todas as simulaccedilotildees em algum momento o capital disponiacutevel zerou Jaacute no modelo
de operaccedilatildeo 1 durante a simulaccedilatildeo utilizamos em meacutedia apenas 20 do capital
disponiacutevel Poreacutem em todas as simulaccedilotildees o modelo de operaccedilatildeo 2 apresentou
melhores resultados que o modelo de operaccedilatildeo 1
Tabela 23 ndash Meacutedia de preccedilos e retornos das accedilotildees
2017|∆pc| pc
pc|∆pc|
BBDC4 002558665 2187134354 000117VALE5 003627768 2887922779 0001256CIEL3 002340959 1953467112 0001198VALE3 004188494 2950070746 000142ITUB4 002380873 2314603021 0001029PETR4 001766138 1399935784 0001262ABEV3 001726891 1814834573 0000952BOVA11 004623921 6587925137 0000702BBAS3 003640741 2898630173 0001256PETR3 002058712 1523066685 0001352
2018|∆pc| pc
pc|∆pc|
ABEV3 00216501 1924430907 0001125BOVA11 00701715 7894486398 0000889MGLU3 021140572 11969484777 0001766ITUB4 003648753 2954197693 0001235PETR4 003357403 2018010619 0001664BBAS3 00510998 3443680947 0001484ITUB3 002432655 2547002471 0000955VALE3 006316666 4901690744 0001289BBDC4 00367708 2628898962 0001399B3SA3 003739952 2353833938 0001589
Nota Os valores satildeo referentes agrave meacutedia dos moacutedulos dos retornos |∆pc| meacutedia dos preccedilospc de cada accedilatildeo e as razotildees pc
|∆pc| Seacuteries de preccedilos de fechamentos relativos aos periacuteodos
em que executamos a simulaccedilatildeo (2017 e 2018) foram utilizadas
97
Capiacutetulo 8
Conclusatildeo
O trabalho teve o objetivo de desenvolver um modelo baseado em um sistema de
equaccedilotildees diferenciais lineares aplicado ao mercado acionaacuterio O intuito foi contribuir
para a compreensatildeo da dinacircmica dos preccedilos no mercado financeiro e auxiliar na
decisatildeo de compra e venda das accedilotildees listadas na Bovespa Para tal nos apoiamos
na lacuna deixada pela hipoacutetese de mercado eficiente
Como parte do desenvolvimento do trabalho inicialmente realizamos uma pesquisa
bibliograacutefica Nesta autores importantes defendem que os mercados satildeo eficientes
e que as seacuteries de preccedilos passados natildeo trazem informaccedilotildees de preccedilos futuros
Na contramatildeo da teoria claacutessica outros autores mostram que os mercados natildeo
satildeo tatildeo eficientes em termos de equiliacutebrio de preccedilos e que as seacuteries apresentam
alguma memoacuteria e um certo niacutevel de correlaccedilatildeo Tendo em vista estas possibilidades
e acreditando que o mercado de accedilotildees brasileiro tambeacutem apresenta resiacuteduos de
ineficiecircncia elaboramos um modelo para ajudar na compreensatildeo da dinacircmica do
mercado de accedilotildees Para tal desenvolvemos um modelo baseado em um sistema de
equaccedilotildees diferencias lineares com o objetivo de prever tendecircncias de preccedilos das
accedilotildees
No capiacutetulo 5 apresentamos a formulaccedilatildeo do modelo baseado em um sistema de
equaccedilotildees diferenciais lineares e a sua adaptaccedilatildeo para um novo modelo de ajuste de
pontos bem como a definiccedilatildeo de um modelo de previsatildeo de tendecircncia de preccedilos
Diante das seacuteries de dados dos ativos calculamos as matrizes de coeficientes A(t)
Para verificar a variaccedilatildeo de tais matrizes em t calculamos a distacircncia entre as matrizes
obtidas em tempos adjacentes O resultado da anaacutelise foi que agrave medida em que
aumentamos o valor deR as distacircncias das matrizes calculadas em tempos seguintes
diminuiacuteam Este resultado nos sugere que as matrizes A(t) satildeo boas estimativas para
A(t+ 1) podendo assim serem utilizadas como paracircmetro no modelo de previsatildeo
No capiacutetulo 6 exploramos algumas das possibilidades de combinaccedilatildeo de paracircmetros
e dados para ajustar o modelo de previsatildeo de forma a obter melhores resultados de
98
acuraacutecia As anaacutelises foram realizadas utilizando diferentes valores de R diferentes
nuacutemeros de accedilotildees vaacuterias granularidades das seacuteries de dados expoente de Hurst e
tambeacutem a votaccedilatildeo entre os valores de R Nesta parte do trabalho tambeacutem investiga-
mos o niacutevel de eficiecircncia em dois tipos de mercados com caracteriacutesticas diferentes
por meio da anaacutelise dos resultados de acuraacutecias As anaacutelises foram realizadas utili-
zando as accedilotildees dos iacutendices Dow Jones e Ibovespa e os resultados apontaram que
as melhores taxas de acuraacutecias foram obtidas no mercado brasileiro indicando uma
certa ineficiecircncia
Como resultado da exploraccedilatildeo do modelo definimos os paracircmetros satisfatoacuterios dentro
do cenaacuterio explorado Como mencionamos anteriormente natildeo podemos afirmar que
os paracircmetros definidos satildeo os oacutetimos Para tal afirmaccedilatildeo seria necessaacuterio um estudo
mais elaborado utilizando teacutecnicas de otimizaccedilatildeo
Na investigaccedilatildeo foram considerados os paracircmetros que retornaram as melhores taxas
de acuraacutecias do modelo na previsatildeo de tendecircncia dos preccedilos das accedilotildees Quando
analisamos os resultados dos diferentes valores de R observamos que para valores
maiores de R as acuraacutecias a tendem a aumentar Assim para as anaacutelises que
utilizaram apenas uma janela para o ajuste o valor definido foi R = 1000 Jaacute para
anaacutelises aplicando a votaccedilatildeo os valores dos paracircmetros definidos foram R = 500
R = 1000 e R = 1500
Quando analisamos os resultados obtidos de a em relaccedilatildeo agrave quantidade de accedilotildees
utilizadas na combinaccedilatildeo das seacuteries de entrada para o modelo percebemos uma
moderada melhora nos valores em torno da combinaccedilatildeo de 10 accedilotildees (ver figura 10)
Na anaacutelise da relaccedilatildeo entre a acuraacutecia do modelo e a granularidade dos dados os
melhores resultados foram obtidos para a frequecircncia de cotaccedilatildeo de 5 minutos
Quando analisamos a associaccedilatildeo entre as acuraacutecias obtidas e os expoentes de
Hurst H das seacuteries em geral natildeo encontramos padrotildees relevantes relacionados agraves
acuraacutecias e tais expoentes Um padratildeo atiacutepico foi encontrado para a accedilatildeo CPFE3
em que o expoente de Hurst da seacuterie correspondente tem o valor baixo (H = 0 28)
enquanto que o valor da acuraacutecia para esta accedilatildeo eacute relevante (a = 68 10) Calculando
os coeficientes de correlaccedilatildeo linear de Pearson ρ entre as acuraacutecias obtidas em cada
quadrimestre e os expoentes de Hurst calculados nos respectivos periacuteodos os valores
obtidos de ρ foram negativos em todos os casos Os valores mais significativos
foram obtidos para as accedilotildees do Ibovespa Estes resultados indicam que haacute uma
anti-correlaccedilatildeo entre as acuraacutecias obtidas e os expoentes H das seacuteries analisadas
A outra exploraccedilatildeo do modelo foi baseada na votaccedilatildeo em relaccedilatildeo agrave direccedilatildeo da
tendecircncia prevista utilizando 10 diferentes valores de R Os resultados natildeo apontaram
ganhos significativos em relaccedilatildeo agrave utilizaccedilatildeo de apenas o valor R = 1000 A vantagem
do uso da teacutecnica de votaccedilatildeo estaacute na possibilidade de aumento do tamanho da
99
amostra uma vez que teremos mais sinais natildeo neutros retornados pelo modelo
(retornos previstos no quarto quartil)
Nesta parte do trabalho tambeacutem investigamos a consistecircncia dos resultados apli-
cando o modelo de previsatildeo em diferentes periacuteodos Os resultados sugeriram que
o modelo manteacutem consistecircncia nos diferentes quadrimestres em relaccedilatildeo agraves accedilotildees
que apresentaram melhores acuraacutecias e tambeacutem em relaccedilatildeo aos seus valores de
acuraacutecias
Dessa maneira os paracircmetros definidos para a simulaccedilatildeo foram baseados nesse
capiacutetulo de exploraccedilatildeo do modelo Estas anaacutelises foram importantes para ajudar
na definiccedilatildeo da quantidade de accedilotildees frequecircncia de cotaccedilatildeo e tamanho da janela
de dados que foram utilizadas na simulaccedilatildeo Como resultado as seacuteries utilizadas
foram as com frequecircncia de cotaccedilatildeo de 5 minutos das 10 accedilotildees com maior liquidez
na Bovespa A votaccedilatildeo entre os sinais obtidos com diferentes tamanhos de R foi
utilizada como sinal de tendecircncia Nesta exploraccedilatildeo tambeacutem observamos que os
melhores resultados foram obtidos no mercado brasileiro sendo este o definido para a
simulaccedilatildeo O mercado emergente escolhido para a simulaccedilatildeo foi devido agrave expectativa
de que o modelo tenha melhor desempenho neste cenaacuterio
No capiacutetulo 7 desenvolvemos duas estrateacutegias de negociaccedilatildeo baseadas no modelo
apresentado no capiacutetulo 5 Em ambas as estrateacutegias se o modelo envia um sinal
natildeo neutro as operaccedilotildees satildeo abertas de acordo com a tendecircncia do preccedilo prevista
(alta ou baixa) No modelo de operaccedilatildeo 1 (MO1) as operaccedilotildees satildeo fechadas a cada
passo de tempo (cada candle) com ordens a mercado No modelo de operaccedilatildeo 2
(MO2) as operaccedilotildees satildeo fechadas de acordo com os valores dos stops defindos
nas equaccedilotildees 48 e 49 Ambos os modelos de negociaccedilatildeo apresentaram custos de
processamento baixos sendo possiacutevel a execuccedilatildeo em frequecircncias de dados menores
Para quantificar o efeito dos custos operacionais as estrateacutegias foram simuladas sem
considerar taxas e tambeacutem aplicando taxas operacionais
O modelo de operaccedilatildeo 1 quando executado aplicando taxas natildeo obteve um retorno
financeiro satisfatoacuterio Sendo um modelo de operaccedilatildeo baseado em negociaccedilotildees de
curta duraccedilatildeo o ganho proveniente da acuraacutecia alcanccedilada eacute pequeno em relaccedilatildeo agraves
taxas Poreacutem este modelo foi importante para a anaacutelise estatiacutestica dos dados nos
periacuteodos utilizados na simulaccedilatildeo Tambeacutem foi um modelo importante para a anaacutelise
das acuraacutecias e o retorno acumulado De fato que as acuraacutecias por si soacute natildeo satildeo
bons indicadores de sucesso de um modelo Outras variaacuteveis devem ser levadas em
consideraccedilatildeo tais como liquidez volume e volatilidade do ativo
O MO1 eacute mais controlaacutevel pois conhecendo as acuraacutecias o retorno meacutedio do ativo
e as taxas praticadas no mercado eacute possiacutevel definir em qual niacutevel o modelo se
torna rentaacutevel A partir deste ponto o risco eacute menor uma vez que nesta estrateacutegia
100
desfazemos as posiccedilotildees a cada passo de tempo natildeo ficando expostos a grandes
oscilaccedilotildees do mercado O valor financeiro investido para se manter alocado nas
posiccedilotildees tambeacutem eacute menor A desvantagem eacute em relaccedilatildeo ao elevado nuacutemero de
operaccedilotildees realizadas gerando altas taxas operacionais
Dessa maneira concluiacutemos que o MO1 natildeo gera bons resultados no cenaacuterio de taxas
e acuraacutecias que apresentamos Contudo para taxas menores e acuraacutecias maiores
pode constituir-se um modelo interessante devido ao baixo risco que apresenta bem
como ao reduzido capital necessaacuterio
O modelo de operaccedilatildeo 2 apresentou um retorno financeiro interessante mesmo no
contexto real considerando os custos operacionais da Bovespa o modelo ainda
apresentou resultados consistentes nos periacuteodos analisados (resultados positivos
em cinco quadrimestres e negativo em apenas um) Estes resultados nos sugerem
indiacutecios em direccedilatildeo a desvios da hipoacutetese de mercado eficiente A vantagem do MO2
eacute o nuacutemero reduzido de operaccedilotildees Como mitigaccedilatildeo do risco deste modelo podemos
considerar o fato de trabalharmos com uma carteira diversificada de accedilotildees (10 accedilotildees
mais negociadas na Bovespa nos anos de 2017 e 2018) Tambeacutem como amenizaccedilatildeo
de risco podemos considerar a escolha de valores de stop loss pequenos em relaccedilatildeo
aos preccedilos das accedilotildees Assim os valores das perdas maacuteximas por operaccedilatildeo satildeo
significativamente menores que os valores das accedilotildees limitando as perdas caso a
operaccedilatildeo seja fechada com stop loss (ver tabela 23)
Diante dos resultados o modelo de operaccedilatildeo 2 apresentou maiores ganhos e se apre-
sentou como uma alternativa promissora como estrateacutegia de operaccedilatildeo em mercados
reais Poreacutem apesar de MO2 ter se mostrado mais rentaacutevel durante a simulaccedilatildeo natildeo
podemos afirmar que pode ser utilizado como ferramenta de decisatildeo para operaccedilotildees
em mercado real O modelo deve ser submetido em outros intervalos em outras situa-
ccedilotildees de mercado e tambeacutem levando em consideraccedilatildeo outras variaacuteveis para que se
possa obter consistecircncia estabilidade e com isso aumentar os retornos financeiros
Assim este trabalho natildeo tem por finalidade apresentar uma ferramenta de negociaccedilatildeo
finalizada para ser aplicada no mercado real
Durante o trabalho detectamos resiacuteduos de ineficiecircncia nas seacuteries de preccedilos ana-
lisadas Estes resiacuteduos possibilitam oportunidades de arbitragem Isto nos levou a
acreditar que eacute possiacutevel fazer inferecircncia do preccedilo futuro baseando-se em dados passa-
dos Assim os resultados aqui apresentados apontam na direccedilatildeo de explicitar desvios
da Hipoacutetese de Mercado Eficiente no mercado brasileiro Dadas estas oportunidades
e a importacircncia do tema estudado considera-se que muito haacute ainda que percorrer no
campo da investigaccedilatildeo nesta aacuterea sendo portanto um campo feacutertil para trabalhos
futuros
101
81 Trabalhos Futuros
Dentre as inuacutemeras possibilidades de futuras investigaccedilotildees destacamos as seguintes
propostas
ndash Ateacute este ponto do trabalho sugerimos que nossos dados podem ser descritos
por um modelo de regressatildeo multidimensional Poreacutem eacute preciso testar a ade-
quaccedilatildeo do modelo como tal com rigor estatiacutestico Lembremos que a violaccedilatildeo
das premissas natildeo invalida o modelo pois ateacute o momento estamos interessados
principalmente nos resultados de acerto de previsatildeo de tendecircncia
ndash Utilizar teacutecnicas de otimizaccedilatildeo para auxiliar na escolha de paracircmetros oacutetimos
para aplicar ao modelo de previsatildeo
ndash Calcular valores de stop gain e stop loss por meio de teacutecnicas de otimizaccedilatildeo
ndash Desenvolver um modelo de controle de risco com criteacuterios de otimizaccedilatildeo de
carteiras para minimizar o risco das estrateacutegias
ndash Utilizar o modelo em combinaccedilatildeo com outros indicadores
ndash Testar o modelo em negociaccedilatildeo de contratos em ambiente de mercados futuros
tais como commodities (agriacutecola1 mineral2) moedas (doacutelar e euro) e iacutendices
(Bovespa e SampP 500)
1Soja milho trigo e cafeacute2Petroacuteleo mineacuterio de ferro e ouro
102
Referecircncias
AGUIRRE L Introduccedilatildeo agrave Identificaccedilatildeo de Sistemas ndash Teacutecnicas Lineares e Natildeo-Lineares Aplicadas a Sistemas Reais Editora UFMG 2007 ISBN 9788570415844Disponiacutevel em lthttpsbooksgooglecombrbooksid=f9IwE7Ph0fYCgt Citado 3vezes nas paacuteginas 8 31 e 113
AL-KHAZALI O M PYUN C S KIM D Are exchange rate movements predictablein asia-pacific markets evidence of random walk and martingale difference processesInternational Review of Economics amp Finance Elsevier v 21 n 1 p 221ndash2312012 Citado 2 vezes nas paacuteginas 1 e 14
ALLEZ R BOUCHAUD J-P Individual and collective stock dynamics intra-dayseasonalities New Journal of Physics IOP Publishing v 13 n 2 p 025010 2011Citado na paacutegina 5
ALONSO-RIVERA A CRUZ-AKEacute S VENEGAS-MARTIacuteNEZ F Impact of monetarypolicy on financial markets efficiency and speculative bubbles A non-linear entropy-based approach 2014 Citado na paacutegina 14
ANATOLYEV S GOSPODINOV N Modeling financial return dynamics via decompo-sition Journal of Business amp Economic Statistics Taylor amp Francis 2012 Citadona paacutegina 4
ATSALAKIS G K V Surveying stock market forecasting techniques - part i Conven-tional methods Computation optimization in economics and finance researchcompendium p 49ndash104 01 2013 Citado 2 vezes nas paacuteginas 4 e 17
ATSALAKIS G S VALAVANIS K P Surveying stock market forecasting techniquesndashpart ii Soft computing methods Expert Systems with Applications Elsevier v 36n 3 p 5932ndash5941 2009 Citado 2 vezes nas paacuteginas 4 e 17
BARKOULAS J T BAUM C F Long-term dependence in stock returns EconomicsLetters Elsevier v 53 n 3 p 253ndash259 1996 Citado 2 vezes nas paacuteginas 1 e 14
BELAIRE-FRANCH J OPONG K K Testing for random walk in euro exchange ratesusing the subsampling approach Applied Economics Letters Taylor amp Francis v 17n 12 p 1145ndash1151 2010 Citado 2 vezes nas paacuteginas 1 e 14
BMampFBOVESPA Metodologia do iacutendice Bovespa 2015 Disponiacutevel em lthttpwwwb3combrpt_brmarket-data-e-indicesindicesindices-amplosibovespahtmgt Citadona paacutegina 21
BMampFBOVESPA Taxa meacutedia de crescimento Ibovespa 2019 Disponiacute-vel em lthttpwwwb3combrpt_brmarket-data-e-indicesindicesindices-amplosindice-ibovespa-ibovespa-estatisticas-historicashtmgt Citado 2 vezes nas paacuteginas89 e 121
BMampFBOVESPA Histoacuterico pessoas fiacutesicas 2020 Disponiacutevel em lthttpwwwb3combrpt_brmarket-data-e-indicesservicos-de-dadosmarket-dataconsultasmercado-a-vistahistorico-pessoas-fisicasgt Citado na paacutegina 2
103
BMampFBOVESPA Negociaccedilatildeo- Segmento BMampFBOVESPA 2020 Dis-poniacutevel em lthttpwwwb3combrpt_brregulacaoestrutura-normativaregulamentos-e-manuaisnegociacaohtmgt Citado na paacutegina 21
BORDO M D LANDON-LANE J Does expansionary monetary policy causeasset price booms some historical and empirical evidence [Sl] 2013 Citadona paacutegina 14
BRUNNERMEIER M K Information leakage and market efficiency Review of Finan-cial Studies Soc Financial Studies v 18 n 2 p 417ndash457 2005 Citado 3 vezesnas paacuteginas 1 2 e 14
CAGINALP G Does the market have a mind of its own and does it get carried awaywith excess cash The Journal of Psychology and Financial Markets Taylor ampFrancis v 3 n 2 p 72ndash75 2002 Citado na paacutegina 19
CAGINALP G DESANTIS M A paradigm for quantitative behavioral finance Ameri-can Behavioral Scientist Sage Publications v 55 n 8 p 1014ndash1034 2011 Citado3 vezes nas paacuteginas 1 14 e 19
CAGINALP G ERMENTROUT G A kinetic thermodynamics approach to the psycho-logy of fluctuations in financial markets Applied Mathematics Letters v 3 n 4 p17 ndash 19 1990 ISSN 0893-9659 Citado 2 vezes nas paacuteginas 2 e 16
CAGINALP G PORTER D SMITH V Momentum and overreaction in experimentalasset markets International Journal of Industrial Organization Elsevier v 18 n 1p 187ndash204 2000 Citado na paacutegina 19
CAJUEIRO D O TABAK B M The hurst exponent over time testing the assertionthat emerging markets are becoming more efficient Physica A Statistical Mechanicsand its Applications Elsevier v 336 n 3 p 521ndash537 2004 Citado 6 vezes naspaacuteginas 1 5 14 17 19 e 52
CARBONE A CASTELLI G STANLEY H E Time-dependent hurst exponentin financial time series Physica A Statistical Mechanics and its ApplicationsElsevier v 344 n 1-2 p 267ndash271 2004 Citado 2 vezes nas paacuteginas 16 e 19
CHARLES A DARNEacute O KIM J H Exchange-rate return predictability and theadaptive markets hypothesis Evidence from major foreign exchange rates Journal ofInternational Money and Finance Elsevier v 31 n 6 p 1607ndash1626 2012 Citado2 vezes nas paacuteginas 1 e 14
CHEN P-w HUANG H-c SU Y-c The central bank in market efficiency The caseof taiwan Pacific-Basin Finance Journal Elsevier v 29 p 239ndash260 2014 Citadona paacutegina 14
CHEN Z et al Effect of nonstationarities on detrended fluctuation analysis Physicalreview E Statistical nonlinear and soft matter physics v 65 p 041107 05 2002Citado na paacutegina 48
CHEVAPATRAKUL T Return sign forecasts based on conditional risk Evidence fromthe uk stock market index Journal of Banking amp Finance Elsevier v 37 n 7 p2342ndash2353 2013 Citado na paacutegina 4
104
CHORDIA T ROLL R SUBRAHMANYAM A Liquidity and market efficiency Jour-nal of Financial Economics Elsevier v 87 n 2 p 249ndash268 2008 Citado 3 vezesnas paacuteginas 1 2 e 14
CHOUDHRY T JAYASEKERA R Comparison of efficiency characteristics betweenthe banking sectors of us and uk during the global financial crisis of 2007ndash2011International Review of Financial Analysis Elsevier v 25 p 106ndash116 2012 Citado2 vezes nas paacuteginas 1 e 14
CHOUDHRY T JAYASEKERA R Market efficiency during the global financial crisisEmpirical evidence from european banks Journal of international Money andFinance Elsevier v 49 p 299ndash318 2014 Citado 2 vezes nas paacuteginas 1 e 14
CHUNG D HRAZDIL K Liquidity and market efficiency A large sample studyJournal of Banking amp Finance Elsevier v 34 n 10 p 2346ndash2357 2010 Citado 2vezes nas paacuteginas 2 e 14
COHEN J Statistical power analysis for the behavioral sciences [Sl] New YorkAcademic Press 1977 Citado 2 vezes nas paacuteginas 52 e 62
CURME C STANLEY H E VODENSKA I Coupled network approach to predic-tability of financial market returns and news sentiments International Journal ofTheoretical and Applied Finance World Scientific v 18 n 07 p 1550043 2015Citado 2 vezes nas paacuteginas 1 e 14
FAN Y et al The effect of investor psychology on the complexity of stock market Ananalysis based on cellular automaton model Computers amp Industrial EngineeringElsevier v 56 n 1 p 63ndash69 2009 Citado na paacutegina 16
FENG L et al Linking agent-based models and stochastic models of financial marketsProceedings of the National Academy of Sciences National Acad Sciences v 109n 22 p 8388ndash8393 2012 Citado na paacutegina 1
GARCIA M et al Forecast model for financial time series An approach basedon harmonic oscillators Physica A Statistical Mechanics and its ApplicationsElsevier p 124365 2020 Citado 2 vezes nas paacuteginas 17 e 88
GRECH D MAZUR Z Can one make any crash prediction in finance using thelocal hurst exponent idea Physica A Statistical Mechanics and its ApplicationsElsevier v 336 n 1 p 133ndash145 2004 Citado 2 vezes nas paacuteginas 1 e 14
HEALY P M PALEPU K G Information asymmetry corporate disclosure and thecapital markets A review of the empirical disclosure literature Journal of accountingand economics Elsevier v 31 n 1 p 405ndash440 2001 Citado 3 vezes nas paacuteginas1 2 e 14
HOMMES C KOPAacuteNYI-PEUKER A SONNEMANS J Bubbles crashes and infor-mation contagion in large-group asset market experiments Experimental EconomicsSpringer p 1ndash20 2020 Citado na paacutegina 16
HU K et al Effect of trends on detrended fluctuation analysis Phys Rev E AmericanPhysical Society v 64 p 011114 Jun 2001 Disponiacutevel em lthttpslinkapsorgdoi101103PhysRevE64011114gt Citado na paacutegina 48
105
KAHNEMAN D et al Noise How to overcome the high hidden cost of inconsistentdecision making Harvard Business Review v 94 p 38ndash46 2016 Citado na paacutegina16
KAHNEMAN D TVERSKY A Prospect theory An analysis of decision under riskEconometrica Journal of the econometric society JSTOR v 47 n 2 p 263ndash2911979 Citado 3 vezes nas paacuteginas 2 14 e 15
KATUSIIME L SHAMSUDDIN A AGBOLA F W Foreign exchange market effici-ency and profitability of trading rules Evidence from a developing country Internatio-nal Review of Economics amp Finance Elsevier v 35 p 315ndash332 2015 Citado 2vezes nas paacuteginas 1 e 14
LAZAR D TODEA A FILIP D Martingale difference hypothesis and financial crisisEmpirical evidence from european emerging foreign exchange markets EconomicSystems Elsevier v 36 n 3 p 338ndash350 2012 Citado 2 vezes nas paacuteginas 1 e 14
LIM K-P BROOKS R D KIM J H Financial crisis and stock market efficiencyEmpirical evidence from asian countries International Review of Financial AnalysisElsevier v 17 n 3 p 571ndash591 2008 Citado na paacutegina 14
LIU S Transaction costs and market efficiency Evidence from commission deregu-lation The Quarterly Review of Economics and Finance Elsevier v 50 n 3 p352ndash360 2010 Citado na paacutegina 14
MALKIEL B G FAMA E F Efficient capital markets A review of theory and empiricalwork The journal of Finance Wiley Online Library v 25 n 2 p 383ndash417 1970Citado na paacutegina 1
MANTEGNA R N STANLEY H E Introduction to econophysics correlationsand complexity in finance [Sl] Cambridge university press 1999 Citado 2 vezesnas paacuteginas 13 e 14
MEI D et al Forecasting stock market volatility Do realized skewness and kurtosishelp Physica A Statistical Mechanics and its Applications v 481 p 153ndash1592017 Citado na paacutegina 18
MERKLE C MUumlLLER-DETHARD J WEBER M Closing a mental account Therealization effect for gains and losses Experimental Economics Springer p 1ndash272020 Citado na paacutegina 16
MONTGOMERY D C Design and analysis of experiments [Sl] John Wiley ampSons 2008 Citado na paacutegina 42
NAMETALA C et al Uma estrateacutegia automatizada de investimento por meio de redesneurais artificiais e preditores economeacutetricos In Anais Principais do XII SimpoacutesioBrasileiro de Sistemas de Informaccedilatildeo Porto Alegre RS Brasil SBC 2016 p 152ndash159 ISSN 0000-0000 Disponiacutevel em lthttpssolsbcorgbrindexphpsbsiarticleview5957gt Citado 2 vezes nas paacuteginas 2 e 18
NELSON D M PEREIRA A C OLIVEIRA R A de Stock marketrsquos price movementprediction with lstm neural networks In IEEE 2017 International joint conferenceon neural networks (IJCNN) [Sl] 2017 p 1419ndash1426 Citado na paacutegina 18
106
NTIM C G et al On the efficiency of the global gold markets International Reviewof Financial Analysis Elsevier v 41 p 218ndash236 2015 Citado 2 vezes nas paacuteginas1 e 14
NYBERG H Forecasting the direction of the us stock market with dynamic binaryprobit models International Journal of Forecasting Elsevier v 27 n 2 p 561ndash5782011 Citado na paacutegina 4
OLIVEIRA F A de NOBRE C N ZARATE L E Applying artificial neural networksto prediction of stock price and improvement of the directional prediction indexndashcasestudy of petr4 petrobras brazil Expert Systems with Applications Elsevier v 40n 18 p 7596ndash7606 2013 Citado na paacutegina 17
PASQUARIELLO P ZAFEIRIDOU C Political uncertainty and financial market qualityRoss School of Business Paper n 1232 2014 Citado na paacutegina 14
PENG C-K et al Mosaic organization of dna nucleotides Phys Rev E AmericanPhysical Society v 49 p 1685ndash1689 Feb 1994 Citado na paacutegina 48
PODOBNIK B et al Fractionally integrated process for transition economics PhysicaA Statistical Mechanics and its Applications Elsevier v 362 n 2 p 465ndash4702006 Citado 2 vezes nas paacuteginas 1 e 14
POumlNKAuml H Predicting the direction of us stock markets using industry returns Empiri-cal Economics Springer p 1ndash30 2014 Citado na paacutegina 4
RAFFERTY M TOMLJANOVICH M Central bank transparency and market efficiencyAn econometric analysis Journal of Economics and Finance Springer v 26 n 2p 150ndash161 2002 Citado na paacutegina 14
RECHENTHIN M STREET W N Using conditional probability to identify trends inintra-day high-frequency equity pricing Physica A Statistical Mechanics and itsApplications Elsevier v 392 n 24 p 6169ndash6188 2013 Citado na paacutegina 17
RESENDE C C de et al Investigating market efficiency through a forecasting modelbased on differential equations Physica A Statistical Mechanics and its Applica-tions v 474 n C p 199ndash212 2017 Citado 6 vezes nas paacuteginas 1 8 10 28 31e 35
ROSS S A Information and volatility The no-arbitrage martingale approach to timingand resolution irrelevancy The Journal of Finance Wiley Online Library v 44 n 1 p1ndash17 1989 Citado 3 vezes nas paacuteginas 1 2 e 14
SAMUELSON P A Proof that properly anticipated prices fluctuate randomly[Sl sn] 1965 41ndash45 p Citado 2 vezes nas paacuteginas 1 e 13
SHARMA C BANERJEE K A study of correlations in the stock market PhysicaA Statistical Mechanics and its Applications Elsevier v 432 p 321ndash330 2015Citado na paacutegina 14
SHILLER R J Do stock prices move too much to be justified by subsequentchanges in dividends [Sl] National Bureau of Economic Research CambridgeMass USA 1980 421ndash436 p Citado na paacutegina 1
SHILLER R J FISCHER S FRIEDMAN B M Stock prices and social dynamicsBrookings papers on economic activity JSTOR v 1984 n 2 p 457ndash510 1984Citado 2 vezes nas paacuteginas 2 e 14
107
TVERSKY A KAHNEMAN D Loss Aversion in Riskless Choice A Reference-Dependent Model The Quarterly Journal of Economics v 106 n 4 p 1039ndash106111 1991 ISSN 0033-5533 Disponiacutevel em lthttpsdoiorg1023072937956gt Citado2 vezes nas paacuteginas 15 e 16
ZUNINO L et al Inefficiency in latin-american market indices The European PhysicalJournal B Springer v 60 n 1 p 111ndash121 2007 Citado 3 vezes nas paacuteginas 1 5e 14
108
Apecircndices
APEcircNDICE A ndash Estimaccedilatildeo da matriz
de coeficientes pelo meacutetodo dos
miacutenimos quadrados
Seja a relaccedilatildeo
x (t) = Ax (tminus 1) (52)
onde
x (t) =
X1 (t)
X2 (t)
Xn (t)
e A =
a11 a12 middot middot middot a1n
a21 a22 middot middot middot a2n
an1 an2 middot middot middot ann
(53)
Esta equaccedilatildeo pode ser escrita na forma
Xi (t) =(ai1 ai2 middot middot middot ain
)
X1 (tminus 1)
X2 (tminus 1)
Xn (tminus 1)
i = 1 2 middot middot middot n (54)
ou equivalentemente
Xi (t) =(X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
)
ai1
ai2
ain
(55)
110
Consideremos muacuteltiplas observaccedilotildees para cada Xi (t)
Xi (t) =(X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
)
ai1
ai2
ain
Xi (tminus 1) =(X1 (tminus 2) X2 (tminus 2) middot middot middot Xn (tminus 2)
)
ai1
ai2
ain
Xi (tminusN + 1) =(X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
)
ai1
ai2
ain
(56)
Observe que estamos assumindo que o vetor de paracircmetros natildeo muda dentro da
faixa de tempos analisada Estas equaccedilotildees podem ser escritas na formaXi (tminusN + 1)
Xi (tminus 1)
Xi (t)
=
X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
middot middot middot
X1 (tminus 2) X2 (tminus 2) Xn (tminus 2)
X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
ai1
ai2
ain
(57)
Se N gt n temos para cada valor fixo de i mais equaccedilotildees que valores de aij
(j = 1 2 middot middot middot n) para estimar Eacute natural entatildeo que ao estimarmos os paracircmetros aijcometamos erros Definindo os vetores de paracircmetros estimados e de erros (resiacuteduos)
na forma
ai=
ai1
ai2
ain
e ξi =
ξi (t)
ξi (tminus 1)
ξi (tminusN + 1)
i = 1 2 middot middot middot n (58)
respectivamente a relaccedilatildeo (57) torna-se
111
Xi (tminusN + 1)
Xi (tminus 1)
Xi (t)
=
X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
middot middot middot
X1 (tminus 2) X2 (tminus 2) Xn (tminus 2)
X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
ai1
ai2
ain
+
ξi (tminusN + 1)
ξi (tminus 1)
ξi (t)
(59)
Numa forma compacta
yi = Xai + ξi (60)
onde
yi =
Xi (tminusN + 1)
Xi (tminus 1)
Xi (t)
X=
X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
middot middot middot
X1 (tminus 2) X2 (tminus 2) Xn (tminus 2)
X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
e i = 1 2 middot middot middot n
Calculando a transposta em ambos os lados da equaccedilatildeo (59) encontramos
(Xi (tminusN + 1) middot middot middot Xi (t)
)=
(ai1 ai2 middot middot middot ain
)
X1 (tminusN) middot middot middot X1 (tminus 1)
X2 (tminusN) middot middot middot X2 (tminus 1)
Xn (tminusN) middot middot middot Xn (tminus 1)
+(ξi (tminusN + 1) middot middot middot ξi (t)
) (61)
112
Agregando as equaccedilotildees acima vaacutelidas para i = 1 2 middot middot middot n chegamos aX1 (tminusN + 1) middot middot middot X1 (t)
X2 (tminusN + 1) middot middot middot X2 (t)
Xn (tminusN + 1) middot middot middot Xn (t)
=
a11 middot middot middot a1n
a21 middot middot middot a2n
an1 middot middot middot ann
X1 (tminusN) middot middot middot X1 (tminus 1)
X2 (tminusN) middot middot middot X2 (tminus 1)
Xn (tminusN) middot middot middot Xn (tminus 1)
+
ξ1 (tminusN + 1) middot middot middot ξ1 (t)
ξ2 (tminusN + 1) middot middot middot ξ2 (t)
ξn (tminusN + 1) middot middot middot ξn (t)
(62)
Explicitando a matriz de erros
ξ1 (tminusN + 1) middot middot middot ξ1 (t)
ξ2 (tminusN + 1) middot middot middot ξ2 (t)
ξn (tminusN + 1) middot middot middot ξn (t)
=
X1 (tminusN + 1) middot middot middot X1 (t)
X2 (tminusN + 1) middot middot middot X2 (t)
Xn (tminusN + 1) middot middot middot Xn (t)
(63)
minus
a11 middot middot middot a1n
a21 middot middot middot a2n
an1 middot middot middot ann
X1 (tminusN) middot middot middot X1 (tminus 1)
X2 (tminusN) middot middot middot X2 (tminus 1)
Xn (tminusN) middot middot middot Xn (tminus 1)
Notemos que para i fixo os resiacuteduos ξi (τ) (τ = t tminus 1 middot middot middot tminusN + 1) soacute dependem
dos coeficientes aij (j = 1 2 middot middot middot n) Assim podemos encontrar os valores dos aijque minimizam a soma dos quadrados dos ξi (τ)
Si =tsum
τ=tminusN+1
(ξi (τ))2 (64)
para cada valor de i de forma independente A soma dos quadrados de todos os
resiacuteduos
S =nsumi=1
Si (65)
seraacute minimizada utilizando-se os aij calculados para todos os valores de i Buscare-
mos entatildeo a minimizaccedilatildeo dos Si separadamente Conforme descrito em (AGUIRRE
2007) a matriz que realiza essa minimizaccedilatildeo eacute dada pela equaccedilatildeo
ai =(XTX
)minus1XTyi (66)
113
Definindo a matriz
M =(XTX
)minus1XT =
M11 M12 middot middot middot M1N
M21 M22 middot middot middot M2N
Mn1 Mn2 middot middot middot MnN
(67)
podemos escreverai1
ai2
ain
=
M11 M12 middot middot middot M1N
M21 M22 middot middot middot M2N
Mn1 Mn2 middot middot middot MnN
Xi (tminusN + 1)
Xi (tminus 1)
Xi (t)
i = 1 2 middot middot middot n
(68)
relaccedilatildeo que pode ser colocada na formaa11 middot middot middot an1
a12 middot middot middot an2
a1n middot middot middot ann
=
M11 middot middot middot M1N
M21 middot middot middot M2N
Mn1 middot middot middot MnN
X1 (tminusN + 1) middot middot middot Xn (tminusN + 1) middot middot middot
X1 (tminus 1) Xn (tminus 1)
X1 (t) middot middot middot Xn (t)
(69)
Observe que a matriz representada no lado esquerdo da equaccedilatildeo acima eacute a matriz
transposta da matriz A correspondente ao valor estimado para A que minimiza a
soma dos quadrados dos resiacuteduos Definamos
XN (t) =
X1 (tminusN + 1) middot middot middot X1 (tminus 1) X1 (t)
X2 (tminusN + 1) middot middot middot X2 (tminus 1) X2 (t)
Xn (tminusN + 1) middot middot middot Xn (tminus 1) Xn (t)
(70)
para escrevermos a equaccedilatildeo (69) como
AT =(XTX
)minus1XTXT
N (t) (71)
Observando que
X= XTN (tminus 1) (72)
obtemos a seguinte expressatildeo para A
A =(XN (t) XT
N (tminus 1)) (
XN (tminus 1) XTN (tminus 1)
)minus1 (73)
114
APEcircNDICE B ndash Tabelas lotes padratildeo
das accedilotildees
Tabela 24 ndash Tabela da quantidade de accedilotildees que compotildeem o lote padratildeo de negociaccedilatildeo nomercado real e na plataforma de simulaccedilatildeo no ano de 2017
Empresa Coacutedigo de negociaccedilatildeo Lote na plataforma Lote BovespaVale on VALE3 100 100Itauacute pn ITUB4 150 100Vale pn VALE5 100 100
Bradesco pn BBDC4 145 100Fundo Ibovespa BOVA11 10 10
Ambev on ABEV3 100 100Petrobras pn PETR4 100 100
Cielo on CIEL3 120 100Petrobras on PETR3 100 100
Banco do Brasil on BBAS3 100 100Nota Apresentamos o lote padratildeo de negociaccedilatildeo definido no mercado real e tambeacutem naplataforma de simulaccedilatildeo As informaccedilotildees satildeo referentes agraves 10 accedilotildees com maior liquidez noano de 2017 Os dados destacados na cor azul referem-se agraves accedilotildees que natildeo compotildeem alista das 10 accedilotildees com maior liquidez no ano de 2018 Jaacute os dados em destaque na cor
verde referem-se agraves accedilotildees que tecircm o lote padratildeo de negociaccedilatildeo no mercado real diferentedo lote de negociaccedilatildeo definido na plataforma O coacutedigo pn eacute referente as accedilotildees
preferencias e on as accedilotildees ordinaacuterias das empresas Os dados de negociaccedilatildeo das accedilotildeesestatildeo disponiacuteveis em lthttpwwwb3combrpt_brmarket-data-e-indices
servicos-de-dadosmarket-dataconsultasmercado-a-vistalotes-de-negociacaogt
115
Tabela 25 ndash Tabela da quantidade de accedilotildees que compotildeem o lote padratildeo de negociaccedilatildeo nomercado real e na plataforma de simulaccedilatildeo no ano de 2018
Empresa Coacutedigo de negociaccedilatildeo Lote na plataforma Lote BovespaVale on VALE3 100 100Itauacute pn ITUB4 150 100B3 on B3SA3 100 100
Bradesco pn BBDC4 145 100Fundo Ibovespa BOVA11 10 10
Ambev on ABEV3 100 100Petrobras pn PETR4 100 100
Magazine Luiza on MGLU3 100 100Itauacute on ITUB3 150 100
Banco do Brasil on BBAS3 100 100Nota Apresentamos o lote padratildeo de negociaccedilatildeo definido no mercado real e tambeacutem naplataforma de simulaccedilatildeo As informaccedilotildees satildeo referentes agraves 10 accedilotildees com maior liquidez noano de 2018 Os dados destacados na cor azul referem-se agraves accedilotildees que natildeo compotildeem alista das 10 accedilotildees com maior liquidez no ano de 2017 Jaacute os dados em destaque na cor
verde referem-se agraves accedilotildees que tecircm o lote padratildeo de negociaccedilatildeo no mercado real diferentedo lote de negociaccedilatildeo definido na plataforma O coacutedigo pn eacute referente as accedilotildees
preferencias e on as accedilotildees ordinaacuterias das empresas Os dados de negociaccedilatildeo das accedilotildeesestatildeo disponiacuteveis emlthttpwwwb3combrpt_brmarket-data-e-indices
servicos-de-dadosmarket-dataconsultasmercado-a-vistalotes-de-negociacaogt
116
Anexos
ANEXO A ndash Tabela de accedilotildees que
participaram da carteira teoacuterica do
Ibovespa no primeiro quadrimestre de
2017
118
Tabela 26 ndash Composiccedilatildeo da carteira teoacuterica do Ibovespa no primeiro quadrimestre de 2017
Virada do Ibovespa para Janeiro a Abril de 2017COacuteDIGO ACcedilAtildeO TIPO PARTICIPACcedilAtildeO ()
ITUB4 ITAUUNIBANCO PN EDJ N1 10681BBDC4 BRADESCO PN EJ N1 77402ABEV3 AMBEV SA ON EJ 71825PETR4 PETROBRAS PN 60083PETR3 PETROBRAS ON 45918VALE5 VALE PNA N1 45442VALE3 VALE ON N1 3776BRFS3 BRF SA ON NM 37215BBAS3 BRASIL ON NM 34462ITSA4 ITAUSA PN EJ N1 31492BVMF3 BMFBOVESPA ON EJ NM 29414UGPA3 ULTRAPAR ON NM 27619CIEL3 CIELO ON NM 25919BBSE3 BBSEGURIDADE ON NM 19019KROT3 KROTON ON NM 18728VIVT4 TELEF BRASIL PN EJ 18181JBSS3 JBS ON NM 17712BBDC3 BRADESCO ON EJ N1 16499LREN3 LOJAS RENNER ON NM 14737CCRO3 CCR SA ON NM 13755RADL3 RAIADROGASIL ON NM 12199EMBR3 EMBRAER ON NM 11756CTIP3 CETIP ON EJ NM 11596
SANB11 SANTANDER BR UNT 11399EQTL3 EQUATORIAL ON EJ NM 10802HYPE3 HYPERMARCAS ON NM 10534SBSP3 SABESP ON NM 09795GGBR4 GERDAU PN N1 09264BRKM5 BRASKEM PNA N1 09068LAME4 LOJAS AMERIC PN 0893WEGE3 WEG ON NM 0884PCAR4 PACUCAR-CBD PN N1 08504CPFE3 CPFL ENERGIA ON NM 08192KLBN11 KLABIN SA UNT N2 07869FIBR3 FIBRIA ON NM 07324EGIE3 ENGIE BRASIL ON NM 07139BRML3 BR MALLS PAR ON NM 06907CSNA3 SID NACIONAL ON 06527CMIG4 CEMIG PN EJ N1 06394TIMP3 TIM PART SA ON NM 06333ELET3 ELETROBRAS ON N1 05955CSAN3 COSAN ON NM 05843SUZB5 SUZANO PAPEL PNA N1 05522RENT3 LOCALIZA ON EJ NM 05095ESTC3 ESTACIO PART ON ED NM 04868MULT3 MULTIPLAN ON N2 04651RUMO3 RUMO LOG ON NM 04619QUAL3 QUALICORP ON NM 04229NATU3 NATURA ON NM 03964BRAP4 BRADESPAR PN EJ N1 03292ENBR3 ENERGIAS BR ON EJ NM 03119MRVE3 MRV ON NM 03022GOAU4 GERDAU MET PN N1 02877CPLE6 COPEL PNB N1 02765SMLE3 SMILES ON EJ NM 02552CYRE3 CYRELA REALT ON NM 02516MRFG3 MARFRIG ON NM 021USIM5 USIMINAS PNA N1 01975ECOR3 ECORODOVIAS ON NM 0164
Adaptado do site BMampFBOVESPA
119
ANEXO B ndash Tabela de accedilotildees que
participaram da carteira teoacuterica do
Dow Jones no primeiro quadrimestre
de 2017
Tabela 27 ndash Composiccedilatildeo do iacutendice Dow Jones no primeiro quadrimestre de 2017
NUacuteMERO ACcedilAtildeO COacuteDIGO PARTICIPACcedilAtildeO ()1 Boeing BA 7282 Goldman Sachs GS 7183 3M MMM 6414 UnitedHealth Group UNH 6055 Apple AAPL 5006 Home Depot HD 4827 McDonalds MCD 4818 IBM IBM 4409 Johnson amp Johnson JNJ 414
10 Travelers TRV 40411 United Technologies UTX 36412 Caterpillar CAT 35513 Chevron CVX 34414 Disney DIS 31915 Visa A V 31416 JPMorgan Chase JPM 29117 Procter amp Gamble PG 28618 American Express AXP 26619 Wal Mart WMT 25320 Dupont DD 25321 ExxonMobil XOM 24922 Microsoft MSFT 22523 Merck MRK 19424 NIKE B NKE 18625 Verizon Communications VZ 15026 Coca-Cola KO 14227 Intel INTC 11428 Pfizer PFE 10429 Cisco Systems CSCO 09830 General Electric GE 080
Adaptado do site wwwindexarbcom
120
ANEXO C ndash Tabela das taxas anuais
de crescimento do Ibovespa
Reproduzimos neste anexo a tabela das taxas anuais de crescimento do Ibovespa
desde o ano de 1968 A taxa de crescimento refere-se agrave taxa meacutedia de variaccedilatildeo do
iacutendice composta anualmente entre dois periacuteodos disponiacutevel em (BMampFBOVESPA
2019)
121
TX
_M
ED
IA_1968
TA
XA
MEacute
DIA
DE
CR
ES
CIM
EN
TO
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
IBO
VE
SP
A
AN
UA
L
1968
00
0000000021
1969
1647
00
0000000055
1970
1023
546
00
0000000085
1971
1058
815
1130
00
0000000181
1972
484
223
88
(444
)00
0000000101
1973
384
177
75
(237
)48
00
0000000105
1974
381
212
141
(74
)196
365
00
0000000144
1975
376
234
180
18
245
357
349
00
0000000194
1976
359
235
190
59
244
317
294
240
00
0000000241
1977
364
256
219
111
275
340
331
322
410
00
0000000340
1978
328
230
196
101
234
275
253
222
214
45
00
0000000355
1979
348
260
232
150
276
319
310
301
321
279
566
00
0000000556
1980
356
276
252
180
296
336
331
328
350
331
503
442
00
0000000801
1981
404
332
314
252
370
417
424
437
480
499
690
756
1138
00
0000001714
1982
420
353
338
283
395
440
450
465
506
526
677
716
872
639
00
0000002808
1983
601
544
544
503
646
722
767
827
931
1035
1325
1567
2111
2753
7593
00
0000024133
1984
728
679
689
659
817
911
976
1062
1197
1340
1677
1980
2573
3241
5822
4415
00
00001307
1985
839
798
816
796
965
1071
1151
1253
1408
1574
1928
2250
2824
3423
5157
4212
4016
00
00006555
1986
813
773
788
767
919
1011
1077
1160
1283
1408
1673
1886
2239
2520
3261
2373
1662
412
00
0000926
1987
785
746
758
737
875
954
1009
1076
1176
1273
1478
1624
1858
2000
2385
1682
1122
380
349
00
0001249
1988
1042
1015
1044
1039
1212
1325
1415
1526
1680
1841
2140
2392
2775
3095
3770
3240
2989
2696
4978
25
495
00
0033082
1989
1269
1252
1296
1306
1507
1648
1768
1913
2111
2323
2692
3022
3508
3949
4795
4426
4429
4537
7731
21
214
17
625
00
061615
1990
1330
1316
1364
1376
1576
1716
1836
1980
2172
2376
2723
3028
3464
3844
4547
4210
4177
4210
6220
11
630
7720
3083
00
25157
1991
1580
1577
1640
1669
1898
2067
2216
2396
2632
2886
3299
3676
4204
4688
5532
5312
5451
5728
8193
13
853
11
248
8932
23
159
06
0777
1992
1742
1746
1819
1857
2100
2283
2447
2642
2896
3169
3602
4000
4546
5048
5891
5724
5908
6232
8494
13
027
10
965
9324
15
417
10
156
67
805
1993
2092
2112
2209
2269
2557
2781
2989
3236
3554
3900
4432
4937
5619
6273
7328
7302
7706
8327
11
214
16
634
15
255
14
711
23
621
23
855
54
372
3754
52
1994
2254
2281
2385
2454
2753
2988
3208
3467
3797
4155
4696
5208
5890
6539
7561
7558
7959
8556
11
135
15
609
14
366
13
786
19
397
18
277
24
340
10
596
43
539
2
1995
2113
2133
2222
2278
2541
2743
2927
3142
3414
3703
4138
4534
5053
5520
6251
6149
6332
6615
8183
10
671
9381
8418
10
131
8171
7591
2384
(13
)42
990
0
1996
2042
2058
2139
2189
2429
2611
2774
2963
3200
3449
3822
4151
4578
4946
5520
5383
5471
5622
6729
8383
7241
6335
7088
5498
4676
1657
272
638
70
399
4
1997
1966
1978
2051
2093
2313
2476
2620
2786
2993
3206
3526
3801
4153
4444
4897
4741
4767
4834
5637
6784
5794
4989
5326
4060
3320
1283
328
540
448
101
965
0
1998
1821
1828
1889
1922
2115
2253
2373
2510
2680
2852
3112
3326
3599
3811
4146
3973
3943
3937
4480
5224
4385
3692
3774
2787
2163
784
117
164
(18
)(3
35
)67
843
0
1999
1811
1817
1876
1907
2090
2222
2334
2462
2620
2779
3017
3211
3455
3641
3934
3766
3725
3705
4162
4772
4026
3409
3446
2599
2061
890
315
412
344
295
1519
170
916
0
2000
1712
1714
1766
1791
1956
2072
2169
2279
2415
2549
2752
2911
3111
3255
3487
3319
3258
3212
3554
4000
3352
2813
2787
2082
1624
698
232
288
213
144
500
(107
)152
592
0
2001
1622
1621
1666
1686
1836
1939
2024
2119
2236
2350
2524
2657
2822
2935
3121
2956
2883
2822
3084
3420
2852
2377
2320
1722
1327
566
176
211
140
74
260
(109
)(1
10
)135
775
0
2002
1535
1532
1571
1586
1723
1814
1887
1970
2071
2168
2318
2428
2566
2654
2803
2644
2564
2493
2697
2954
2452
2032
1958
1443
1099
459
126
148
82
20
135
(130
)(1
41
)(1
70
)112
684
0
2003
1517
1513
1550
1565
1694
1781
1850
1927
2021
2111
2250
2350
2475
2553
2686
2534
2455
2384
2563
2786
2325
1940
1867
1400
1087
504
199
228
179
139
268
68
134
280
973
222
363
0
2004
1464
1459
1493
1505
1626
1705
1767
1836
1921
2001
2126
2213
2322
2387
2500
2354
2274
2201
2350
2535
2116
1766
1690
1272
990
471
197
222
179
144
253
89
145
245
525
178
261
962
5
2005
1421
1415
1446
1456
1569
1642
1699
1762
1839
1911
2024
2101
2198
2252
2350
2210
2131
2058
2185
2340
1957
1636
1560
1181
924
454
204
228
189
160
256
118
170
253
437
227
277
334
559
4
2006
1383
1376
1405
1413
1520
1587
1640
1697
1768
1833
1936
2005
2091
2137
2223
2089
2011
1939
2048
2182
1829
1532
1457
1110
873
444
214
237
202
178
265
146
195
268
409
260
303
329
444
737
1
2007
1352
1345
1372
1379
1479
1543
1591
1645
1710
1770
1865
1927
2005
2045
2121
1992
1916
1845
1941
2058
1730
1453
1381
1060
841
443
230
252
222
201
283
179
227
294
415
302
346
382
436
638
861
0
2008
1272
1263
1286
1290
1382
1439
1481
1527
1584
1635
1717
1770
1835
1865
1927
1803
1728
1656
1734
1827
1528
1276
1203
913
714
359
166
181
150
126
187
91
119
156
222
110
94
39
(8
1)
(412
)375
503
1
2009
1260
1251
1273
1277
1365
1419
1459
1503
1557
1605
1683
1731
1792
1819
1876
1758
1684
1615
1686
1772
1489
1251
1181
909
720
385
202
219
191
172
234
149
182
224
294
207
212
197
155
36
827
685
884
1
2010
1217
1208
1227
1230
1313
1363
1399
1439
1488
1531
1602
1645
1699
1721
1771
1657
1585
1517
1579
1653
1389
1167
1099
846
670
359
189
204
177
159
214
136
163
199
255
176
176
157
117
28
359
10
693
048
1
2011
1166
1156
1174
1175
1252
1298
1331
1366
1410
1449
1513
1550
1597
1614
1657
1548
1477
1411
1463
1526
1280
1073
1007
772
609
322
163
175
149
130
178
105
127
154
197
124
117
92
50
(29
)148
(90
)(1
81
)567
540
8
2012
1132
1121
1137
1138
1211
1254
1283
1316
1357
1392
1451
1484
1527
1540
1578
1473
1405
1340
1386
1441
1210
1014
951
730
576
307
158
169
144
127
170
103
122
146
184
119
111
89
54
(09
)129
(39
)(6
2)
74
609
520
8
2013
1089
1077
1092
1091
1160
1199
1226
1256
1292
1323
1377
1406
1444
1454
1487
1386
1319
1256
1296
1343
1127
943
881
675
530
279
139
148
124
107
145
82
98
118
148
88
78
55
21
(35
)65
(69
)(9
4)
(47
)(1
55
)515
071
6
2014
1054
1043
1056
1054
1119
1156
1180
1207
1241
1269
1319
1345
1379
1386
1415
1318
1253
1192
1226
1268
1063
890
830
636
499
262
130
138
115
98
133
74
88
105
132
76
67
46
15
(34
)49
(61
)(7
8)
(41
)(9
4)
(29
)500
074
1
2015
1017
1005
1017
1014
1075
1109
1132
1156
1187
1213
1258
1281
1311
1316
1341
1247
1185
1125
1155
1191
998
834
776
593
464
241
116
122
100
84
115
60
72
86
109
57
47
26
(0
3)
(47
)21
(74
)(9
0)
(65
)(1
07
)(8
3)
(133
)433
499
6
2016
1001
989
1000
998
1056
1089
1110
1133
1162
1186
1229
1251
1279
1283
1305
1215
1154
1096
1124
1157
972
815
759
584
461
247
127
134
113
98
129
77
90
104
127
80
72
55
31
(07
)61
(18
)(2
3)
12
(03
)54
97
389
602
272
8
2017
976
964
974
971
1027
1058
1078
1099
1126
1148
1188
1207
1233
1236
1256
1169
1109
1053
1078
1108
932
782
728
561
443
240
125
131
112
97
126
77
89
103
124
80
72
57
35
02
63
(07
)(0
9)
23
13
60
91
224
79
649
840
6
Paacutegin
a 1
Figu
ra22
ndashTa
xas
anua
isde
cres
cim
ento
doIb
oves
pade
sde
1968
122
Os sonhos natildeo determinam o lugar onde vo-cecircs vatildeo chegar mas produzem a forccedila neces-saacuteria para tiraacute-los do lugar em que vocecircs es-tatildeo Sonhem com as estrelas para que vocecircspossam pisar pelo menos na Lua Sonhemcom a Lua para que vocecircs possam pisar pelomenos nos altos montes Sonhem com os al-tos montes para que vocecircs possam ter digni-dade quando atravessarem os vales das per-das e das frustraccedilotildees Bons alunos aprendema matemaacutetica numeacuterica alunos fascinantesvatildeo aleacutem aprendem a matemaacutetica da emo-ccedilatildeo que natildeo tem conta exata e que rompea regra da loacutegica Nessa matemaacutetica vocecirc soacuteaprende a multiplicar quando aprende a di-vidir soacute consegue ganhar quando aprende aperder soacute consegue receber quando aprendea se doar
Sem sonhos a vida natildeo tem brilho Sem me-tas os sonhos natildeo tecircm alicerces Sem priori-dades os sonhos natildeo se tornam reais Sonhetrace metas estabeleccedila prioridades e corrariscos para executar seus sonhos Melhor eacuteerrar por tentar do que errar por se omitir
Augusto Cury
iv
Resumo
A teoria econocircmica claacutessica defende que os mercados satildeo eficientes que os preccedilos cami-
nham em direccedilatildeo a um ponto de equiliacutebrio no longo prazo e que natildeo haacute possibilidades de
arbitragens Para investigar esta Hipoacutetese de Mercado Eficiente (HME) definimos um mo-
delo de previsatildeo de tendecircncias de retornos de ativos financeiros baseado em um sistema
de equaccedilotildees diferenciais lineares acopladas discretizado Neste modelo consideramos que
as relaccedilotildees entre os desvios dos preccedilos das accedilotildees em relaccedilatildeo a um preccedilo considerado
justo traz informaccedilatildeo sobre a dinacircmica dos preccedilos das accedilotildees Tais desvios satildeo calculados
utilizando-se a diferenccedila logariacutetmica entre os preccedilos reais e os preccedilos justos modelados
por uma meacutedia moacutevel exponencial Visando a comparaccedilatildeo entre um mercado emergente e
um desenvolvido aplicamos o modelo para a bolsa de valores brasileira e norte-americana
A consistecircncia do modelo foi investigada comparando-se resultados em quadrimestres
diferentes A relaccedilatildeo entre a acuraacutecia do modelo e o expoente de Hurst foi estudada Paracirc-
metros de execuccedilatildeo do modelo tais como janela de ajuste nuacutemero de accedilotildees e frequecircncia
de amostragem dos dados satildeo explorados com o objetivo de encontrar uma combinaccedilatildeo
que apresente taxas de acuraacutecia relevantes Testes de hipoacuteteses foram aplicados aos
resultados da previsatildeo para investigar se o modelo tem uma taxa de acerto de tendecircncia de
preccedilos diferente de um processo totalmente aleatoacuterio Diante dos paracircmetros explorados
escolhemos um conjunto que apresentou resultados satisfatoacuterios e aplicamos o modelo em
simulaccedilatildeo realiacutestica do mercado utilizando uma plataforma de algotrading Na simulaccedilatildeo
definimos dois modelos de operaccedilatildeo para as estrateacutegias de negociaccedilatildeo MO1 e MO2 No
MO1 as operaccedilatildeo satildeo abertas de acordo com o sinal enviado pelo preditor e encerradas no
fechamento do mesmo candle Para MO2 as operaccedilotildees satildeo encerradas por meio de stops
Os resultados foram comparados levando em consideraccedilatildeo indicadores de desempenho
tais como risco de exposiccedilatildeo ao mercado retorno financeiro taxas operacionais e capital
alocado
Palavras-chave Equaccedilotildees Diferenciais Mercado de Accedilotildees Seacuteries Financeiras Hipoacutetese
de Mercado Eficiente Previsatildeo de Tendecircncias Simulaccedilatildeo Realiacutestica Expoente de Hurst
Modelo de previsatildeo
v
Abstract
The classical economic theory argues that markets are efficient that prices move towards a
long-term equilibrium and that there is no possibility of arbitrage To investigate this Efficient
Market Hypothesis (EMH) we defined a model for forecasting trends in financial asset
returns based on a discretized coupled linear differential equation system In this model
we consider that the relationship between stock price deviations from a price considered
fair provides information on the dynamics of stocks prices Such deviations are calculated
using the logarithmic difference between actual and fair prices modeled by an exponential
moving average To compare an emerging and a developed market we applied the model
to the Brazilian and North American stock exchanges The consistency of the model was
investigated by comparing results in different periods of four months The relationship
between model accuracy and Hurst exponent was studied The execution parameters of the
model such as the fitting window number of assets and frequency of data sampling are
explored in order to find a combination that presents relevant accuracy rates Hypothesis
tests were applied to the forecast results to investigate whether the model has a success
rate different than a completely random process Given the parameters explored we chose
a set that presented satisfactory results and applied the model in a realistic simulation
of the market using an algotrading platform In the simulation we defined two operating
models for the trading strategies MO1 and MO2 In MO1 the operations are opened
according to the signal sent by the predictor and closed at the closing of the same candle
For MO2 operations are closed using stops The results were compared taking into account
performance indicators such as risk of exposure to the market financial return operating
rates and allocated capital
Keywords Differential Equations Stock market Financial Series Efficient Market Hypothe-
sis Trend Forecasting Realistic Simulation Hurst exponent Forecasting Model
vi
Lista de Figuras
Figura 1 ndash Histoacuterico de perfil dos investidores pessoas fiacutesicas na Bovespa 4
Figura 2 ndash Organizaccedilatildeo do trabalho 12
Figura 3 ndash Candles do WINZ20 23
Figura 4 ndash Comparaccedilatildeo de preccedilos brutos meacutedias moacuteveis e preccedilos tratados 29
Figura 5 ndash Distribuiccedilatildeo das distacircncias entre as matrizes A em tempos adjacentes 33
Figura 6 ndash Acuraacutecia meacutedia para todas as n accedilotildees que compotildeem os iacutendices Dow
Jones e Ibovespa 39
Figura 7 ndash Acuraacutecia meacutedia para as 10 accedilotildees com maiores participaccedilotildees no
Ibovespa E Dow Jones 41
Figura 8 ndash Exemplo de um formato de um boxplot 43
Figura 9 ndash Boxplot da Acuraacutecia para todas as accedilotildees que compotildeem os iacutendices
Dow Jones e Ibovespa 44
Figura 10 ndash Acuraacutecia meacutedia para diferentes valores de n accedilotildees que compotildeem as
carteiras do Ibovespa e Dow Jones 46
Figura 11 ndash Expoente de Hurst para todas accedilotildees que compotildeem os iacutendices Dow
Jones e Ibovespa 49
Figura 12 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que com-
potildeem os iacutendices Dow Jones e Ibovespa Q1 50
Figura 13 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que com-
potildeem os iacutendices Dow Jones e Ibovespa Q2 51
Figura 14 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 55
Figura 15 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 58
Figura 16 ndash Acuraacutecias obtidas no primeiro quadrimestre de 2017 utilizando vota-
ccedilatildeo meacutedia e sem votaccedilatildeo 63
Figura 17 ndash Acuraacutecias obtidas no segundo quadrimestre de 2017 utilizando vota-
ccedilatildeo meacutedia e sem votaccedilatildeo 64
Figura 18 ndash Fluxograma das estrateacutegias 73
Figura 19 ndash Rendimentos esperados e os efetivamente obtidos para o ano de 2017 84
Figura 20 ndash Rendimentos esperados e os efetivamente obtidos para o ano de 2018 86
Figura 21 ndash Retornos e riscos do modelo de operaccedilatildeo 2 91
Figura 22 ndash Taxas anuais de crescimento do Ibovespa 122
vii
Lista de Tabelas
Tabela 1 ndash Perfil dos investidores pessoa fiacutesica na Bovespa 3
Tabela 2 ndash Coeficientes angulares (β) e os correspondentes coeficientes de
determinaccedilatildeo (r2) 40
Tabela 3 ndash Acuraacutecia do modelo aplicado a diferentes granularidades de tempo
para R = 500 47
Tabela 4 ndash Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo quadri-
mestres para as accedilotildees dos iacutendices Ibovespa e Dow Jones 54
Tabela 5 ndash Acuraacutecias do modelo no primeiro e segundo quadrimestres para a
combinaccedilatildeo das 10 accedilotildees com maiores pesos 57
Tabela 6 ndash Comparaccedilatildeo das acuraacutecias para todas as accedilotildees dos iacutendices Ibo-
vespa e Dow Jones 60
Tabela 7 ndash Acuraacutecias do modelo para as 10 accedilotildees dos iacutendices Ibovespa e Dow
Jones com os melhores a 61
Tabela 8 ndash Taxas de negociaccedilatildeo e de liquidaccedilatildeo da BOVESPA 71
Tabela 9 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2017 76
Tabela 10 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2018 76
Tabela 11 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2018 76
Tabela 12 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2018 77
Tabela 13 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas ano de 2017 78
Tabela 14 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas no ano de 2018 78
Tabela 15 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacio-
nais para o ano de 2017 78
Tabela 16 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacio-
nais para o ano de 2018 79
Tabela 17 ndash Rendimentos do MO1 no ano de 2017 83
Tabela 18 ndash Rendimentos do MO1 no ano de 2018 85
Tabela 19 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de
2017 92
Tabela 20 ndash Resultados da simulaccedilatildeo utilizando stop gain Sg (equaccedilatildeo 49) e loss
Sl (equaccedilatildeo 48) sem taxas para o ano de 2018 93
Tabela 21 ndash Resultados da simulaccedilatildeo utilizando stops com taxas para o ano de
2017 94
viii
Tabela 22 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de
2018 95
Tabela 23 ndash Meacutedia de preccedilos e retornos das accedilotildees 97
Tabela 24 ndash Lotes padratildeo no mercado real e na plataforma de simulaccedilatildeo no ano
de 2017 115
Tabela 25 ndash Lotes padratildeo no mercado real e na plataforma de simulaccedilatildeo no ano
de 2017 116
Tabela 26 ndash Composiccedilatildeo da carteira teoacuterica do Ibovespa 119
Tabela 27 ndash Composiccedilatildeo do iacutendice Dow Jones 120
ix
Lista de Abreviaturas e Siglas
HME Hipoacutetese de mercado eficiente
MO1 Modelo de operaccedilatildeo 1
MO2 Modelo de operaccedilatildeo 2
DFA Detrended fluctuation analysis
DMA Detrending moving average
x
Lista de Siacutembolos e Variaacuteveis
a Acuraacutecia do modelo
ρ Coeficiente de correlaccedilatildeo de Pearson
σ Desvio padratildeo
ε Erro associado
R Quantidade de pontos utilizados no ajuste
a Acuraacutecia meacutedia do modelo
σa Desvio padratildeo da acuraacutecia meacutedia
H Expoente de Hurst
Q Tamanho da janela para calculo de quartis
u4 Representa os dados do quarto quartil
n Nuacutemero de accedilotildees
nr Nuacutemero de retornos
N Nuacutemero de execuccedilotildees (previsotildees)
Nc Nuacutemero de execuccedilotildees (previsotildees) corretas
d Distacircncia
β Coeficiente angular da reta
r2 Coeficiente de determinaccedilatildeo
S Tamanho da janela para calcular meacutedia moacutevel
x Preccedilo bruto
qo Aproximaccedilatildeo para o preccedilo de abertura do candle
qc Aproximaccedilatildeo para o preccedilo de fechamento do candle
x Preccedilo justo
X Preccedilo tratado
xi
T Tendecircncia
ra Retorno (rendimento) acumulado
ra Retorno acumulado para o conjunto de accedilotildees
λ Quantidade de accedilotildees negociadas
∆x Retorno bruto da accedilatildeo
∆X Retorno tratado da accedilatildeo
∆x Retorno previsto bruto da accedilatildeo
∆X Retorno pervisto tratado da accedilatildeo
Sg Stop gain
Sl Stop loss
xii
Sumaacuterio
1 ndash Introduccedilatildeo 1
11 Objetivos 6
12 Organizaccedilatildeo do trabalho 7
2 ndash Delineamento Metodoloacutegico 8
21 Levantamento bibliograacutefico 8
22 Definiccedilatildeo do modelo 8
23 Dados utilizados 8
24 Tratamento dos dados 9
25 Exploraccedilatildeo do modelo 10
26 Simulaccedilatildeo 11
27 Avaliaccedilatildeo dos resultados do modelo 11
3 ndash Trabalhos relacionados 13
31 Hipoacutetese de Mercado Eficiente 13
32 Financcedilas comportamentais 15
33 Trabalhos aplicados em previsatildeo 16
34 Expoente de Hurst 18
4 ndash Fundamentaccedilatildeo teoacuterica 20
41 Fundamentaccedilatildeo teoacuterica em financcedilas 20
411 Indicadores utilizados nas estrateacutegias 24
5 ndash Modelos 27
51 Tratamento dos dados 27
52 Ajuste linear do dados 28
53 Modelo de previsatildeo 32
6 ndash Exploraccedilatildeo do modelo de previsatildeo 37
61 Variaccedilotildees do tamanho de R 37
62 Variaccedilotildees da quantidade de accedilotildees 45
63 Variaccedilatildeo da granularidade 47
64 Anaacutelise da acuraacutecia em funccedilatildeo do expoente de Hurst das seacuteries 48
65 Acuraacutecias em quadrimestres diferentes 52
651 Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo quadri-
mestres de 2017 52
xiii
652 Aplicaccedilatildeo do modelo utilizando a combinaccedilatildeo das 10 accedilotildees com
maiores pesos nos iacutendices Ibovespa e Dow Jones 56
653 Anaacutelise do desempenho do modelo aplicado agraves accedilotildees de melhor
acuraacutecia no quadrimestre precedente 59
66 Votaccedilatildeo 62
67 Consideraccedilotildees gerais 65
7 ndash Simulaccedilatildeo 67
71 Visatildeo geral dos modelos de operaccedilatildeo 68
72 Modelo de operaccedilatildeo 1 74
721 Acuraacutecias 75
722 Simulaccedilatildeo 77
723 Anaacutelise estatiacutestica de resultados financeiros relativos ao MO1 81
724 Consideraccedilotildees sobre MO1 87
73 Modelo de operaccedilatildeo 2 87
74 Consideraccedilotildees finais 96
8 ndash Conclusatildeo 98
81 Trabalhos Futuros 102
Referecircncias 103
Apecircndices 109
APEcircNDICE A ndash Estimaccedilatildeo da matriz de coeficientes pelo meacutetodo dos miacutenimos
quadrados 110
APEcircNDICE B ndash Tabelas lotes padratildeo das accedilotildees 115
Anexos 117
ANEXO A ndash Tabela de accedilotildees que participaram da carteira teoacuterica do Ibovespa
no primeiro quadrimestre de 2017 118
ANEXO B ndash Tabela de accedilotildees que participaram da carteira teoacuterica do Dow Jones
no primeiro quadrimestre de 2017 120
ANEXO C ndash Tabela das taxas anuais de crescimento do Ibovespa 121
xiv
Capiacutetulo 1
Introduccedilatildeo
A teoria econocircmica claacutessica defende que natildeo eacute possiacutevel obter informaccedilotildees de dados
baseando-se em informaccedilotildees passadas que levem a ganhos fora do padratildeo do mercado
(SAMUELSON 1965) Seus teoacutericos defendem que os mercados seriam assim eficientes
e que os preccedilos caminham em direccedilatildeo a um ponto de equiliacutebrio no longo prazo Esta
discussatildeo inclui a definiccedilatildeo da hipoacutetese de mercado eficiente (HME) (MALKIEL FAMA
1970 SHILLER 1980) Tal hipoacutetese considera que natildeo haacute possibilidades de arbitragem
que o mercado descobre o preccedilo correto dos ativos natildeo sendo possiacutevel ganhos acima
da meacutedia sem correr riscos acima da meacutedia Considera tambeacutem que os investidores
satildeo racionais e que toda informaccedilatildeo relevante eacute disponiacutevel e absorvida imediatamente
pelo mercado (MALKIEL FAMA 1970) No entanto um grande nuacutemero de analistas do
mercado especuladores e investidores fundamentalistas ou teacutecnicos estatildeo em busca de
tais informaccedilotildees (FENG et al 2012)
Investigaccedilotildees empiacutericas sobre a eficiecircncia do mercado tecircm sido realizadas em muitos con-
textos utilizando diversas ferramentas estatiacutesticas (BARKOULAS BAUM 1996 GRECH
MAZUR 2004 CAJUEIRO TABAK 2004 ZUNINO et al 2007 CHORDIA ROLL SU-
BRAHMANYAM 2008 BELAIRE-FRANCH OPONG 2010 CAGINALP DESANTIS 2011
CHARLES DARNEacute KIM 2012 AL-KHAZALI PYUN KIM 2012 LAZAR TODEA FILIP
2012 CHOUDHRY JAYASEKERA 2012 CHOUDHRY JAYASEKERA 2014 KATUSIIME
SHAMSUDDIN AGBOLA 2015 NTIM et al 2015 CURME STANLEY VODENSKA 2015
PODOBNIK et al 2006 RESENDE et al 2017) Pesquisas mostram que o mercado natildeo eacute
tatildeo eficiente em termos de absorccedilatildeo de informaccedilatildeo nem toda informaccedilatildeo relevante estaacute
disponiacutevel aos investidores (ROSS 1989 HEALY PALEPU 2001 BRUNNERMEIER 2005)
No estudo realizado por (CAJUEIRO TABAK 2004) os expoentes de Hurst das seacuteries
de paiacuteses desenvolvidos estatildeo bem proacuteximos de 0 5 Jaacute os valores obtidos para paiacuteses
emergentes se distanciam mais deste valor indicando que mercados emergentes satildeo
menos eficientes que mercados desenvolvidos A ineficiecircncia dos mercados emergentes
dentre outros fatores pode estar relacionada agrave baixa liquidez do mercado (CHORDIA ROLL
1
SUBRAHMANYAM 2008 CHUNG HRAZDIL 2010) e ao fluxo de informaccedilatildeo (ROSS 1989
HEALY PALEPU 2001 BRUNNERMEIER 2005) Tambeacutem haacute pesquisas no campo de
financcedilas comportamentais onde o comportamento natildeo racional eacute estudado em detalhes
(KAHNEMAN TVERSKY 1979 SHILLER FISCHER FRIEDMAN 1984) Em (CAGINALP
ERMENTROUT 1990) os autores desenvolveram um modelo utilizando equaccedilotildees dife-
renciais que incorpora o aspecto emocional dos investidores em um mercado financeiro
teoacuterico Indicam que fatores psicoloacutegicos satildeo capazes de influenciar a estabilidade dos
preccedilos evidenciando desvios da hipoacutetese de mercado eficiente
Algoritmos de automatizaccedilatildeo de estrateacutegias e operaccedilotildees tambeacutem tecircm sido foco de vaacuterias
pesquisas na aacuterea Muitos desses trabalhos utilizam redes neurais artificiais para a constru-
ccedilatildeo dos modelos de previsatildeo Em (NAMETALA et al 2016) os autores desenvolveram uma
estrateacutegia automatizada que combina redes neurais artificiais e preditores economeacutetricos
para gerar sinais de compra ou venda por meio de um modelo de negociaccedilatildeo incorporado
ao algoritmo
Pesquisas nestas aacutereas de automatizaccedilatildeo caracterizaccedilatildeo e modelagem de mercados
constituem-se relativamente novas e promissoras pois com o surgimento de novas tec-
nologias e diversas plataformas de negociaccedilatildeo o nuacutemero de pessoas atuando na bolsa
tem aumentado significativamente O cadastro de CPFs na Bolsa brasileira teve um grande
avanccedilo sendo que em maio de 2020 este nuacutemero chegou agrave marca de 2483286 O aumento
pode ainda estar relacionado dentre outros fatores agrave ampla divulgaccedilatildeo e tambeacutem agrave redu-
ccedilatildeo da taxa de juros do paiacutes tornando a renda variaacutevel uma atrativa fonte de investimento
As pessoas fiacutesicas representam 98 86 do total de investidores sendo destes 75 05
homens e 23 81 mulheres O valor investido pelas pessoas fiacutesicas eacute de 303 63 bilhotildees
de reais Ainda de acordo com o relatoacuterio disponibilizado pela Bolsa a maior parte dos
investimentos estaacute concentrada no estado de Satildeo Paulo Os dados com os nuacutemeros de
investidores bem como os valores por estado satildeo mostrados na tabela 1 que foi adaptada
de (BMampFBOVESPA 2020a)
A figura 1 apresenta a evoluccedilatildeo da distribuiccedilatildeo da participaccedilatildeo de homens e mulheres no
total de investidores pessoa fiacutesica na bolsa brasileira A curva azul corresponde aos CPFs
relacionados ao sexo masculino que em todo o periacuteodo apresentado se manteve acima
da curva vermelha que representa a participaccedilatildeo das mulheres na bolsa Para ambos
os perfis percebemos um aumento significativo dos investidores a partir do ano de 2018
Segundo dados da Bovespa (BMampFBOVESPA 2020a) o nuacutemero de CPFs cadastrados na
bolsa brasileira dobrou em 2019 saltando de 813291 para 1681033 O criteacuterio de contagem
considera o CPF cadastrado em cada agente de custoacutedia ou seja pode contabilizar o
mesmo investidor caso ele possua conta em mais de um corretora Entretanto este aumento
no nuacutemero de pessoas eacute bem relevante
2
Tabela 1 ndash Perfil dos investidores pessoa fiacutesica na Bovespa
EstadoContas Valor (R$ bilhotildees)
Homens Mulheres Total Homens Mulheres TotalSP 725848 245265 971113 11615 3426 15042 4954RJ 204690 70602 275292 3536 1212 4748 1564MG 182502 54644 237146 2538 424 2962 975RS 108117 30292 138409 1246 360 1606 529SC 91315 25268 116583 789 206 995 328PR 118032 33968 152000 1071 284 1355 446BA 59552 18373 77925 511 110 622 205DF 65687 23372 89059 620 119 739 243ES 39356 11092 50448 295 058 352 116PE 42806 12570 55376 280 075 355 117CE 36110 10321 46431 224 069 292 096GO 44555 13562 58117 222 046 268 088PB 16386 4761 21147 075 017 093 031MT 20172 5841 26013 113 020 133 044MS 17871 4995 22866 128 016 144 047PA 19571 6147 25718 101 022 123 041RN 17016 4454 21470 090 017 107 035AM 12893 4137 17030 075 014 088 029MA 13847 4135 17982 073 012 085 028AL 10212 2863 13075 047 008 055 018SE 9966 2801 12767 050 010 060 020PI 8512 2456 10968 039 007 046 015RO 7805 2339 10144 034 008 042 014AP 1921 616 2537 008 001 009 003AC 2557 802 3359 011 003 014 004RR 2204 712 2916 008 001 009 003TO 5693 1702 7395 017 003 020 006
Total 1885196 598090 2483286 23817 6546 30363Nota Os dados apresentados satildeo referentes ao perfil dos investidores pessoa fiacutesica naBovespa em 29052020 Os resultados foram segmentados por estados e mostram os
nuacutemeros de contas de pessoas fiacutesicas na Bovespa bem como o saldo financeiro Acontagem dos CPFs de investidores satildeo por agente de custoacutedia Adaptado do site de
serviccedilos da Bovespa Histoacuterico de perfil dos investidores pessoas fiacutesicas de Maio de 2020disponiacutevel em lthttpwwwb3combrpt_brmarket-data-e-indicesservicos-de-dados
market-dataconsultasmercado-a-vistahistorico-pessoas-fisicasgt
3
2002 2004 2006 2008 2010 2012 2014 2016 2018 2020
Anos
0
05
1
15
2
25
Con
tas
106
HomensMulheresTotal
Figura 1 ndash Histoacuterico de perfil dos investidores pessoas fiacutesicas na Bovespa Representaa evoluccedilatildeo do nuacutemero de investidores na Bovespa entre os anos de 2002 a 2020A curva na cor azul corresponde ao nuacutemero de CPFs de investidores do sexomasculino a curva na cor vermelha representa a evoluccedilatildeo da participaccedilatildeo demulheres na Bolsa e a curva na cor verde mostra o total de pessoas fiacutesicas aolongo do periacuteodo
Nem todos os agentes atuantes no mercado tecircm retornos positivos e muitos acabam fracas-
sando e desistindo do mercado uma vez que a renda variaacutevel depende de diversos fatores
tais como gerenciamento de risco definiccedilatildeo de estrateacutegia e ateacute mesmo controle emocional
Desta forma as estrateacutegias automatizadas podem facilitar o ingresso neste cenaacuterio de
grandes oscilaccedilotildees e incertezas com mais assertividade e precisatildeo nas operaccedilotildees Isto nos
incentiva a pesquisar e desenvolver ferramentas que auxiliem na tomada de decisatildeo
Neste contexto motivados pela lacuna deixada pela hipoacutetese de mercado eficiente sugerida
por modelos interessados na previsatildeo de dinacircmicas de mercados (ATSALAKIS K 2013
ATSALAKIS VALAVANIS 2009) e por modelos empenhados na previsatildeo do sinal de
retornos de ativos (NYBERG 2011 ANATOLYEV GOSPODINOV 2012 CHEVAPATRAKUL
2013 POumlNKAuml 2014) propomos tambeacutem um modelo de previsatildeo Este eacute baseado em um
sistema de equaccedilotildees diferenciais lineares acopladas Discretizando o sistema obtemos um
modelo que se assemelha a um modelo de regressatildeo linear multivariado
Neste modelo consideramos que os desvios dos preccedilos brutos das accedilotildees em relaccedilatildeo a um
preccedilo justo satildeo os fatores importantes na nossa anaacutelise Tais desvios seratildeo denominados
4
preccedilos tratados De fato sabemos que existem modelos para precificaccedilatildeo de ativos poreacutem
neste trabalho vamos utilizar meacutedias moacuteveis exponenciais como aproximaccedilatildeo para o preccedilo
justo Assim o preccedilo considerado justo seraacute denominado preccedilo de referecircncia O preccedilo
tratado seraacute dado pela diferenccedila logariacutetmica entre o preccedilo bruto e o preccedilo de referecircncia
Na investigaccedilatildeo utilizamos dados de todas as accedilotildees que compotildeem os iacutendices Dow Jones e
Ibovespa no ano de 2017 O Dow Jones eacute um iacutendice do mercado americano que representa
a negociaccedilatildeo das 30 maiores empresas de capital aberto negociadas neste mercado O
Ibovespa eacute o iacutendice composto em meacutedia por 58 accedilotildees negociadas na bolsa de valores
de Satildeo Paulo Para compor a carteira teoacuterica do Ibovespa as accedilotildees tecircm que atender a
criteacuterios estabelecidos pela BMampFBOVESPA1 relativos agrave liquidez volume de negociaccedilatildeo
participaccedilatildeo nos pregotildees de negociaccedilatildeo e outros As seacuteries utilizadas satildeo compostas por
dados de candles intraday2 onde maiores correlaccedilotildees satildeo esperadas (ALLEZ BOUCHAUD
2011) O iacutendice Ibovespa foi escolhido por ser de um mercado de paiacutes emergente onde
a ineficiecircncia tende a ser mais evidenciada possibilitando assim maiores oportunidades
de sucesso na previsatildeo de tendecircncias de retornos (CAJUEIRO TABAK 2004 ZUNINO et
al 2007) O mercado Americano foi escolhido para contrastar com este cenaacuterio e tambeacutem
devido agrave sua importacircncia
Os paracircmetros do modelo satildeo explorados de forma a definir-se uma combinaccedilatildeo ideal
que apresente resultados relevantes de acuraacutecia na previsatildeo de tendecircncia de retornos das
accedilotildees Nosso objetivo eacute mostrar que o modelo de previsatildeo de tendecircncia apresenta uma
taxa de acuraacutecia superior a um processo totalmente aleatoacuterio Para validar estes resultados
realizaremos anaacutelises estatiacutesticas A hipoacutetese de pesquisa a ser testada eacute que a acuraacutecia
do modelo eacute diferente de 0 5 evidenciando desvio da hipoacutetese de mercado eficiente
Diante dos paracircmetros definidos durante a exploraccedilatildeo do modelo vamos desenvolver
duas estrateacutegias de negociaccedilatildeo e aplicaacute-las no mercado real atraveacutes de uma plataforma
de simulaccedilatildeo Os resultados seratildeo comparados levando em consideraccedilatildeo as variaacuteveis
envolvidas na simulaccedilatildeo tais como risco de exposiccedilatildeo ao mercado retorno financeiro
taxas operacionais e capital alocado
Um problema desafiador que surge no acircmbito das pesquisas em mercados financeiros eacute a
possibilidade de se utilizar teacutecnicas e modelos matemaacuteticos para representar a dinacircmica
dos movimentos dos preccedilos O problema torna-se mais complexo quando envolve teacutecnicas
de previsatildeo de tais valores poreacutem um grande nuacutemero de agentes do mercado estatildeo em
busca destas informaccedilotildees Assim nosso problema neste trabalho eacute desenvolver um modelo
matemaacutetico-computacional para a previsatildeo de tendecircncia de preccedilos no mercado de accedilotildees
brasileiro e no mercado americano
1Bolsa de Valores Mercadorias e Futuros de Satildeo Paulo2Dados dentro de um periacuteodo regular da bolsa (dia)
5
Nesta perspectiva este trabalho Justifica-se como complementaccedilatildeo de outros estudos
que envolvem a combinaccedilatildeo de ferramentas estatiacutesticas redes neurais artificiais e outras
abordagens aplicadas para a modelagem de mercado de accedilotildees podendo assim ser
utilizado em pesquisas futuras
11 Objetivos
Este trabalho tem como objetivo geral apresentar um modelo de previsatildeo de tendecircncias de
preccedilos das accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa buscando oportunidades
em desvios da hipoacutetese de mercado eficiente A pesquisa iraacute contribuir para a compreensatildeo
da dinacircmica dos mercados de accedilotildees
Na decomposiccedilatildeo do objetivo geral destacam-se alguns dentre os principais objetivos
especiacuteficos
bull Desenvolver um modelo capaz de prever tendecircncias de preccedilos com taxas de acertos
superiores a um processo totalmente aleatoacuterio
bull Testar o niacutevel de eficiecircncia de dois mercados com caracteriacutesticas diferentes A investi-
gaccedilatildeo seraacute por meio da anaacutelise de resultados obtidos para Dow Jones e Ibovespa
bull Explorar o modelo de previsatildeo de tendecircncia com o objetivo de encontrar paracircmetros
que retornem os melhores resultados
bull Desenvolver estrateacutegias de negociaccedilatildeo aplicadas ao mercado real em periacuteodos
diferentes utilizando tais paracircmetros
De forma especiacutefica a principal contribuiccedilatildeo deste trabalho eacute favorecer a compreensatildeo
da dinacircmica do mercado de accedilotildees Jaacute sob o ponto de vista social diante do aumento do
nuacutemero de agentes atuando na Bolsa de valores e da queda na taxa de juros podemos
dizer que o mercado de renda variaacutevel tem se tornado atrativo para novos investimentos
impactando assim a forma como as pessoas aplicam as suas economias Por isso eacute
importante verificar a Hipoacutetese de Mercado Eficiente neste cenaacuterio
Neste contexto o modelo de operaccedilatildeo implementado depois de adaptado e validado tam-
beacutem pode contribuir para operaccedilotildees em outros cenaacuterios tais como mercados futuros(doacutelar
e iacutendices) e commodities3 (por exemplo milho feijatildeo cafeacute soja)
3Satildeo produtos de qualidade e caracteriacutesticas uniformes que funcionam como mateacuteria-prima produzidosem escala e que podem ser estocados sem perda de qualidade Seu preccedilo eacute definido de acordo com a ofertae demanda americana
6
12 Organizaccedilatildeo do trabalho
A tese estaacute estruturada em 8 capiacutetulos dois apecircndices e trecircs anexos
No capiacutetulo 1 que eacute o presente capiacutetulo apresentamos a introduccedilatildeo do trabalho Aqui satildeo
introduzidas as etapas e caracteriacutesticas do desenvolvimento da pesquisa
No capiacutetulo 2 descrevemos o delineamento da pesquisa o planejamento do modelo a
exploraccedilatildeo do modelo e a definiccedilatildeo dos dados utilizados nas anaacutelises
No capiacutetulo 3 apresentamos uma breve revisatildeo bibliograacutefica dos trabalhos referentes ao
tema da pesquisa
No capiacutetulo 4 descrevemos alguns conceitos necessaacuterios para a compreensatildeo do trabalho
e as ferramentas computacionais utilizadas
No capiacutetulo 5 apresentamos a formulaccedilatildeo do tratamento dos dados a apresentaccedilatildeo de um
modelo baseado em um sistema de equaccedilotildees diferenciais lineares e a sua adaptaccedilatildeo para
um novo modelo de ajuste de pontos bem como a definiccedilatildeo de um modelo de previsatildeo de
tendecircncia de preccedilos
No capiacutetulo 6 eacute apresentada a exploraccedilatildeo do modelo Neste analisamos os paracircmetros de
entrada com o objetivo de encontrar a combinaccedilatildeo que apresente as melhores acuraacutecias
do modelo na previsatildeo de tendecircncia dos preccedilos
No capiacutetulo 7 mostramos as estrateacutegias de negociaccedilatildeo aplicadas no mercado real Para
a simulaccedilatildeo utilizamos o modelo que retorna um sinal de compra venda ou natildeo opera
apresentado no capiacutetulo 5 Para calibrar o modelo de previsatildeo utilizamos os paracircmetros
explorados no Capiacutetulo 6
No capiacutetulo 8 descrevemos a conclusatildeo bem como os passos futuros do trabalho
O apecircndice A complementa a tese com a descriccedilatildeo da forma de estimar a matriz de
coeficientes por meio da teacutecnica de otimizaccedilatildeo matemaacutetica dos miacutenimos quadrados Jaacute o
apecircndice B conteacutem a tabela de lotes padratildeo de negociaccedilatildeo das accedilotildees na Bovespa
Os anexos A B e C mostram respectivamente a tabela das accedilotildees que participaram da
carteira teoacuterica do Ibovespa no primeiro quadrimestre de 2017 a tabela das accedilotildees que
participaram da carteira teoacuterica do iacutendice Dow Jones tambeacutem no primeiro quadrimestre de
2017 e a tabela das taxas anuais de crescimento do Ibovespa
7
Capiacutetulo 2
Delineamento Metodoloacutegico
Neste capiacutetulo vamos apresentar o delineamento da pesquisa o planejamento a exploraccedilatildeo
do modelo simulaccedilatildeo bem como a definiccedilatildeo dos dados utilizados nas anaacutelises
21 Levantamento bibliograacutefico
A etapa de levantamento bibliograacutefico tem como objetivo contextualizar a pesquisa dentro
do conjunto de atividades cientiacuteficas relacionadas a modelos de previsatildeo desenvolvidos
para o mercado de accedilotildees
22 Definiccedilatildeo do modelo
A definiccedilatildeo do modelo seraacute apresentada no capiacutetulo 5 O modelo de previsatildeo foi definido
baseando-se em um sistema de equaccedilotildees diferenciais lineares acopladas (RESENDE et al
2017) Este sistema foi discretizado de forma a se aproximar de um modelo de regressatildeo
linear multivariado De fato natildeo esperamos que um modelo linear seja capaz de representar
a dinacircmica do mercado financeiro Poreacutem a violaccedilatildeo ou natildeo das premissas de adequaccedilatildeo
a um modelo de regressatildeo natildeo inviabiliza o trabalho uma vez que o objetivo principal deste
eacute prever tendecircncias de preccedilos de accedilotildees A matriz de coeficientes do modelo obtida ateacute o
tempo t seraacute determinada com base em manipulaccedilotildees algeacutebricas expostas por (AGUIRRE
2007) e seraacute utilizada como instrumento para a previsatildeo da tendecircncia dos preccedilos no tempo
t+ 1 Trabalhamos aqui com a hipoacutetese de linearidade local na vizinhanccedila de t
23 Dados utilizados
Para a definiccedilatildeo e exploraccedilatildeo do modelo utilizamos preccedilos de fechamento das accedilotildees que
participaram da composiccedilatildeo da carteira teoacuterica dos iacutendices Dow Jones e Ibovespa com
frequecircncias de 5 10 15 20 e 30 minutos no primeiro e segundo quadrimestres de 2017
8
Na seccedilatildeo 63 vamos analisar todas estas granularidades de tempo e definir a amostra que
apresentar melhores resultados As seacuteries de dados utilizadas foram obtidas na plataforma
Bloomberg 1
Alteraccedilotildees na composiccedilatildeo da carteira do Ibovespa denominadas viradas satildeo realizadas a
cada quadrimestre As inclusotildees e exclusotildees de accedilotildees no iacutendice satildeo realizadas nos meses
de Janeiro Maio e Setembro utilizando como base o uacuteltimo dia de pregatildeo do mecircs anterior
A tabela 26 anexo A mostra as accedilotildees que participaram da carteira teoacuterica do Ibovespa no
primeiro quadrimestre de 2017 02012017 a 28042017 As accedilotildees estatildeo ordenadas de
acordo com a maior porcentagem de participaccedilatildeo no Ibovespa No quadrimestre 2 uma
nova accedilatildeo foi incluiacuteda na carteira alterando assim as porcentagens de participaccedilatildeo das
accedilotildees Poreacutem por simetria e comparaccedilatildeo de resultados decidimos manter as mesmas
accedilotildees e as porcentagens baseados no quadrimestre 1
O iacutendice Dow Jones eacute um dos principais indicadores do mercado americano A sua com-
posiccedilatildeo eacute definida pela meacutedia das 30 maiores e mais importantes empresas do mercado
As accedilotildees que compotildeem o iacutendice satildeo apresentadas na tabela 27 anexo B Alteraccedilotildees na
composiccedilatildeo do iacutendice Dow Jones satildeo pouco frequentes As alteraccedilotildees que aconteceram no
periacuteodo foram em relaccedilatildeo agrave ordem de peso de participaccedilatildeo na carteira Por isso decidimos
manter a ordem de participaccedilatildeo baseada no primeiro quadrimestre de 2017 A Tabela 27
anexo B apresenta as 30 accedilotildees que compotildeem o iacutendice Dow Jones ordenadas de acordo
com a sua porcentagem de participaccedilatildeo na carteira
Para a simulaccedilatildeo realiacutestica apresentada no capiacutetulo 7 utilizamos dados com frequecircncia
de cotaccedilatildeo de 5 minutos das 10 accedilotildees com maior liquidez na Bovespa nos anos de 2017 e
2018 A escolha do mercado brasileiro foi baseada no resultado da exploraccedilatildeo do modelo
(6) sendo este cenaacuterio o que apresentou melhores resultados
24 Tratamento dos dados
Na seccedilatildeo 51 eacute apresentado de forma detalhada o tratamento dos dados No modelo
analisado consideramos que os desvios dos preccedilos em relaccedilatildeo a um preccedilo considerado
justo traz informaccedilotildees sobre a dinacircmica dos preccedilos das accedilotildees Tais desvios satildeo calculados
utilizando-se a diferenccedila logariacutetmica entre o preccedilo bruto e o preccedilo de referecircncia Poreacutem
calcular o preccedilo referecircncia de cada accedilatildeo envolve diversas anaacutelises e variaacuteveis que natildeo
estatildeo no foco do trabalho Por isto utilizamos como alternativa para tal preccedilo uma meacutedia
moacutevel exponencial que seraacute considerada o preccedilo de referecircncia No caacutelculo da aproximaccedilatildeo
para o valor definimos uma janela moacutevel de tamanho 12 composta pelos dados observados
1A Bloomberg eacute uma empresa privada que oferece serviccedilos para profissionais do mercado com foco emsoftware dados e miacutedia financeira privada Foi fundada por Michael Bloomberg em 1981
9
da amostra analisada A escolha do valor de S = 12 foi baseada em aspectos experimentais
de trabalhos anteriores (RESENDE et al 2017) e tambeacutem considerando que em uma hora
de negociaccedilatildeo temos 12 candles com frequecircncia de cotaccedilatildeo de 5 minutos
25 Exploraccedilatildeo do modelo
No capiacutetulo 6 vamos explorar os diversos paracircmetros do modelo Poreacutem o objetivo principal
natildeo eacute encontrar paracircmetros oacutetimos mas sim selecionar uma combinaccedilatildeo que apresente
bons resultados de acuraacutecia2 na previsatildeo de tendecircncia Para isto exploramos as seguintes
combinaccedilotildees de paracircmetros do modelo
bull Variaccedilatildeo do tamanho da janela de pontos utilizada no ajuste
Aplicamos quantidades diferentes de pontos R ao ajuste e definimos baseados nos
resultados um valor considerado satisfatoacuterio como paracircmetro para ajustes futuros
bull Variaccedilatildeo da quantidade de accedilotildees Utilizando a quantidade de pontos definida no
item anterior variamos a quantidade n de accedilotildees envolvidas na anaacutelise O valor inicial
de n foi a combinaccedilatildeo miacutenima de 2 accedilotildees incrementando 1 accedilatildeo na ordem do seu
peso de participaccedilatildeo nas carteiras ateacute o valor maacuteximo de n = 30 para accedilotildees do Dow
Jones e n = 58 para as accedilotildees que compotildeem o Ibovespa
bull Variaccedilatildeo da granularidade dos dados
Analisamos as frequecircncias de cotaccedilotildees de 5 10 15 20 e 30 minutos para avaliar em
qual granularidade o modelo obteacutem as melhores taxas de previsatildeo de tendecircncia
Tambeacutem exploramos o modelo tendo em vista as seguintes anaacutelises
bull Taxas de acerto de tendecircncias em funccedilatildeo do expoente de Hurst
Nesta anaacutelise estamos interessados em estudar o comportamento de persistecircncia
e anti-persistecircncia das seacuteries de preccedilos brutos das accedilotildees e investigar se haacute uma
relaccedilatildeo entre os resultados e o poder de previsibilidade do modelo
bull Taxas de acerto de tendecircncias em quadrimestres diferentes
O intuito desta anaacutelise eacute investigar se as taxas de acertos obtidas no primeiro quadri-
mestre apresentam correlaccedilatildeo com as taxas relativas ao segundo quadrimestre de
2017 Isto nos possibilita verificar a consistecircncia do modelo em diferentes periacuteodos
bull Votaccedilatildeo
Uma votaccedilatildeo entre tendecircncias apontadas pelos ajustes utilizando diferentes quantida-
des de pontos R tambeacutem deve ser elaborada Nesta votaccedilatildeo consideraremos como a
tendecircncia prevista a direccedilatildeo apontada pela maioria dos votantes e empate entre os
votantes como sinal para natildeo abrir novas posiccedilotildees no momento
bull Validaccedilatildeo estatiacutestica dos resultados
Testes de hipoacuteteses seratildeo aplicados aos resultados de taxas de acertos obtidas pelo
2Capiacutetulo 5 equaccedilatildeo (30)
10
modelo A hipoacutetese a ser testada eacute que a acuraacutecia do modelo eacute estatisticamente
diferente de 0 5
26 Simulaccedilatildeo
Depois de explorados e definidos paracircmetros satisfatoacuterios para o modelo no capiacutetulo
de simulaccedilatildeo realiacutestica (capiacutetulo 7) desenvolveremos duas estrateacutegias de negociaccedilatildeo
utilizando tais paracircmetros Estas estrateacutegias seratildeo denominadas modelo de operaccedilatildeo 1
(MO1) e modelo de operaccedilatildeo 2 (MO2) As accedilotildees utilizadas nos modelos de operaccedilatildeo foram
as 10 accedilotildees com maior liquidez no ano de 2017 e 2018 As seacuteries de dados utilizadas foram
de candles de 5 minutos Em ambos os modelos de operaccedilatildeo as posiccedilotildees satildeo abertas
quando o modelo de previsatildeo de tendecircncia envia um sinal natildeo neutro De acordo com este
sinal as operaccedilotildees de compra ou venda descoberta satildeo abertas No modelo de operaccedilatildeo 1
(MO1) as operaccedilotildees satildeo fechadas a cada passo de tempo (fechamento do candle) Jaacute no
modelo de operaccedilatildeo 2 (MO2) as posiccedilotildees satildeo fechadas de acordo com valores de stop
gain e stop loss definidos
27 Avaliaccedilatildeo dos resultados do modelo
A anaacutelise dos resultados obtidos com os modelos de operaccedilatildeo nos permite avaliar as
caracteriacutesticas de cada estrateacutegia apontando as vantagens e desvantagens de cada uma
delas As variaacuteveis levadas em consideraccedilatildeo seratildeo baseadas em risco de exposiccedilatildeo ao
mercado retorno financeiro taxas operacionais e capital alocado A figura 2 mostra as
etapas e organizaccedilatildeo do trabalho descritas anteriormente
11
Tamanho de R
Numero de accedilotildees
Granularidade do dados
Quadrimestres
Expoente de Hurst
Votaccedilatildeo
Revisatildeo
bibliograacutefica
Simulaccedilatildeo
Exploraccedilatildeo do
modelo
Modelo Coleta de dadosTratamento dos
dados
Modelo de
previsatildeo
Resultados
Paracircmetros
MO1 MO2
Figura 2 ndash Organizaccedilatildeo geral do trabalho Na etapa de revisatildeo bibliograacutefica uma pesquisaeacute realizada para identificar o estado da arte do tema abordado bem como asteacutecnicas de previsatildeo utilizadas no mercado de accedilotildees Na parte do modeloapresentamos a formulaccedilatildeo do modelo baseado em um sistema de equaccedilotildeesdiferenciais lineares e a sua adaptaccedilatildeo para um novo modelo de ajuste de pontosa definiccedilatildeo e o tratamento dos dados bem como a definiccedilatildeo de um modelo deprevisatildeo de tendecircncia de preccedilos Na etapa de exploraccedilatildeo o modelo foi testadoem diferentes cenaacuterios investigando a influecircncia do tamanho de R nuacutemero deaccedilotildees granularidade dos dados e outros paracircmetros nos resultados do modeloNa simulaccedilatildeo desenvolvemos duas estrateacutegias de negociaccedilatildeo (MO1 e MO2)baseadas no modelo de previsatildeo e utilizando os paracircmetros definidos Na fasede resultados apresentamos a anaacutelise dos resultados obtidos com os modelosde operaccedilatildeo
12
Capiacutetulo 3
Trabalhos relacionados
Neste capiacutetulo vamos apresentar uma breve revisatildeo bibliograacutefica dos trabalhos relativos ao
tema da pesquisa Na seccedilatildeo 31 vamos relacionar os principais trabalhos sobre Hipoacutetese
de Mercado Eficiente (HME) Na seccedilatildeo 32 apresentaremos trabalhos que exploram a
racionalidade dos agentes do mercado por meio de estudos em financcedilas comportamentais
Nas seccedilotildees 33 e 34 descreveremos alguns trabalhos que investigam desvios da HME por
meio de modelos de previsatildeo e por anaacutelises utilizando algumas ferramentas estatiacutesticas
31 Hipoacutetese de Mercado Eficiente
Em um mercado eficiente os preccedilos dos ativos deveriam assimilar e refletir imediatamente
toda informaccedilatildeo relevante disponiacutevel Esta eacute a denominada Hipoacutetese de Mercado Eficiente
(HME)
De acordo com a HME o comportamento dos investidores eacute racional e natildeo existe memoacuteria
nas seacuteries de preccedilos que possibilite oportunidade de arbitragem A Hipoacutetese de Mercado
Eficiente foi apresentada matematicamente por (SAMUELSON 1965) mostrando que
as flutuaccedilotildees dos preccedilos acontecem de forma aleatoacuteria a expectativa para o preccedilo em
t + 1 eacute o preccedilo no tempo t Seus teoacutericos defendem que os preccedilos caminham para um
ponto de equiliacutebrio e com isso natildeo eacute possiacutevel obter ganhos demasiados sem correr
riscos proporcionais Defendem que toda informaccedilatildeo relevante estaacute disponiacutevel e que logo
eacute absorvida e processada pelo mercado sendo desta forma refletida nos valores dos
ativos (MANTEGNA STANLEY 1999) Os mercados seriam assim capazes de reunir a
sabedoria coletiva e precificar os ativos com precisatildeo
Trecircs formas diferentes de HME satildeo consideradas fraca semi-forte e forte Um mercado eacute
dito eficiente na forma fraca quando toda as informaccedilotildees puacuteblicas disponiacuteveis satildeo absorvidas
imediatamente
13
No niacutevel semi-forte considera-se que o mercado reflete toda a informaccedilatildeo publicamente
disponiacutevel incluindo informaccedilotildees obtidas atraveacutes de demonstraccedilotildees contaacutebeis publicadas
e informaccedilotildees histoacutericas A diferenccedila entre a eficiecircncia semi-forte e a eficiecircncia fraca eacute
que a semi-forte exige dos agentes uma anaacutelise completa de dados fundamentalistas das
empresas Esse tipo de anaacutelise requer um maior embasamento teoacuterico para avaliar com
propriedade empresas ou setores da economia Isso implica conhecimento tempo e custo
o que pode limitar a forma de eficiecircncia do mercado
Um mercado eacute eficiente no sentido forte quando reflete aleacutem das informaccedilotildees publicamente
disponiacuteveis e das histoacutericas de preccedilos as informaccedilotildees privadas Este niacutevel engloba as hipoacute-
teses fraca e semi-forte e considera que os preccedilos refletem imediatamente toda informaccedilatildeo
puacuteblica e privada inerente ao ativo
No entanto considerando todas as caracteriacutesticas um mercado dito eficiente na forma mais
estrita eacute um sistema idealizado Em mercados reais resiacuteduos de ineficiecircncia satildeo observa-
dos Mercados reais satildeo apenas uma aproximaccedilatildeo do mercado eficiente(MANTEGNA
STANLEY 1999) A eficiecircncia de mercado tem sido investigada em muitos contextos utili-
zando uma variedade de ferramentas estatiacutesticas (BARKOULAS BAUM 1996 GRECH
MAZUR 2004 CAJUEIRO TABAK 2004 ZUNINO et al 2007 CHORDIA ROLL SU-
BRAHMANYAM 2008 BELAIRE-FRANCH OPONG 2010 CAGINALP DESANTIS 2011
CHARLES DARNEacute KIM 2012 AL-KHAZALI PYUN KIM 2012 LAZAR TODEA FILIP
2012 CHOUDHRY JAYASEKERA 2012 CHOUDHRY JAYASEKERA 2014 KATUSIIME
SHAMSUDDIN AGBOLA 2015 NTIM et al 2015 CURME STANLEY VODENSKA 2015
PODOBNIK et al 2006) Analistas teacutecnicos tambeacutem acreditam que eacute possiacutevel obter in-
formaccedilatildeo sobre os preccedilos baseados em dados histoacutericos Em financcedilas comportamentais
o comportamento irracional dos investidores tambeacutem tem sido investigado (KAHNEMAN
TVERSKY 1979 SHILLER FISCHER FRIEDMAN 1984)
Desvios da Hipoacutetese de Mercado Eficiente tambeacutem tecircm sido associados a diversos fatores
tais como custos de operaccedilatildeo (LIU 2010) baixa liquidez (CHORDIA ROLL SUBRAH-
MANYAM 2008 CHUNG HRAZDIL 2010) limitaccedilotildees no fluxo de informaccedilatildeo (ROSS
1989 HEALY PALEPU 2001 BRUNNERMEIER 2005) intervenccedilotildees do banco central
(RAFFERTY TOMLJANOVICH 2002 BORDO LANDON-LANE 2013 ALONSO-RIVERA
CRUZ-AKEacute VENEGAS-MARTIacuteNEZ 2014 CHEN HUANG SU 2014) incertezas poliacuteticas
(PASQUARIELLO ZAFEIRIDOU 2014) e crises financeiras (LIM BROOKS KIM 2008)
No estudo realizado por (SHARMA BANERJEE 2015) nos variados setores da Bolsa
de valores de Bombaim1 (BSE) em um periacuteodo de 8 anos (abril 2006 a marccedilo 2014) os
resultados indicam que os dados natildeo satisfazem agrave suposiccedilatildeo de normalidade Mostram
que os retornos dos ativos analisados satildeo guiados por curvas assimeacutetricas e com caudas1Foi fundada em 1875 e eacute a principal bolsa de valores da Iacutendia
14
pesadas indicando tambeacutem que o mercado natildeo segue a hipoacutetese de random walk
Nas proacuteximas seccedilotildees vamos apresentar de forma sucinta alguns trabalhos no contexto
de investigaccedilatildeo de desvios da HME por meio de estudos em financcedilas comportamentais
modelos de previsatildeo e expoente de Hurst
32 Financcedilas comportamentais
No trabalho (KAHNEMAN TVERSKY 1979) Kahneman e Tversky se uniram e seus
estudos foram essenciais para quebrar os paradigmas que existiam em teoria de financcedilas
Satildeo considerados os precursores da chamada economia comportamental Eles estudaram
e exploraram os desvios e falhas de racionalidade na tomada de decisotildees por meio do
comportamento humano no mercado Em 1979 desenvolveram a Teoria da Perspectiva
tambeacutem conhecida como Teoria do Prospecto (Prospect Theory) As teorias racionais
consideram que agentes idealizados tomam decisotildees de forma racional jaacute a Teoria da
Perspectiva surge como um questionamento a esta completa racionalidade dos agentes o
que denominaram de racionalidade limitada
Na teoria apresentada os autores observaram que os agentes tomam suas decisotildees
baseados nos valores de perdas e ganhos e natildeo no resultado final Desta forma tentam
evitar perdas sendo este o foco principal De forma geral satildeo mais impactados pelas
perdas do que pelos ganhos Esta atitude estaacute associada agrave aversatildeo ao risco prolongando
posiccedilotildees em ativos perdedores para evitar assumir prejuiacutezo Diante disso formularam a
Teoria da Perspectiva que eacute uma criacutetica agrave Teoria da Utilidade (KAHNEMAN TVERSKY
1979) Em resumo a Teoria da Perspectiva tem como objetivo estudar o comportamento de
tomada de decisatildeo humana no mercado Jaacute a Teoria da Utilidade tem como objetivo mostrar
qual a melhor decisatildeo a ser tomada A Teoria da Perspectiva concebe que os agentes tecircm
mais aversatildeo ao risco sendo que tendem a evitar perder algo a ganhar sendo assimeacutetrica
a relaccedilatildeo ganho e perda Jaacute a Teoria da Utilidade considera que perdas e ganhos tecircm o
mesmo efeito e magnitude
A anaacutelise sugere que um agente que natildeo aceita a perda e tem uma falha de adaptaccedilatildeo
estaacute sujeito a aceitar apostas mais arriscadas que provavelmente natildeo seriam aceitas em
outras circunstacircncias (KAHNEMAN TVERSKY 1979) Na anaacutelise tambeacutem realizada por
(TVERSKY KAHNEMAN 1991) a aversatildeo agraves perdas (loss aversion) eacute investigada e sugere
que o impacto das desvantagens eacute maior que vantagens auferidas implicando aversatildeo
dos agentes a perdas e realccedilando a assimetria da funccedilatildeo de utilidade de ganhos e perdas
Outra observaccedilatildeo foi que quando o preccedilo estaacute aumentando o impacto na decisatildeo de
consumo eacute maior A relutacircncia para aceitar perdas foi observada nos agentes Um estudo
no mercado de accedilotildees mostrou que o nuacutemero de operaccedilotildees aumenta quando o mercado
15
estaacute em tendecircncia de alta sendo assim a propensatildeo a compras eacute maior quando o preccedilo
do ativo estaacute subindo (TVERSKY KAHNEMAN 1991)
Na mesma linha os autores de (MERKLE MUumlLLER-DETHARD WEBER 2020) desenvolve-
ram experimentos para analisar a exposiccedilatildeo ao risco depois de realizadas e natildeo realizadas
perdas e tambeacutem para investimentos com diferentes assimetrias O estudo explorava os
desvios e falhas de racionalidade na tomada de decisotildees Os resultados de tais experimen-
tos evidenciaram que os agentes se expotildeem a riscos menores depois de perdas realizadas
e mais riscos depois de perdas ainda natildeo realizadas definido como efeito de realizaccedilatildeo
No trabalho publicado por (KAHNEMAN et al 2016) os autores exploram o conceito de
ruiacutedos como fonte de inconsistecircncia e irracionalidade em resultados Argumentam que
algoritmos estatildeo menos propensos a apresentarem tais ruiacutedos e vieses nas tomadas de
decisotildees
No estudo (HOMMES KOPAacuteNYI-PEUKER SONNEMANS 2020) desenvolveram um experi-
mento com grupos de agentes do mercado e investigou-se a formaccedilatildeo de bolhas nos preccedilos
No experimento observaram que o contaacutegio atraveacutes de notiacutecias afeta o comportamento
de tais agentes Por outro lado no trabalho (FAN et al 2009) os autores desenvolveram
um modelo baseado em autocircmatos celulares para descrever a dinacircmica do mercado de
accedilotildees e investigar se o grau de imitaccedilatildeo entre os agentes influencia a complexidade e
estabilidade do mercado Os resultados obtidos com o mercado simulado sugerem que haacute
uma correlaccedilatildeo entre tais fatores Tambeacutem observaram que quando o comportamento dos
agentes eacute distribuiacutedo de forma aleatoacuteria o mercado tende a ser mais estaacutevel
Em (CAGINALP ERMENTROUT 1990) os autores desenvolveram um modelo utilizando
equaccedilotildees diferenciais que incorpora o aspecto emocional dos investidores em um mercado
financeiro teoacuterico Resultados indicaram que fatores psicoloacutegicos satildeo capazes de influenciar
a estabilidade dos preccedilos evidenciando desvios da hipoacutetese de mercado eficiente
33 Trabalhos aplicados em previsatildeo
Haacute na literatura uma abundacircncia de artigos interessados na previsatildeo da dinacircmica do
mercado Alguns dos trabalhos estudados utilizam teacutecnicas computacionais interessados
na possibilidade de explorar possiacuteveis desvios de eficiecircncia do mercado e com isso obter
estimativas razoaacuteveis para preccedilos futuros
No trabalho (CARBONE CASTELLI STANLEY 2004) os autores argumentam que a
modelagem para previsatildeo de retorno e volatilidade de preccedilos eacute a principal tarefa da pesquisa
financeira A atividade neste sentido tem sido mantida pela suposiccedilatildeo de que muitas
seacuteries financeiras temporais apresentam algum padratildeo de correlaccedilatildeo e pela oportunidade
16
de arbitragem Se correlaccedilatildeo de longo prazo estaacute presente nas seacuteries de retornos de
ativos financeiros entatildeo a hipoacutetese de que o preccedilo segue um caminho completamente
aleatoacuterio natildeo eacute vaacutelida (CAJUEIRO TABAK 2004) Podemos destacar algumas contribuiccedilotildees
relacionadas agrave aacuterea de previsatildeo realizada por (RECHENTHIN STREET 2013) e (OLIVEIRA
NOBRE ZARATE 2013) Na primeira contribuiccedilatildeo os autores realizam um estudo utilizando
probabilidade condicional para identificar continuidade e reversatildeo de tendecircncias de preccedilos
em dados de negociaccedilotildees em alta frequecircncia O estudo eacute realizado para os dados dos
preccedilos do fundo de accedilotildees do SampP 500 para as frequecircncias de cotaccedilotildees de 1 3 5 10 e 20
segundos e 1 5 e 30 minutos Os autores concluem que o mercado apresenta ineficiecircncia
ateacute aproximadamente 30 minutos Para intervalos maiores o mercado analisado caminha em
direccedilatildeo a se tornar mais eficiente Jaacute na contribuiccedilatildeo (OLIVEIRA NOBRE ZARATE 2013)
os autores desenvolveram um modelo baseado em redes neurais artificiais As entradas da
rede satildeo alguns indicadores teacutecnicos e fundamentalistas juntamente com a seacuterie de preccedilos
da accedilatildeo preferencial da Petrobraacutes (PETR4) e a saiacuteda da rede eacute o preccedilo previsto As taxas
de acerto do preccedilo e de sua tendecircncia para as configuraccedilotildees das redes e os periacuteodos
apresentados satildeo satisfatoacuterias
Na referecircncia (ATSALAKIS VALAVANIS 2009) os autores realizam uma revisatildeo de artigos
baseados em modelos que utilizam teacutecnicas derivadas de redes neurais e fuzzy aplicadas na
previsatildeo de valores de mercados Nesta contribuiccedilatildeo satildeo apresentados diversos trabalhos
que satildeo classificados de acordo com o tipo de processamento de dados as variaacuteveis de
entrada tamanho da amostra tipo e caracteriacutestica da teacutecnica de implementaccedilatildeo bem como
meacutetodo de treinamento e validaccedilatildeo Os artigos aplicam os diferentes modelos na previsatildeo
de accedilotildees especiacuteficas portfoacutelios e iacutendices de mercados desenvolvidos e emergentes Os
autores encontraram dificuldades na definiccedilatildeo dos modelos em relaccedilatildeo agrave estrutura das
redes no que se refere agrave quantidade de camadas neurocircnios e outras paracircmetros
Na referecircncia (ATSALAKIS K 2013) o autor analisa 150 artigos cientiacuteficos que utilizam
teacutecnicas de previsatildeo de mercados de accedilotildees baseadas em modelos autoregressivos (AR)
meacutedia moacutevel (MA) autoregressivo com meacutedia moacutevel (ARMA) autoregressivo integrado com
meacutedia moacutevel (ARIMA) autoregressivo generalizado condicional (GARCH) dentre outros
Na revisatildeo satildeo observadas as teacutecnicas de processamento e tratamento dos dados bem
como os resultados e anaacutelise estatiacutestica dos modelos
No trabalho (GARCIA et al 2020) os autores natildeo argumentam que o mercado pode ser
representado por uma dinacircmica linear mas baseiam-se na suposiccedilatildeo de que possa existir
componentes lineares na dinacircmica das seacuteries Baseados nisso propotildeem um modelo para
capturar tal comportamento atraveacutes de um oscilador harmocircnico amortecido em que tentam
descrever a dinacircmica das oscilaccedilotildees de preccedilos comumente observadas no mercado pela
suposiccedilatildeo de que os preccedilos retornam a um preccedilo justo assimilando a restauraccedilatildeo das
17
forccedilas Os paracircmetros obtidos na janela analisada satildeo utilizados como estimativas para
fazer a previsatildeo dos preccedilos futuros adjacentes
Na referecircncia (MEI et al 2017) os autores realizam um estudo para investigar a melhora
na previsatildeo de volatilidade do mercado de accedilotildees utilizando dados de alta frequecircncia e
incorporando assimetria e curtose como variaacuteveis adicionais aos modelos de volatilidade
comuns Argumentam que o uso de dados de alta frequecircncia permite melhor compreensatildeo
da dinacircmica dos preccedilos facilitando a previsatildeo de volatilidade e com isso melhorando a
alocaccedilatildeo de portfoacutelio e o gerenciamento de risco
No trabalho apresentado em (NELSON PEREIRA OLIVEIRA 2017) os autores estudam o
uso de redes neurais recorrentes em particular a rede LSTM (Long-Short term memory)
para a previsatildeo de tendecircncias de preccedilos de accedilotildees utilizando dados histoacutericos e tambeacutem
a combinaccedilatildeo de indicadores da anaacutelise teacutecnica A investigaccedilatildeo foi realizada no mercado
brasileiro para dados com frequecircncia de cotaccedilatildeo de 15 minutos para as accedilotildees que compotildeem
o iacutendice Ibovespa no periacuteodo avaliado As acuraacutecias obtidas satildeo avaliadas de acordo com
meacutetricas estabelecidas e comparadas com outros modelos de previsatildeo tradicionais que
tambeacutem utilizam redes neurais De acordo com os autores os resultados satildeo promissores
Algoritmos de automatizaccedilatildeo de estrateacutegias e operaccedilotildees tambeacutem tecircm sido foco de vaacuterias
pesquisas na aacuterea Muitos destes trabalhos utilizam redes neurais artificiais para a constru-
ccedilatildeo dos modelos de previsatildeo Em (NAMETALA et al 2016) os autores desenvolveram uma
estrateacutegia automatizada que combina redes neurais artificiais e preditores economeacutetricos
para gerar sinais de compra ou venda por meio de um modelo de negociaccedilatildeo incorporado
ao algoritmo
A previsatildeo da direccedilatildeo dos preccedilos de ativos em mercados de accedilotildees eacute uma tarefa complicada
e tem sido um grande desafio mas que tem chamado a atenccedilatildeo de pesquisadores e agentes
de mercado tornando-se um campo de pesquisas promissoras Assim as pesquisas natildeo se
limitam apenas a estes trabalhos citados aqui Um amplo conjunto de teacutecnicas e modelos
de vaacuterias aacutereas tem sido empregado neste cenaacuterio com o objetivo de entender e modelar o
movimento deste sistema dinacircmico e complexo que eacute o mercado
34 Expoente de Hurst
O expoente de Hurst foi resultado de estudos realizados pelo hidroacutelogo britacircnico Harold
Edwin Hurst para o projeto de uma represa em meados 1951 Neste ele verificou que
alguns fenocircmenos da natureza natildeo se comportavam de maneira aleatoacuteria Tais fenocircmenos
observados possuiacuteam uma dependecircncia dentre eles as flutuaccedilotildees do rio Nilo e a partir
disso ele criou o meacutetodo para verificar a dependecircncia de longo alcance
18
Os modelos econocircmicos apresentados nos artigos (CARBONE CASTELLI STANLEY
2004) e (CAJUEIRO TABAK 2004) testam a hipoacutetese de mercado eficiente utilizando a
metodologia do expoente de Hurst O expoente de Hurst eacute calculado utilizando dados de
seacuteries temporais com o objetivo de observar o seu comportamento O resultado assume
valores entre 0 e 1 Valores proacuteximos de 1 indicam persistecircncia valores proacuteximos de zero
indicam anti-persistecircncia e valores proacuteximos de 0 5 indicam que a seacuterie natildeo possui tendecircn-
cia Uma vez que o meacutetodo DFA objetiva retirar tendecircncias das seacuteries quando ele eacute usado
a interpretaccedilatildeo sobre persistecircncia e anti persistecircncia vale para as seacuteries sem tendecircncia No
artigo (CARBONE CASTELLI STANLEY 2004) os autores calcularam o expoente de Hurst
para seacuteries artificiais de fractais e em seacuteries dos log retornos do DAX2 e BOBL 3 utilizando
o meacutetodo DFA (detrended fluctuation analysis) e DMA (detrending moving average) Para
as seacuteries de preccedilos reais de ativos encontraram valores fora da faixa de variabilidade local
indicando que o mercado natildeo segue o movimento browniano Este resultado contraria a
Hipoacutetese de Mercado Eficiente onde os expoentes devem ser proacuteximos de 0 5 Jaacute no
artigo (CAJUEIRO TABAK 2004) com o objetivo de mostrar que mercados emergentes
satildeo menos eficientes que mercados desenvolvidos os autores calculam o expoente de
Hurst das seacuteries dos iacutendices de 11 mercados emergentes e de 2 paiacuteses desenvolvidos
Como resultado encontraram que a dinacircmica do expoente de Hurst para paiacuteses desen-
volvidos se aproxima de passeio aleatoacuterio sem vieacutes flutuando em torno do valor 0 5 Nos
paiacuteses emergentes os valores dos expoentes apresentam uma maior variaccedilatildeo indicando
certos niacuteveis de ineficiecircncia com predominacircncia de persistecircncia Ainda de acordo com
(CAJUEIRO TABAK 2004) a maior ineficiecircncia em mercados emergentes pode estar
relacionada a algumas caracteriacutesticas que os diferenciam dos mercados desenvolvidos
relacionadas agrave velocidade de propagaccedilatildeo de informaccedilotildees ao fluxo de capitais e agrave eficiecircncia
no processo de negociaccedilatildeo Na mesma linha os autores do artigo (CAGINALP DESANTIS
2011) afirmam que em um paiacutes em desenvolvimento em um mercado de accedilotildees em iniacutecio
de implantaccedilatildeo pode ser esperada ineficiecircncia devida agrave dificuldade de capitalizaccedilatildeo dos
ativos ao menor nuacutemero e agrave falta de experiecircncia dos investidores Quanto agrave ineficiecircncia
atribuiacuteda agrave quantidade de capital disponiacutevel resultados experimentais mostram que um
desbalanceamento entre a quantidade de capital e de ativos pode levar o mercado a preccedilos
incorretos (CAGINALP 2002) Esse resultado sugere que o preccedilo negociado no mercado eacute
reflexo tambeacutem do fluxo de recursos e natildeo apenas do preccedilo verdadeiro do ativo Outros
resultados experimentais que indicam a ineficiecircncia de mercado podem ser encontrados
em (CAGINALP PORTER SMITH 2000)
2Iacutendice que representa as 30 maiores empresas de capital aberto da Alemanha3Tiacutetulo do governo federal alematildeo
19
Capiacutetulo 4
Fundamentaccedilatildeo teoacuterica
Neste capiacutetulo vamos descrever de forma sucinta alguns conceitos de financcedilas necessaacuterios
para a compreensatildeo do trabalho O mercado de capitais eacute um amplo sistema financeiro que
envolve diversas variaacuteveis que natildeo seratildeo contempladas neste trabalho Vamos concentrar
nossos estudos no mercado de accedilotildees por isso vamos estender as discussotildees para
definiccedilotildees relacionados a este mercado
41 Fundamentaccedilatildeo teoacuterica em financcedilas
O mercado financeiro eacute um extenso sistema que envolve diversos tipos de mercados dentre
eles o mercado de renda variaacutevel que eacute aquele em que natildeo se pode dimensionar os
resultados do investimento no momento da aplicaccedilatildeo As accedilotildees satildeo tiacutetulos especiacuteficos
deste mercado de renda variaacutevel Satildeo fraccedilotildees do capital social de uma empresa de capital
aberto (sociedade anocircnima) Cada empresa tem o seu coacutedigo de negociaccedilatildeo na bolsa
que no Brasil geralmente eacute dado por quatro letras seguidas de um nuacutemero Podem ser
negociadas em lotes padratildeo ou fracionaacuterio Elas podem ser do tipo ordinaacuterias (ON) ou
preferenciais (PN) As principais diferenccedilas entre os dois tipos eacute que a preferencial tem
preferecircncia no recebimento de proventos e tambeacutem preferecircncia e reembolso de capital em
caso de liquidaccedilatildeo da empresa jaacute a ordinaacuteria concede direito a voto nas assembleacuteias de
acordo com o volume de participaccedilatildeo em ativos A remuneraccedilatildeo aos acionistas eacute dada por
meio de proventos como dividendos juros sobre capital proacuteprio bonificaccedilotildees e direito de
subscriccedilatildeo Os dividendos correspondem ao valor de parte do lucro obtido pela empresa
que eacute distribuiacutedo aos acionistas Juros sobre capital proacuteprio satildeo valores pagos em dinheiro
poreacutem deduzido do lucro tributaacutevel da empresa Do ponto de vista do acionista a diferenccedila
do recebimento entre os dois eacute que os dividendos natildeo tem incidecircncia de imposto de renda jaacute
os juros sobre capital proacuteprio tem uma aliacutequota de 15 sobre o valor recebido A bonificaccedilatildeo
eacute quando a empresa distribui a cada acionista uma quantidade de accedilotildees proporcional
agraves possuiacutedas em custoacutedia A subscriccedilatildeo confere ao acionista o direito de adquirir uma
20
quantidade proporcional agraves suas a um preccedilo preestabelecido pela empresa
As negociaccedilotildees em accedilotildees no Brasil satildeo realizadas na B3 comumente conhecida como
Bovespa que eacute a bolsa de Valores Mercadorias e Futuros de Satildeo Paulo que atua no
segmento BMampFBOVESPA A B3 administra uma uacutenica plataforma de negociaccedilatildeo multiativos
ndash o PUMA Trading System Atraveacutes deste sistema satildeo realizadas as operaccedilotildees com ativos
de renda variaacutevel renda fixa derivativos e commodities (BMampFBOVESPA 2020b) Os
custos transacionais para operar accedilotildees na B3 satildeo taxa de corretagem e emolumentos que
satildeo divididos em taxa de liquidaccedilatildeo negociaccedilatildeo e registro O imposto de renda eacute cobrado
sobre o valor do ganho nas operaccedilotildees sendo 20 para day trade e 15 em operaccedilotildees
comuns
O Ibovespa eacute o principal iacutendice de accedilotildees da B3 Eacute composto por uma carteira teoacuterica
contendo em meacutedia sessenta principais accedilotildees listadas na bolsa sendo um importante indi-
cador de desempenho destas empresas A cada quatro meses a composiccedilatildeo eacute reavaliada
e as accedilotildees satildeo incluiacutedas (excluiacutedas) de acordo com os criteacuterios descritos na sua metodo-
logia de seleccedilatildeo levando em consideraccedilatildeo o nuacutemero de negoacutecios e o volume financeiro
(BMampFBOVESPA 2015) A composiccedilatildeo do Ibovespa em janeiro de 2017 eacute apresentada
na tabela 26 anexo A Jaacute o Dow Jones tambeacutem referenciado como Dow Jones Industrial
Average eacute um iacutendice do mercado americano que representa a negociaccedilatildeo das 30 maiores e
mais importantes empresas de capital aberto negociadas A sua composiccedilatildeo em janeiro de
2017 eacute apresentada na tabela 27 anexo B O Dow Jones eacute um dos principais indicadores
do movimento do mercado americano e tem grande influecircncia sobre outros mercados tal
como o mercado brasileiro
As negociaccedilotildees no mercado de accedilotildees satildeo realizadas por meio de ordens lanccediladas na
corretora e que posteriormente satildeo enviadas agrave bolsa As ordens podem ser enviadas
atraveacutes do home broker que eacute uma plataforma oferecida pelas corretoras para possibilitar
a conexatildeo e o envio de ordens agrave bolsa ou atraveacutes de outras plataformas de negociaccedilatildeo
contratadas pelos agentes As ordens enviadas podem ser do tipo a mercado ordem limite
ou ordem stop Na ordem a mercado a operaccedilatildeo eacute realizada no preccedilo atual do ativo Na
ordem limite o preccedilo eacute definido e a operaccedilatildeo soacute ocorreraacute se o valor for atingido ou em casos
especiacuteficos em um preccedilo melhor do que o definido Jaacute na ordem stop eacute possiacutevel enviar
ordens com valores de ganhos (perdas) preacute definidos para uma operaccedilatildeo Nesta opccedilatildeo
as ordens soacute seratildeo disparadas quando o preccedilo for atingido Os stops satildeo ferramentas
de seguranccedila utilizadas para controlar a perda maacutexima aceitaacutevel (stop loss) e o ganho
almejado (stop gain) definido para uma estrateacutegia O perfil do investidor pode ser definido
como conservador moderado ou agressivo (arrojado) de acordo com a sua toleracircncia a
riscos
As operaccedilotildees no mercado de accedilotildees brasileiro podem ser classificadas com base na
21
frequecircncia em que realizam-se as transaccedilotildees Day trade eacute uma estrateacutegia de curta duraccedilatildeo
em que as posiccedilotildees em ativos satildeo abertas e fechadas em um mesmo dia Swing trade eacute
modalidade em que as operaccedilotildees satildeo fechadas em intervalos menores de dias geralmente
de dois a cinco dias Jaacute em operaccedilotildees de position trade as transaccedilotildees satildeo realizadas em
frequecircncias maiores pensando em longo prazo
No mercado de accedilotildees o retorno eacute dado pela diferenccedila percentual entre o preccedilo no tempo
t e t minus 1 Eacute usual considerar-se retornos logariacutetmicos que satildeo dados pela diferenccedila dos
logaritmos dos preccedilos no tempo t e tminus 1 A volatilidade estaacute relacionada agrave amplitude de
variaccedilatildeo destes retornos Quanto mais os preccedilos de um ativo variam em um intervalo de
tempo maiores as possibilidades de ganhos ou perdas em operaccedilotildees Em alguns modelos
a volatilidade eacute utilizada como medida de risco da estrateacutegia Jaacute a liquidez de um ativo
refere-se agrave capacidade deste converter-se em dinheiro sem perdas em relaccedilatildeo a isso
Quanto maior a liquidez menor a diferenccedila (spread) do preccedilo entre as ofertas de compra e
venda de um ativo
Seacuterie temporal eacute um conjunto de observaccedilotildees (dados) armazenadas ao longo de um
intervalo de tempo No mercado de accedilotildees as seacuteries podem ser compostas por valores de
fechamento abertura maacuteximo miacutenimo volume e outros dados de ativos Satildeo importantes
para a realizaccedilatildeo de backtests anaacutelises empiacutericas e caracterizaccedilatildeo de movimento e
oscilaccedilatildeo do mercado Tambeacutem satildeo utilizadas por analistas teacutecnicos na composiccedilatildeo de
graacuteficos
No mercado de accedilotildees existem duas metodologias de anaacutelises amplamente utilizadas e
que satildeo comumente chamada de escolas de anaacutelises teacutecnicas e fundamentalistas Anaacutelise
teacutecnica baseia-se na suposiccedilatildeo de que preccedilos passados podem ajudar a prever o movimento
futuro e para tanto utilizam-se graacuteficos para definir a dinacircmica dos preccedilos dos ativos Natildeo
leva em consideraccedilatildeo informaccedilotildees fundamentalistas das empresas pois acredita que o
graacutefico jaacute estaacute precificado com tais informaccedilotildees O candle (candlestick ) eacute a ferramenta da
anaacutelise teacutecnica mais utilizada no mercado de accedilotildees Representa graficamente a variaccedilatildeo do
preccedilo em um determinado intervalo de tempo Eacute formado por um corpo e sombras inferior e
superior sendo possiacutevel representar o preccedilo de abertura fechamento maacuteximo e miacutenimo na
frequecircncia analisada Na figura 3 mostramos os candles diaacuterios para o contrato futuro de
mini iacutendice no mecircs de outubro de 2020 Os candles na cor vermelha indicam que a abertura
foi maior que o fechamento sendo um candle de baixa Os candles na cor verde indicam
que a abertura foi menor que o fechamento sendo assim de alta As sombras inferiores
(superiores) tambeacutem denominadas pavios representam os valores miacutenimos (maacuteximos) na
frequecircncia analisada
22
0 2 4 6 8 10 12 14 16 18 20 22
Dias
93
94
95
96
97
98
99
10
101
102
103P
onto
s104
Figura 3 ndash Candles do WINZ20 Representa os dados da seacuterie de pontos diaacuterios do contratofuturo do mini iacutendice no mecircs de outubro de 2020 Os candles na cor vermelhaindicam que a abertura foi maior que o fechamento Candles na cor verde indicamque a abertura foi menor que o fechamento As sombras inferiores (superiores)indicam o valor miacutenimo (maacuteximo) do intervalo
A anaacutelise fundamentalista leva em consideraccedilatildeo vaacuterias informaccedilotildees financeiras para projetar
resultados futuros no meacutedio e longo prazo As projeccedilotildees satildeo baseadas principalmente em
interpretaccedilotildees de dados e indicadores disponibilizados atraveacutes de balanccedilos da empresa
Em ambas as anaacutelises eacute possiacutevel desenvolver um modelo e realizar um backtest utilizando
dados histoacutericos relevantes O backtest serve para testar a estrateacutegia e verificar como
ela se comportou em dados passados e com base nestes resultados tentar aplicar em
dados futuros com a perspectiva de que os resultados seratildeo aproximadamente replicados
Algumas plataformas que possibilitam o backtest apresentam certas limitaccedilotildees tais como
natildeo considerar execuccedilatildeo de ordem no preccedilo pior do que o esperado (slippage) natildeo simular
a fila do livro de ofertas natildeo replicar momentos de grande volatilidade e liquidez do ativo
bem como natildeo considerar a diferenccedila vigente entre o menor preccedilo de venda e o maior
preccedilo de compra (spread) Outro problema do backtest eacute a super otimizaccedilatildeo (overfit) que
23
consiste em trabalhar em um certo periacuteodo e otimizar todos os paracircmetros da estrateacutegia
para obter uma boa condiccedilatildeo naquele intervalo poreacutem em periacuteodos diferentes a estrateacutegia
natildeo apresenta bons resultados
Na nossa simulaccedilatildeo utilizamos alguns indicadores retornados pela plataforma de simulaccedilatildeo
que geralmente satildeo utilizados para avaliar o desempenho dos investimentos Estes seratildeo
descritos na seccedilatildeo seguinte
411 Indicadores utilizados nas estrateacutegias
Nesta seccedilatildeo vamos descrever os indicadores utilizados para medir o desempenho das
estrateacutegias que seratildeo apresentadas no capiacutetulo 7 Os caacutelculos dos indicadores econocircmicos
financeiros satildeo baseados principalmente nos valores de retorno e de capital inicial (Ci) e
final (Cf ) Os indicadores aqui apresentados satildeo os que a plataforma de simulaccedilatildeo retorna
e alguns casos satildeo ligeiramente diferentes dos usualmente utilizados no mercado
bull Perdas e ganhos - PNL
Mostra o resultado financeiro (lucro ou prejuiacutezo) apoacutes a execuccedilatildeo da estrateacutegia Eacute a
diferenccedila entre o capital possuiacutedo ao final da execuccedilatildeo da estrateacutegia e o capital inicial
investido
PNL = Cf minus Ci (1)
bull Retorno acumulado - ra
O retorno acumulado obtido com a estrateacutegia ao final da execuccedilatildeo eacute dado pelo razatildeo
entre o capital final possuiacutedo Cf e o capital inicial investido Ci
ra =CfCi (2)
bull Retorno anual esperado - EAR
Retorno estimado que a estrateacutegia alcanccedilaraacute em um periacuteodo de um ano mantendo a
mesma performance Eacute medido utilizando a inclinaccedilatildeo da regressatildeo linear da curva
de retorno acumulado por dia (slope)
EAR = 252times slope (3)
bull Estabilidade - R2
Mostra a estabilidade da estrateacutegia atraveacutes do coeficiente de determinaccedilatildeo R2 da
seacuterie de retornos acumulados O valor do coeficiente varia entre 0 e 1 Quanto maior
o valor de R2 maior a capacidade do modelo se ajustar agrave amostra
24
bull Volatilidade - V olatilidade
Mostra a volatilidade anualizada da estrateacutegia que eacute baseada no desvio padratildeo
dos retornos diaacuterios σr extrapolado para o periacuteodo de um ano Neste caacutelculo satildeo
considerados apenas os dias uacuteteis (252)
V olatilidade = σrradic
252 (4)
bull Sharpe - IS
Eacute um indicador utilizado para avaliar a relaccedilatildeo entre o risco e o retorno de um
investimento Mostra o retorno r acima de uma taxa livre de risco rf ajustado pela
volatilidade (risco) σ Quanto maior o Sharpe maior a expectativa de retorno frente ao
risco associado Eacute dado por
IS =r minus rfσ
(5)
bull Sortino - ISO
Eacute um indicador que como o iacutendice Sharpe avalia a relaccedilatildeo entre o risco e o retorno
de um investimento Poreacutem o Sortino leva em consideraccedilatildeo apenas a volatilidade
negativa σd anulando os desvios dos retornos positivos
ISO =r minus rfσd
(6)
bull Max Drawdown - MDD
Retrata a maior perda percentual que a estrateacutegia teve durante sua execuccedilatildeo
bull Beta - β
Eacute uma medida de volatilidade da estrateacutegia em relaccedilatildeo a um benchmark1 Mede o
quanto o desempenho da estrateacutegia segue o da economia em geral eacute dado por
β =cov(r rb)
var(rb) (7)
onde r eacute o retorno da estrateacutegia e rb o retorno do benchmark
bull Alpha - α
Este paracircmetro estima o quanto a estrateacutegia se destacou positivamente dos retornos
retratados pelo benchmark selecionado ou seja tenta mensurar quanto retorno a
estrateacutegia gerou acima do crescimentodecrescimento natural da economia
α = rd minus βrb (8)
onde rd eacute a meacutedia dos retornos diaacuterios da estrateacutegia rb eacute o retorno do benchmark e β
o coeficiente calculado1Paracircmetro utilizado como orientaccedilatildeo para avaliar o desempenho de um investimento
25
bull Value at Risk - V aR
Este paracircmetro estima o risco potencial de uma perda maacutexima de um ativo ou portfoacutelio
em um horizonte de tempo definido e com um determinado niacutevel de confianccedila Na
plataforma seu caacutelculo pelo meacutetodo parameacutetrico eacute feito assumindo a distribuiccedilatildeo
normal nos retornos diaacuterios de toda a carteira e considerando um niacutevel de confianccedila
de 95
V aR = ppf(0 05 rd σrd) (9)
onde ppf eacute a funccedilatildeo de densidade de probabilidade gaussiana rd eacute a meacutedia dos retor-
nos diaacuterios e σrd eacute o desvio padratildeo dos retornos diaacuterios O ponto de 5 corresponde
aproximadamente a 1645 desvios agrave esquerda da meacutedia dos retornos
26
Capiacutetulo 5
Modelos
Neste capiacutetulo vamos mostrar a formulaccedilatildeo do tratamento dos dados que seratildeo
utilizados nas etapas seguintes do trabalho a apresentaccedilatildeo de um modelo baseado
em um sistema de equaccedilotildees diferenciais lineares e a sua adaptaccedilatildeo para um novo
modelo de ajuste de pontos bem como a definiccedilatildeo de um modelo de previsatildeo de
tendecircncia de preccedilos
51 Tratamento dos dados
O preccedilo bruto de cada uma das n accedilotildees no tempo t isin Z1 eacute representado por xk(t)
(k = 1 2 middot middot middot n) Neste trabalho vamos utilizar dados com preccedilos tratados que
consistem nos desvios destes preccedilos brutos xk(t) em relaccedilatildeo a preccedilos considerados
justos Contudo determinar o preccedilo justo de cada accedilatildeo envolve diversas variaacuteveis que
natildeo estatildeo no foco do estudo Uma forma que estabelecemos como aproximaccedilatildeo para
o caacutelculo foi utilizar uma meacutedia moacutevel exponencial xk (t) calculada em um periacuteodo
precedente ao preccedilo bruto analisado definida como
xk (t) = (xk (tminus 1)minus xk (tminus 1))times 2
(S + 1)+ xk (tminus 1) (10)
onde S eacute um paracircmetro relacionado ao peso dado ao uacuteltimo valor xk(t) no caacutelculo e
xk (tminus 1) eacute a meacutedia moacutevel exponencial calculada no periacuteodo anterior2 Quanto maior o
tamanho de S menor o peso dado ao uacuteltimo preccedilo Neste trabalho utilizamos S = 12
1Embora t seja usualmente utilizado para definir tempo contiacutenuo no trabalho vamos utilizar para represen-tar tempo discreto
2A Eq (10) tem caracteriacutestica recursiva ou seja o caacutelculo de xk (t) depende de um valor de xk (t0) inicialDesta forma para o primeiro caacutelculo foi utilizada uma meacutedia simples calculada em uma janela de pontosprecedentes ao preccedilo analisado escolhida com tamanho S
xk(0) =1
S
t0minus1sumt=t0minusS
xk (t) (11)
27
para o caacutelculo das meacutedias moacuteveis que foram utilizadas como aproximaccedilatildeo para os
preccedilos justos Com isto a nova seacuterie de preccedilos tratados seraacute dada pela diferenccedila
entre o logaritmo dos preccedilos brutos e o logaritmo dos preccedilos considerados justos
definida como
Xk (t) = ln xk (t)minus ln xk (t) (12)
Consideramos que os desvios dos preccedilos brutos em relaccedilatildeo aos preccedilos justos eacute que
satildeo importantes para a representaccedilatildeo da dinacircmica das seacuteries Desta forma a partir
deste ponto em nossas anaacutelises utilizaremos as novas seacuteries de preccedilos tratados
Para ilustrar o comportamento das seacuteries construiacutemos a figura 4 que mostra o
logaritmo da seacuterie de preccedilos brutos x1 e da seacuterie de meacutedias moacuteveis x1 (em (a)) bem
como o logaritmo da seacuterie de preccedilos tratados X1 para a accedilatildeo ITUB4 (em (b)) A
escolha da seacuterie foi justificada por ser ITUB4 a accedilatildeo que tem a maior porcentagem
de participaccedilatildeo na carteira teoacuterica do Ibovespa do primeiro quadrimestre de 2017
Podemos observar que a curva das meacutedias moacuteveis representada pela linha pontilhada
eacute mais suave que a curva dos valores brutos Tambeacutem observamos que a curva de
preccedilos tratados X1 tende a se aproximar da origem apoacutes as variaccedilotildees observadas
52 Ajuste linear do dados
O modelo de equaccedilotildees diferenciais lineares que propusemos em (RESENDE et al
2017) eacute dado na formad
dtXa (t) = BXa (t) (13)
onde
Xa(t) =
X1(tminus n+ 1) middot middot middot X1(tminus 1) X1(t)
X2(tminus n+ 1) middot middot middot X2(tminus 1) X2(t)
Xn(tminus n+ 1) middot middot middot Xn(tminus 1) Xn(t)
e
B =
B11 B12 middot middot middot B1n
B21 B22 middot middot middot B2n
Bn1 Bn2 middot middot middot Bnn
A equaccedilatildeo (13) equivale a n equaccedilotildees do tipo
d
dt
X1(τ)
X2(τ)
Xn(τ)
= B
X1(τ)
X2(τ)
Xn(τ)
(14)
28
357
358
359
36
361
362lnx1lnx1
0 100 200 300 400 500minus002
minus001
0
001
002
003
t
lnX
1
(a)
(b)
Figura 4 ndash Comparaccedilatildeo de preccedilos brutos meacutedias moacuteveis e preccedilos tratados da seacuterieda ITUB4 (k = 1) A figura mostra 500 pontos com granularidade de 5 minutospara a accedilatildeo com maior participaccedilatildeo na carteira teoacuterica do Ibovespa no primeiroquadrimestre de 2017 (a) A linha contiacutenua representa a evoluccedilatildeo do logaritmodos preccedilos brutos lnx1 e a linha pontilhada descreve as meacutedias moacuteveis ln x1 (b)Representa os preccedilos tratados lnX1
com tminus n+ 1 le τ le t
Neste modelo consideramos que os desvios dos preccedilos brutos em relaccedilatildeo aos
preccedilos considerados justos satildeo os elementos importantes para a caracterizaccedilatildeo das
dinacircmicas das seacuteries
Discretizando o modelo de equaccedilotildees diferenciais representado pela equaccedilatildeo (13)
obtemos
Xa(t)minusXa(tminus 1)
∆t= BXa(t) (15)
equivalente a
29
Xa(tminus 1) = Xa(t)minus∆tBXa(t) (16)
= (Iminus∆tB)Xa(t)
onde I eacute a matriz identidade ntimesn Assumindo que Aa = (Iminus∆tB)minus1 existe podemos
escrever
Xa(t) = AaXa(tminus 1) (17)
No modelo apresentado acima se existir a inversa de Xa(tminus 1) podemos encontrar
as matrizes Aa perfeitamente ajustadas para a equaccedilatildeo (17) isto eacute o sistema definido
desta maneira apresenta soluccedilotildees que passam em todos os pontos no intervalo [tminusn
t] Agora adaptaremos o modelo buscando matrizes Aa que satildeo aproximadamente
ajustadas em intervalos maiores Para a definiccedilatildeo suponha que a evoluccedilatildeo dos preccedilos
tratados ainda possa ser expressa pela combinaccedilatildeo linear das n accedilotildees analisadas
sendo
X(t) = AX(tminus 1) + ε (18)
onde
X(t) =
X1(tminusR + 1) X1(tminus 1) X1(t)
X2(tminusR + 1) X2(tminus 1) X2(t)
Xn(tminusR + 1) Xn(tminus 1) Xn(t)
X(tminus 1) =
X1(tminusR) X1(tminus 2) X1(tminus 1)
X2(tminusR) X2(tminus 2) X2(tminus 1)
Xn(tminusR) Xn(tminus 2) Xn(tminus 1)
A =
A(1 1) A(1 nminus 1) A(1 n)
A(2 1) A(2 nminus 1) A(2 n)
A(n 1) A(n nminus 1) A(n n)
ε =
ε1(tminusR + 1) ε1(tminus 1) ε1(t)
ε2(tminusR + 1) ε2(tminus 1) ε2(t)
εn(tminusR + 1) εn(tminus 1) εn(t)
ε eacute o erro associado ao ajuste R eacute a quantidade de pontos utilizados no ajuste e n
a quantidade de accedilotildees analisadas Os diferentes valores que R pode assumir seratildeo
testados e apresentados mais detalhadamente na seccedilatildeo 61
30
Observe que a equaccedilatildeo (18) eacute diferente da equaccedilatildeo (17) uma vez que existe um erro
associado ao ajuste aproximado e tambeacutem pelo fato de que Xa(t)(Xa(tminus 1)) eacute ntimes ne X(t)(X(tminus 1)) eacute da ordem ntimesR e consequentemente a matriz de coeficientes A
eacute diferente de B
Expandindo a equaccedilatildeo (18) para tminusR + 1 le τ le t o sistema fica na formaX1(τ) = A(1 1)X1(τ minus 1) + A(1 2)X2(τ minus 1) + A(1 n)Xn(τ minus 1) + ε1(τ)
X2(τ) = A(2 1)X1(τ minus 1) + A(2 2)X2(τ minus 1) + A(2 n)Xn(τ minus 1) + ε2(τ)
Xn(τ) = A(n 1)X1(τ minus 1) + A(n 2)X2(τ minus 1) + A(n n)Xn(τ minus 1) + εn(τ)
(19)
A equaccedilatildeo (18) se assemelha a um modelo de regressatildeo linear multivariado En-
tretanto a sua validaccedilatildeo como tal modelo depende da capacidade do mesmo em
representar a dinacircmica que produziu os dados A possiacutevel violaccedilatildeo das premissas
de um modelo de regressatildeo natildeo invalida o nosso modelo Como veremos adiante
estamos interessados nos resultados de acerto de tendecircncia que seratildeo analisados
com rigor estatiacutestico De fato natildeo esperamos que um modelo linear seja capaz de
representar a dinacircmica do mercado financeiro O que eacute refletido na distribuiccedilatildeo dos
erros que natildeo atendem as premissas de independecircncia e normalidade Contudo
as matrizes apresentaram melhores resultados em termos computacionais e de
qualidade das soluccedilotildees que os obtidos com o meacutetodo do gradiente explorado em
trabalhos anteriores (RESENDE et al 2017)
Na equaccedilatildeo (18) desconsiderando o erro a partir dos X(t) e X(t minus 1) podemos
definir a matriz de coeficientes A de forma anaacuteloga agrave descrita por (AGUIRRE 2007)
Como a matriz X(t minus 1) natildeo eacute quadrada ela natildeo pode ser invertida Entretanto
podemos multiplicar a equaccedilatildeo (18) em ambos os lados por X(t minus 1)T e obter A
fazendo
X(t)X(tminus 1)T = AX(tminus 1)X(tminus 1)T
A(X(tminus 1)X(tminus 1)T )(X(tminus 1)X(tminus 1)T )minus1 = X(t)X(tminus 1)T (X(tminus 1)X(tminus 1)T )minus1
A = (X(t)X(tminus 1)T )(X(tminus 1)X(tminus 1)T )minus1 (20)
Para as manipulaccedilotildees algeacutebricas consideramos a existecircncia da inversa de (X(tminus1)X(t minus 1)T ) Outra forma para estimar a matriz A eacute atraveacutes do meacutetodo dos miacuteni-
mos quadrados conforme descrito por (AGUIRRE 2007) A teacutecnica da otimizaccedilatildeo
matemaacutetica eacute apresentada no apecircndice A para complementar o trabalho
31
A matriz A pode variar de acordo com a escolha de t conforme a equaccedilatildeo (20)
Deste modo usaremos a notaccedilatildeo A(t) para a denotar a matriz A calculada utilizando
pontos do tempo tminusR ateacute o tempo t
Com a matriz X(t) e X(tminus 1) podemos calcular a variaccedilatildeo nos preccedilos das accedilotildees
que eacute a diferenccedila do preccedilo da accedilatildeo no periacuteodo t em relaccedilatildeo ao periacuteodo anterior tminus 1
Esta variaccedilatildeo do preccedilo ∆X(t) eacute denominada retorno do ativo definida por
∆X(t) =
∆X1(t)
∆X2(t)
∆Xn(t)
(21)
sendo
∆Xk(t) = Xk(t)minusXk(tminus 1) (22)
= log
(xk(t)
xk(t)
)minus log
(xk(tminus 1)
xk(tminus 1)
)
onde usamos no passo final a equaccedilatildeo (12)
53 Modelo de previsatildeo
Para tentar prever o preccedilo no tempo t + 1 vamos utilizar como paracircmetro a matriz
A(t) Para tanto eacute desejaacutevel que A(t) varie pouco no tempo sendo A(t) proacutexima a
A(tminus 1) Trabalhamos com a hipoacutetese de linearidade local na vizinhanccedila de t Para
analisar esta variaccedilatildeo da matriz A(t) no tempo definimos a distacircncia
d (A(t)A(tminus 1)) =
radicradicradicradic nsumi=1
nsumj=1
|A(t)ij minus A(tminus 1)ij|2 (23)
onde A(t)ij (A(tminus 1)ij) eacute o elemento da matriz A(t) (A(tminus 1)) na linha i e coluna j
entre as matrizes adjacentes A(t) e A(tminus 1) para vaacuterios valores de R e mostramos
os resultados na figura 5
32
0
5
10
15
20
25
30
200 400 600 800 1000minus05
0
05
1
15
0
2
4
6
8
d
200 400 600 800 1000minus05
0
05
1
R
(a) (c)
(d)(b)
Figura 5 ndash Distribuiccedilatildeo das distacircncias entre as matrizes A em tempos adjacentespara valores de R variando de 100 a 1000 Foram realizadas 5 000 execuccedilotildeespara as accedilotildees do Ibovespa e 3 900 para as accedilotildees que compotildeem o Dow JonesUtilizamos seacuteries de preccedilos com granularidade de 5 minutos no periacuteodo de020117 a 280417 (primeiro quadrimestre de 2017) A linha contiacutenua representaa meacutedia das distacircncias e a linha pontilhada mostra a meacutedia de dplusmn os desvios (a)Calculamos a distacircncia entre as matrizes adjacentes obtidas para todas as accedilotildeesdo iacutendice Dow Jones (b) Distacircncia das matrizes adjacentes obtidas utilizando as10 accedilotildees com maiores participaccedilotildees no iacutendice Dow Jones (c) Distacircncia entreas matrizes adjacentes calculadas utilizando todas as accedilotildees que compotildeem acarteira teoacuterica do Ibovespa (d) Distacircncia entre as matrizes obtidas utilizando as10 accedilotildees com maiores pesos de participaccedilatildeo na composiccedilatildeo do Ibovespa
33
Analisando os resultados da figura 5 obtidos com a Eq (20) percebemos que agrave
medida em que aumentamos o valor de R as distacircncias entre as matrizes calculadas
em tempos adjacentes diminuiacuteram Anaacutelises da quantidade de accedilotildees tamanho de R
e outras seratildeo exploradas no Cap 6
Com a perspectiva de que a matriz A(t) calculada utilizando-se R + 1 preccedilos passa-
dos varie pouco e com isso seja uma boa estimativa para A(t+ 1) a empregamos
como instrumento para o modelo de previsatildeo Este modelo seraacute baseado na equaccedilatildeo
(18) definido por
X(t+ 1) = A(t)Xc(t) (24)
onde A(t) foi obtida com os R + 1 preccedilos ateacute o tempo t
X(t+ 1) =
X1(t+ 1)
X2(t+ 1)
Xn(t+ 1)
eacute a matriz com preccedilos previstos das accedilotildees no tempo t+ 1 e
Xc =
X1(t)
X2(t)
Xn(t)
eacute uma matriz coluna com os valores dos preccedilos tratados no tempo t
Mesmo que haja pouca variaccedilatildeo entre as matrizes A(t) e A(t+1) eacute natural obtermos
um erro associado agrave previsatildeo
O retorno previsto das accedilotildees eacute dado por
∆X(t+ 1) =
∆1X(t+ 1)
∆2X(t+ 1)
∆nX(t+ 1)
(25)
onde
∆Xk(t+ 1) = Xk(t+ 1)minusXk(t) (26)
Os retornos reais ∆X(t+1) e os previstos ∆X(t) dos ativos satildeo referentes a retornos
de preccedilos tratados A partir destes valores podemos definir tendecircncias poreacutem para
analisar a direccedilatildeo destes preccedilos eacute preciso analisar dados de preccedilos brutos x(t) e natildeo
mais os preccedilos tratados X(t) Para o caacutelculo com estes dados brutos eacute preciso fazer
a operaccedilatildeo para reverter os dados tratados que foram utilizados ateacute este ponto do
34
trabalho Para o tratamento inicial dos dados utilizamos a equaccedilatildeo (12) reproduzida
abaixo
Xk (t) = ln xk (t)minus ln xk (t) (27)
onde Xk(t) eacute o preccedilo tratado de fechamento da accedilatildeo k no tempo t xk(t) eacute o preccedilo
bruto de fechamento da accedilatildeo k no tempo t e xk eacute a meacutedia moacutevel calculada utilizando
dados precedentes a xk(t)
Para transformar os preccedilos tratados em preccedilos brutos partimos da equaccedilatildeo (12) e
obtemos
xk(t) = xk(t) lowast eXk(t) (28)
Evidentemente os preccedilos brutos reais satildeo conhecidos e este procedimento eacute impor-
tante para calcularmos preccedilos brutos previstos Assim podemos definir os retornos
de preccedilos brutos reais ∆x(t) e os previstos ∆x(t) utilizando as equaccedilotildees 22 e 26
respectivamente
A partir da variaccedilatildeo do preccedilo no periacuteodo podemos definir o vetor de tendecircncia
T =
T1(t)
T2(t)
Tn(t)
(29)
onde T assume os valores minus1 0 e 1 sendo minus1 associado agrave tendecircncia de baixa 0
sinal neutro e 1 agrave tendecircncia de alta do preccedilo Deste ponto em diante do trabalho
estamos interessados apenas na tendecircncia e natildeo no valor do preccedilo previsto Assim o
bom resultado do modelo ocorreraacute quando a tendecircncia do preccedilo previsto for igual a
tendecircncia observada do preccedilo real Deste modo o desempenho do modelo seraacute dado
pela acuraacutecia
a =Nc
N (30)
onde Nc eacute o nuacutemero de previsotildees de tendecircncias corretas e N eacute o nuacutemero total de
previsotildees executadas pelo modelo de previsatildeo
Nos resultados que apresentamos em (RESENDE et al 2017) mostramos que o
tamanho do retorno previsto traz informaccedilatildeo sobre a tendecircncia Logo dividimos o
conjunto de retornos previstos U em 4 subconjuntos U1 U2 U3 e U4 de forma que
cada subconjunto contenha um quarto dos retornos previstos Os maiores retornos
(em moacutedulo) estatildeo em U4 seguidos pelos retornos em U3 U2 e U1 nesta ordem Os
melhores resultados em (RESENDE et al 2017) foram obtidos para o subconjunto
U4 Portanto neste trabalho vamos analisar apenas as tendecircncias previstas obtidas
com retornos previstos em U4 Para verificar se os retornos previstos estatildeo em U4
considerado o quarto quartil utilizamos uma janela de tamanho Q = 100 pontos A
35
janela Q eacute ordenada e 25 dos maiores valores satildeo armazenados em U4 Desta
forma a primeira operaccedilatildeo soacute poderaacute ocorrer a partir do (Q+1)-eacutesimo sinal produzido
Antes disso o modelo sempre retornaraacute sinais neutros Para verificar se o (Q+ 1)-
eacutesimo sinal estaacute em U4 comparamos se o seu valor eacute maior que o sinal armazenado
na posiccedilatildeo 75 da janela Q de retornos precedentes dispostos em ordem crescente
Se a condiccedilatildeo eacute satisfeita o modelo envia um sinal vaacutelido caso contraacuterio um sinal
neutro eacute enviado
36
Capiacutetulo 6
Exploraccedilatildeo do modelo de previsatildeo
O modelo apresentado na seccedilatildeo 52 conforme a equaccedilatildeo (18) foi utilizado para
desenvolver o modelo de previsatildeo representado pela equaccedilatildeo (24) Neste capiacutetulo
vamos explorar algumas das possibilidades de combinaccedilotildees de paracircmetros para
ajustar este modelo de forma a obter melhores acuraacutecias Entretanto encontrar a
combinaccedilatildeo oacutetima de paracircmetros envolve anaacutelises que natildeo estatildeo no foco do trabalho
O capiacutetulo seraacute organizado no seguinte modo na seccedilatildeo 61 investigaremos se haacute uma
relaccedilatildeo entre a acuraacutecia a e a variaccedilatildeo da quantidade de pontos R utilizados para
calcular a matriz de coeficientes A Na seccedilatildeo 62 vamos investigar se a quantidade
de accedilotildees interfere na acuraacutecia do modelo Na seccedilatildeo 63 analisaremos a relaccedilatildeo da
acuraacutecia do modelo com a granularidade dos dados Na seccedilatildeo 64 calcularemos
os expoentes de Hurst das seacuteries de preccedilos das accedilotildees e analisaremos se haacute uma
relaccedilatildeo entre as acuraacutecias obtidas e os seus expoentes de Hurst Jaacute na seccedilatildeo 65
vamos investigar se as taxas de acuraacutecia calculadas em um quadrimestre se mantecircm
no quadrimestre seguinte Com esta anaacutelise estamos interessados em verificar se o
modelo se mantecircm para outro periacuteodo Tambeacutem vamos selecionar quais as accedilotildees que
apresentam melhores acuraacutecias no primeiro quadrimestre e investigar as acuraacutecias
do modelo para estas accedilotildees no segundo quadrimestre Na seccedilatildeo 66 vamos elaborar
uma votaccedilatildeo em relaccedilatildeo agrave tendecircncia entre diferentes tamanhos de R
61 Variaccedilotildees do tamanho de R
O objetivo do modelo eacute prever a tendecircncia do preccedilo no tempo t + 1 Para isto ele
utiliza a matriz de coeficientes A que minimiza a diferenccedila quadraacutetica entre a matriz
de preccedilos reais X(t+ 1) e a matriz de preccedilos previstos X(t+ 1) Para calcular esta
matriz A eacute preciso R+ 1 pontos Natildeo sabemos o tamanho ideal de R logo definimos
a quantidade de pontos baseados em alguns testes baacutesicos de acuraacutecia do modelo
na previsatildeo de tendecircncia de preccedilos No Capiacutetulo 5 Eq (30) reproduzida abaixo
37
definimos a acuraacutecia para cada accedilatildeo como
a =Nc
N (31)
onde Nc eacute o nuacutemero de previsotildees corretas e N eacute o nuacutemero total de previsotildees
Como estamos analisando diferentes tamanhos de R para vaacuterias accedilotildees vamos definir
a acuraacutecia meacutedia
a =
nsumk
ak
n(32)
e o desvio padratildeo
σa =
radicradicradicradicradic nsumk
(ak minus a)2
nminus 1 (33)
onde ak eacute a acuraacutecia a para cada accedilatildeo k e n eacute o nuacutemero total de accedilotildees analisadas
Nesta anaacutelise uma acuraacutecia meacutedia a envolvendo todas as k accedilotildees eacute calculada para
cada tamanho de R A figura 6 mostra a acuraacutecia meacutedia a e plusmnσa do modelo para
todas as accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa Os dados analisados
satildeo referentes ao primeiro quadrimestre de 2017 Utilizamos diferentes tamanhos de
R variando de 100 a 1100 com incremento de 10 pontos a cada nova execuccedilatildeo do
programa O objetivo desta figura eacute sinalizar o momento em que natildeo haacute mais ganhos
significativos na acuraacutecia agrave medida que aumentamos o tamanho de R
38
048
05
052
054
056
100 200 300 400 500 600 700 800 900 1000048
05
052
054
056
macr a
(a)
(b)
R
Figura 6 ndash Acuraacutecia meacutedia para todas as n accedilotildees que compotildeem os iacutendices Dow Jo-nes e Ibovespa Os dados analisados satildeo referentes agraves seacuteries de preccedilos comgranularidade de 5 minutos no periacuteodo de 020117 a 280417 (primeiro quadri-mestre de 2017) Foram utilizados diferentes tamanhos de R Com valor inicialde R = 100 com incremento de 10 Para cada valor de R foram realizadas 5000execuccedilotildees para a seacuterie do Ibovespa e 3900 para Dow Jones (a) A linha contiacutenuarepresenta a acuraacutecia meacutedia a obtida para todas as accedilotildees do iacutendice Dow JonesA linha pontilhada representa a acuraacutecia meacutedia a plusmnσa das acuraacutecias obtidas (b)A linha contiacutenua mostra a acuraacutecia meacutedia a de todas as accedilotildees que compotildeema carteira teoacuterica do iacutendice Ibovespa A linha pontilhada apresenta a acuraacuteciameacutedia a plusmnσa
39
Podemos observar na figura 6 que para valores maiores de R a curva da acuraacutecia
meacutedia a tende a quase se estabilizar poreacutem ainda podemos perceber um leve cres-
cimento Para analisar se ainda haacute ganhos na acuraacutecia para valores de R gt 500
calculamos o coeficiente angular β e os coeficientes de determinaccedilatildeo r 2 da reta de
ajuste aos pontos com valores de R superiores a 500 Os coeficientes angulares β
para todas as accedilotildees dos igravendices Dow Jones e Ibovespa calculados para o intervalo
500 le R le 1000 foram β = 5 63 times 10minus5 e β = 1 24 times 10minus5 respectivamente
Embora pequenos natildeo satildeo irrelevantes observe que numa variaccedilatildeo de 0 02 na
acuraacutecia (o que eacute significativo) entre R = 500 e R = 1000 temos coeficiente angular
4times 10minus5 ou seja na ordem dos observados Os coeficientes de determinaccedilatildeo foram
r 2 = 0 2905 para todas as accedilotildees do iacutendice Dow Jones e r 2 = 0 6295 para todas
as accedilotildees do Ibovespa Eles indicam que o ajuste linear natildeo eacute satisfatoacuterio Contudo
isto natildeo eacute relevante aqui uma vez que estamos interessados sobretudo no caraacuteter
crescente das curvas Os valores de β e r2 obtidos satildeo apresentados na tabela 2
Valores dos coeficientes angulares β calculados para o intervalo 500 le R le 1000
pequenos poreacutem positivos indicam crescimento da curva e nos motivam a investigar
o comportamento do graacutefico para valores de R maiores que 1000
Tabela 2 ndash Coeficientes angulares (β) e os correspondentes coeficientes de determinaccedilatildeo(r 2) para o ajuste linear das curvas de acuraacutecias meacutedias a para diferentes valoresde R das Fig 6 e 7
Todas Accedilotildees (Fig 6) 10 Accedilotildees + (Fig 7)
Dow Jonesβ 5 63times 10minus5 9 79times 10minus5
r2 02905 062953
Ibovespaβ 1 24times 10minus4 9 98times 10minus5
r2 0 6970 0 7629
Nota Para a Fig 6 que analisa o conjunto de todas as accedilotildees que compotildeem os iacutendices Dow Jones eIbovespa os coeficientes β e r2 foram calculados para o intervalo de 500 le R le 1000 Jaacute na Fig 7os coeficientes β e r2 foram calculados para o intervalo de 1000 le R le 2000 Todos os coeficientes
β satildeo positivos indicando que as evoluccedilotildees das curvas ainda satildeo positivas
Para cada tamanho de R satildeo realizadas 5000 execuccedilotildees para as accedilotildees do Ibovespa
e 3900 para as accedilotildees do Dow Jones A diferenccedila na quantidade de execuccedilotildees entre
Dow Jones e Ibovespa eacute devida ao menor tempo diaacuterio de permanecircncia do pregatildeo
de negociaccedilatildeo do Dow Jones em relaccedilatildeo ao Ibovespa Com isso as quantidades
de dados disponiacuteveis nas amostras satildeo diferentes Ainda assim o nuacutemero de exe-
cuccedilotildees para cada valor de R eacute grande Como estamos interessados em analisar
mais tamanhos diferentes de R vamos diminuir o nuacutemero de accedilotildees envolvidas nos
testes O criteacuterio para escolha destas accedilotildees eacute selecionar as 10 accedilotildees com maiores
pesos nos iacutendices Ibovespa e Dow Jones As composiccedilotildees e as ordens de pesos das
participaccedilotildees nos iacutendices Ibovespa e Dow Jones satildeo apresentadas nas tabelas 26 e
27 respectivamente
40
Nesta anaacutelise utilizando valores maiores de pontos nos ajustes vamos explorar R
variando de 10 a 2000 com incremento de 10 pontos a cada nova execuccedilatildeo do
programa Para cada execuccedilatildeo foram realizadas 3000 e 2000 previsotildees para as
10 accedilotildees com maiores pesos de participaccedilatildeo nos iacutendices Ibovespa e Dow Jones
respectivamente A figura 7 apresenta as acuraacutecias meacutedias a linha contiacutenua e a plusmnσalinha pontilhada obtidos na anaacutelise
10 200 400 600 800 1000 1200 1400 1600 1800 2000045
05
055
06
R
a
045
05
055
06
(a)
(b)
Figura 7 ndash Acuraacutecia meacutedia para as 10 accedilotildees com maiores participaccedilotildees na carteirateoacuterica do Ibovespa E Dow Jones Os dados analisados satildeo referentes agravesseacuteries de preccedilos de fechamento com granularidade de 5 minutos no periacuteodode 020117 a 280417 (primeiro quadrimestre de 2017) Foram utilizados 200diferentes tamanhos de R Com o valor inicial de R = 10 com incremento de10 Para cada valor de R foram realizadas 3000 execuccedilotildees com as seacuteries dasaccedilotildees do Ibovespa e 2000 com a seacuteries do Dow Jones (a) A linha contiacutenuarepresenta a acuraacutecia meacutedia obtida para as 10 accedilotildees com maior participaccedilatildeo doiacutendice Dow Jones A linha pontilhada representa a meacutedia plusmnσa que eacute o desviopadratildeo das acuraacutecias obtidas (b) A linha contiacutenua mostra a acuraacutecia meacutedia paraas 10 as accedilotildees com maior peso de participaccedilatildeo na carteira teoacuterica do iacutendiceIbovespa A linha pontilhada apresenta a acuraacutecia meacutedia plusmnσa
Analisando a figura 7 percebemos que agrave medida que aumentamos os valores de R a
curva da acuraacutecia meacutedia tende a oscilar menos Isso acontece devido ao incremento de
41
10 novos pontos serem cada vez menos significativos agrave medida em que aumentamos a
quantidade de pontos na janela O efeito eacute mais evidente ao compararmos os valores
de R proacuteximos a 10 com aqueles no final da seacuterie
A figura 7 sugere que a acuraacutecia para as accedilotildees do iacutendice Dow Jones tende a se
estabilizar para valores de R ge 400 pontos Poreacutem a curva ainda mostra um leve
crescimento dos resultados Para as accedilotildees do iacutendice Ibovespa eacute evidente que a
curva de acuraacutecia apresenta ganhos significativos agrave medida em que aumentamos o
tamanho de R Estas observaccedilotildees satildeo evidenciadas pelos valores dos coeficientes
angulares apresentados na tabela 2 Desta forma na aplicaccedilatildeo do modelo seria ideal
utilizar tamanhos maiores de R mas esta quantidade de pontos definida para o ajuste
afeta diretamente o tamanho da amostra restante para fazer as N previsotildees a cada
execuccedilatildeo do programa Por isto definimos baseados nas figuras 6 e 7 um valor de R
que natildeo comprometa a acuraacutecia e nem o tamanho da amostra Uma escolha coerente
da quantidade de pontos para utilizar no ajuste eacute R = 1000
As figuras 6 e 7 nos mostram as acuraacutecias meacutedias a Como estes resultados se
referem agraves meacutedias das acuraacutecias a de todas as accedilotildees para cada valor de R natildeo po-
demos visualizar o comportamento individual das accedilotildees para os diferentes tamanhos
de R Com isto para mostrar a dispersatildeo das acuraacutecias da accedilotildees para cada valor de
R construiacutemos os boxplots1 dos resultados A dispersatildeo localizaccedilatildeo e simetria das
acuraacutecias podem ser representadas pela figura 9 As caixas contecircm 50 dos dados
sendo o primeiro quartil (Q1) a mediana e o terceiro quartil (Q3) A altura da caixa eacute a
amplitude interquartil (AIQ) que eacute dada pela distacircncia entre Q1 e Q3 A linha superior
eacute traccedilada iniciando em Q3 ateacute o maior valor observado dentro da faixa com o conjunto
de pontos que vai de Q3 ateacute o valor do limite superior (Ls) calculado utilizando 1 5
vezes o valor do interquartil AIQ
Ls = Q3 + 1 5AIQ (34)
A linha inferior eacute traccedilada iniciando-se em Q1 ateacute o menor valor que eacute encontrado
dentro da faixa que comeccedila em Q1 e se estende ateacute o valor do limite inferior (Li)
calculado utilizando 1 5 do valor do interquartil AIQ
Li = Q1minus 1 5AIQ (35)
Os pontos fora destas linhas traccediladas satildeo chamados outliers (MONTGOMERY 2008)
A figura 8 mostra as caracteriacutesticas do boxplot Como esperado a figura 9 mostra que
as accedilotildees que compotildeem o iacutendice Ibovespa apresentam mais outliers com altas taxas
de acuraacutecia quando comparadas agraves accedilotildees do iacutendice Dow Jones
1Diagrama de caixa Eacute uma apresentaccedilatildeo graacutefica que descreve simultaneamente vaacuterias caracteriacutesticasde um conjunto de dados observados(MONTGOMERY 2008)
42
049
05
051
052
053
054
055
056
1
Terceiro quartil
Mediana
Valor Miacutenimo
Valor Maacuteximo
Outlier
Quarto quartil
Figura 8 ndash Exemplo de um formato de um boxplot
43
0 10 20 30 40 50 60 70 80 90 100
05
055
06
065
07
045
05
055 (a)
(b)
Figura 9 ndash Boxplot da Acuraacutecia para todas as accedilotildees que compotildeem os iacutendices DowJones e Ibovespa Os dados utilizados foram preccedilos de fechamento das accedilotildeesque compotildeem os iacutendices Dow Jones e Ibovespa com granularidade de 5 minutosno periacuteodo de 020117 a 280417 (primeiro quadrimestre de 2017) Foramanalisados 100 diferentes tamanhos de R Para cada valor de R foram realizadas3900 execuccedilotildees para as accedilotildees do iacutendice Dow Jones e 5000 execuccedilotildees paraas accedilotildees que compotildeem a carteira teoacuterica do Ibovespa (a) Boxplots com asacuraacutecias para todas as accedilotildees do Dow Jones (b) Acuraacutecias para todas as accedilotildeesdo iacutendice Ibovespa
44
62 Variaccedilotildees da quantidade de accedilotildees
Um ponto a ser questionado refere-se agrave quantidade de accedilotildees n que devemos usar
para calibrar o modelo de forma a obter a melhor acuraacutecia Para investigar a influecircncia
deste valor n nos resultados do modelo desenvolvemos uma anaacutelise que consiste
em executar o modelo com o nuacutemero miacutenimo de combinaccedilotildees n = 2 e expandir
ateacute o nuacutemero maacuteximo de accedilotildees que compotildeem os iacutendices Ibovespa e Dow Jones
O valor de n aumenta seguindo a ordem decrescente do peso de participaccedilatildeo das
accedilotildees nos iacutendices Para esta anaacutelise utilizamos os dados de preccedilos de fechamento
das accedilotildees com granularidade de 5 minutos no periacuteodo de 020117 a 280417 que se
refere ao primeiro quadrimestre de 2017 A quantidade de pontos utilizada no ajuste
foi R = 1000 pontos Para cada combinaccedilatildeo de n accedilotildees realizamos N = 3000
previsotildees para as seacuteries do Ibovespa e N = 2000 previsotildees para as seacuteries do Dow
Jones A figura 10 mostra a acuraacutecia meacutedia a e plusmnσa para diferentes combinaccedilotildees de
quantidades de accedilotildees envolvidas no modelo
45
2 5 10 15 20 25046
048
050
052
054
056
2 5 10 15 20 25 30 35 40 45 50 55045
050
055
06(b)
(a)
Figura 10 ndash Acuraacutecia meacutedia para diferentes valores de n accedilotildees que compotildeem ascarteiras do Ibovespa e Dow Jones O valor de n aumenta seguindo aordem decrescente do peso de participaccedilatildeo das accedilotildees nos iacutendices Os dadosanalisados satildeo referentes agraves seacuteries de preccedilos de fechamento com granularidadede 5 minutos no periacuteodo de 020117 a 280417 (primeiro quadrimestre de2017) A quantidade de pontos utilizados no ajuste foi R = 1000 Foramrealizadas 3000 previsotildees com as seacuteries das accedilotildees do Ibovespa e 2000 comas seacuteries do Dow Jones (a) A linha contiacutenua representa a acuraacutecia meacutediaobtida para n variando de 2 a 30 accedilotildees que compotildeem o iacutendice Dow Jones Alinha pontilhada representa a meacutedia plusmnσa que eacute o desvio padratildeo das acuraacuteciasobtidas (b) A linha contiacutenua mostra a acuraacutecia meacutedia para n variando de 2 a 58accedilotildees que compotildeem a carteira teoacuterica do iacutendice Ibovespa A linha pontilhadaapresenta a acuraacutecia meacutedia plusmnσa
46
Na figura 10 percebemos uma variaccedilatildeo maior nas acuraacutecias meacutedias a para as
combinaccedilotildees de n accedilotildees do Ibovespa quando comparadas agraves acuraacutecias obtidas
com as accedilotildees do iacutendice Dow Jones Este resultado eacute mais evidente para valores
menores de n As combinaccedilotildees de n accedilotildees do iacutendice Dow Jones satildeo mais estaacuteveis
e como esperado apresentam valores de acuraacutecias meacutedias a menores quando
comparados aos resultados das combinaccedilotildees das accedilotildees do Ibovespa uma vez que a
bolsa americana eacute mais eficiente que a brasileira Para as combinaccedilotildees das accedilotildees
do Ibovespa observamos um pico maior em torno de n = 10 e depois uma certa
estabilizaccedilatildeo de a Isto nos ajuda a definir a quantidade de accedilotildees que devemos usar
para calibrar o modelo
63 Variaccedilatildeo da granularidade
Nesta seccedilatildeo vamos analisar as acuraacutecias para dados com granularidade de 51015
20 e 30 minutos Para simetria das anaacutelises definimos que o modelo deve ser aplicado
em um mesmo intervalo de tempo Com isto agrave medida em que aumentamos a
granularidade das seacuteries diminuiacutemos a quantidade de dados da amostra Assim
nesta anaacutelise natildeo utilizamos o valor de R definido da seccedilatildeo 61 O intervalo de
negociaccedilatildeo tambeacutem foi alterado para um periacuteodo referente a 2 quadrimestres A
quantidade de dados utililizada no ajuste foi R = 500 e o periacuteodo de negociaccedilatildeo foi
de 020117 a 310817 (primeiro e segundo quadrimestres de 2017) Baseados na
seccedilatildeo 62 aleacutem da composiccedilatildeo total do iacutendice uma nova combinaccedilatildeo quantidade de
accedilotildees n = 10 tambeacutem foi analisada A tabela 3 mostra as meacutedias das acuraacutecias a
para os paracircmetros definidos
Tabela 3 ndash Acuraacutecia do modelo aplicado a diferentes granularidades de tempo para R = 500
Iacutendice n 5rsquo 10rsquo 15rsquo 20rsquo 30rsquo
Dow Jones30 05079 (00092) 05065 (00090) 05012 (00162) 05052 (00255) 05022 (00309)10 05132 (00116) 05062 (00136) 05143 (00178) 05061 (00201) 04976 (00337)
Ibovespa58 05216 (00260) 05222 (00287) 05185 (00271) 05215 (00276) 05143 (00338)10 05316 (00294) 05196 (00200) 05187 (00186) 05033 (00268) 05021 (00251)
Nota Os resultados satildeo referentes agraves meacutedias e os desvios das acuraacutecias do modelo de todas as accedilotildees quecompotildeem os iacutendices Dow Jones (30 accedilotildees) e Ibovespa (58 accedilotildees) Tambeacutem analisamos as 10 accedilotildees com
maiores participaccedilotildees nesses iacutendices Os dados analisados satildeo referentes aacutes seacuteries de preccedilos defechamento com granularidades de 5 10 15 20 e 30 minutos no periacuteodo de 02-01-17 a 31-08-17 (primeiro e
segundo quadrimestres de 2017) A quantidade de pontos utilizada no ajuste foi R = 500
Analisando a tabela 3 percebemos que natildeo haacute grandes oscilaccedilotildees nas acuraacutecias
meacutedias a quando variamos a granularidade da base de dados Menores variaccedilotildees da
acuraacutecia meacutedia a satildeo observadas quando aplicamos o modelo para todas as accedilotildees
do iacutendice Dow Jones Para a combinaccedilatildeo das 10 accedilotildees com maiores pesos um
moderado aumento nas acuraacutecias foi obtido para as granularidades de 5 e 15 minutos
47
Para as accedilotildees do Ibovespa maiores oscilaccedilotildees foram observadas principalmente
para a combinaccedilatildeo das 10 accedilotildees com maiores participaccedilotildees no iacutendice A maior
acuraacutecia meacutedia obtida foi para a granularidade de 5 minutos a = 0 5316 Em linhas
gerais observamos uma discreta tendecircncia que a acuraacutecia diminua com o aumento
da granularidade dos dados para as accedilotildees do Ibovespa Para as accedilotildees do iacutendice Dow
Jones natildeo observamos tendecircncia alguma
64 Anaacutelise da acuraacutecia em funccedilatildeo do expoente de Hurst
das seacuteries
O expoente de Hurst (H) aplicado a seacuteries de preccedilos de accedilotildees nos permite visualizar
o comportamento dos dados em relaccedilatildeo agrave memoacuteria de longo prazo Nas nossas
anaacutelises vamos utilizar o meacutetodo alternativo DFA introduzido por (PENG et al 1994)
que tambeacutem foi explorado por (HU et al 2001) e (CHEN et al 2002) Para realizar o
caacutelculo consideramos uma seacuterie de retornos ∆x(i) (i = 1 2 middot middot middot Nmax) Integrando
tal seacuterie obtemos
y(j) =
jsumi=1
(∆x(i)minus 〈∆x〉) (36)
onde 〈∆x〉 eacute a meacutedia
〈∆x〉 =1
Nmax
Nmaxsumj=1
∆x(i) (37)
A nova seacuterie eacute dividida em janelas de tamanho igual m Em cada uma dessas janelas
ajustamos a seacuterie integrada encontrando a funccedilatildeo polinomial Yfit Esta funccedilatildeo indica
a tendecircncia local que haacute em cada intervalo O grau do polinocircmio utilizado pode em
princiacutepio ser qualquer O meacutetodo DFA-l eacute aquele em que o grau l eacute escolhido
Na seacuterie temporal dividida em janelas de tamanho m subtraiacutemos a tendecircncia local
Yfit em cada das janelas Em seguida calculamos a funccedilatildeo de flutuaccedilatildeo
F (m) =
radicradicradicradic 1
Nmax
Nmaxsumi=1
(y(i)minus Yfit)2 (38)
Todo o caacutelculo acima eacute repetido para janelas de diferentes tamanhos m para obter-se
uma relaccedilatildeo entre F (m) e m e os dados satildeo dispostos em um graacutefico log minus log Uma
relaccedilatildeo de lei de potecircncia entre F (m) e a janela de tamanho m indica a presenccedila
de escala logF (m) sim= logmH ( F (m) sim= mH) Neste caso o paracircmetro H dado pelo
coeficiente angular da reta que ajusta os pontos (mF (m)) eacute chamado de expoente de
escala ou expoente de correlaccedilatildeo e eacute a generalizaccedilatildeo do expoente de Hurst Valores
de H lt 0 5 indicam anti-persistecircncia da seacuterie valores de H gt 0 5 indicam que a
48
seacuterie tem persistecircncia e valores de H = 0 5 indicam que as seacuteries natildeo possuem
tendecircncia Com o intuito de analisar se os dados passados fornecem informaccedilotildees
sobre dados futuros calculamos os expoentes de Hurst das seacuteries com preccedilos brutos
x de todas as accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa Os valores de
H obtidos satildeo mostrados na figura 11
1 5 10 15 20 25 30 35 40 45 50 55 5802
03
04
05
06
Accedilatildeo
H 1 5 10 15 20 25 3004
045
05
055
06
065
Figura 11 ndash Expoente de Hurst para todas accedilotildees que compotildeem os iacutendices Dow Jonese Ibovespa Os dados analisados satildeo referentes agraves seacuteries de preccedilos brutoscom granularidade de 5 minutos no periacuteodo de 020117 a 280417 (primeiroquadrimestre de 2017) (a) Representa os coeficientes de Hurst para as accedilotildeesdo iacutendice Dow Jones Foram utilizados 6276 pontos para o caacutelculo (b) Mostraos coeficientes de Hurst utilizando l = 1 para as accedilotildees que compotildeem o iacutendiceIbovespa Foram utilizados 7370 pontos para o caacutelculo
Analisando a figura 11 percebemos que a maioria dos resultados se concentram na
faixa de 0 45 le H le 0 55 Assim natildeo percebemos forte tendecircncia a persistecircncia ou
anti-persistecircncia das seacuteries analisadas
Na anaacutelise seguinte vamos investigar a relaccedilatildeo entre os resultados dos expoentes de
Hurst e as acuraacutecias obtidas pelo modelo As seacuteries de preccedilos ainda satildeo as referentes
aos preccedilos de fechamento de todas as accedilotildees que compotildeem os iacutendices Dow Jones
e Ibovespa A Fig 12 mostra a acuraacutecia meacutedia a de cada uma destas accedilotildees que
49
compotildeem os iacutendices para 100 diferentes valores de R e os expoentes de Hurst das
seacuteries de preccedilos brutos x destas accedilotildees
1 5 10 15 20 25 3004
045
05
055
06
065
1 5 10 15 20 25 30 35 40 45 50 55 58 Accedilotildees
02
03
04
05
06
07
Figura 12 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que compotildeem osiacutendices Dow Jones e Ibovespa Os dados analisados satildeo referentes agraves seacuteriesde preccedilos brutos com granularidade de 5 minutos no periacuteodo de 020117 a280417 (primeiro quadrimestre de 2017) Para o caacutelculo da acuraacutecia meacutediaforam utilizados 100 tamanhos diferentes de R para cada accedilatildeo A linha tracejadarepresenta os coeficientes de Hurst H e a linha contiacutenua a acuraacutecia meacutedia apara cada accedilatildeo utilizando 100 valores diferentes de R no ajuste O valor deR inicial foi 100 com incremento de 10 pontos a cada nova execuccedilatildeo (a)Representa a acuraacutecia meacutedia e os coeficientes de Hurst para as accedilotildees doiacutendice Dow Jones Foram utilizados 6276 pontos para o caacutelculo do expoente deHurst (b) Mostra a acuraacutecia meacutedia e os coeficientes de Hurst para as accedilotildeesque compotildeem o iacutendice Ibovespa Foram utilizados 7370 pontos para o caacutelculodos coeficientes
Analisando visualmente a figura 12 natildeo percebemos padrotildees para as accedilotildees que
compotildeem o iacutendice Dow Jones As suas taxas de acuraacutecia meacutedia a bem como os
valores de H estatildeo proacuteximos de 0 5 Jaacute as accedilotildees que compotildeem o iacutendice Ibovespa
apresentaram maiores taxas de acuraacutecia meacutedia a e tambeacutem maiores oscilaccedilotildees nos
valores dos expoentes de Hurst H A figura nos sugere ainda que os valores menores
deH resultam em maiores valores de a indicando que o modelo tem maior capacidade
50
de previsatildeo para seacuteries de preccedilos de accedilotildees que apresentam anti-persistecircncia Os
resultados mais discrepantes foram obtidos para a accedilatildeo 32 com a = 0 68 e H = 0 28
Para melhor visualizaccedilatildeo destes resultados construiacutemos a figura 13 que mostra a
concentraccedilatildeo dos expoentes de Hurst H em funccedilatildeo da acuraacutecia meacutedia a obtidos para
cada uma das accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa representados
pelos pontos nas cores verde e vermelha respectivamente
025 03 035 04 045 05 055 06 065046
048
05
052
054
056
058
06
062
064
066
H
a
Expoente de Hurst DOW JONESExpoente de Hurst IBOVESPA
Figura 13 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que compotildeem osiacutendices Dow Jones e Ibovespa Os dados analisados satildeo referentes agraves seacuteriesde preccedilos brutos com granularidade de 5 minutos no periacuteodo de 020117 a280417 (primeiro quadrimestre de 2017) Para o caacutelculo da acuraacutecia meacutedia aforam utilizados 100 tamanhos diferentes de R para cada accedilatildeo Com valor inicialde R = 100 com incremento de 10 pontos a cada nova execuccedilatildeo Os pontosna cor vermelha representam os expoentes H em funccedilatildeo da acuraacutecia a paraas accedilotildees do Ibovespa Os pontos na cor verde representam os coeficientes deHurst H em funccedilatildeo da acuraacutecia meacutedia a para cada accedilatildeo do iacutendice Dow JonesPara as accedilotildees do iacutendice Dow Jones utilizamos 6276 pontos para o caacutelculo de HPara as accedilotildees que compotildeem o iacutendice Ibovespa foram utilizados 7370 pontospara o caacutelculo dos coeficientes de Hurst
Pela figura 13 fica mais evidente que as taxas de acuraacutecia meacutedia a satildeo maiores para
as accedilotildees que compotildeem o iacutendice Ibovespa quando comparadas agraves accedilotildees do iacutendice
Dow Jones Observamos tambeacutem que os maiores desvios de H foram obtidos para
51
a seacuterie do Ibovespa Estes resultados vatildeo ao encontro dos estudos de (CAJUEIRO
TABAK 2004) onde os paiacuteses emergentes apresentam valores de H mais distantes
de 05 sugerindo que mercado de paiacuteses emergentes satildeo mais ineficientes que os
de paiacuteses desenvolvidos
Outra investigaccedilatildeo relevante foi baseada no caacutelculo da correlaccedilatildeo linear das acuraacutecias
obtidas em cada quadrimestre com os expoentes de Hurst calculados nos respectivos
quadrimestres Para tanto calculamos o coeficiente de correlaccedilatildeo linear de Pearson
ρ2 O coeficiente ρ obtido quando analisada a correlaccedilatildeo das acuraacutecias e os expoentes
de Hurst calculados no quadrimestre 1 foi ρ = minus0 3791 (pminus valor = 0 0388) para as
accedilotildees que compotildeem o iacutendice Dow Jones e para as accedilotildees do Ibovespa no mesmo
quadrimestre o resultado foi ρ = minus0 4622 (p minus valor = 2 6 times 10minus4) A correlaccedilatildeo
entre as acuraacutecias e os coeficientes de Hurst das seacuteries de preccedilos calculados no
segundo quadrimestre de 2017 foi ρ = minus0 6966 (pminus valor = 1 2571times 10minus9) para as
accedilotildees do Ibovespa e ρ = minus0 1743 (pminus valor = 0 3568) para as accedilotildees do Dow Jones
Estes resultados indicam que haacute uma anti-correlaccedilatildeo entre as acuraacutecias obtidas e os
expoentes H das seacuteries analisadas (COHEN 1977)
Baseados nestes resultados em etapas futuras da tese vamos aprofundar mais as
anaacutelises dos valores de H e a explorando as questotildees de memoacuteria das seacuteries de
preccedilos de accedilotildees e investigando ateacute que ponto informaccedilotildees dos dados passados
interferem na acuraacutecia do modelo de previsatildeo
65 Acuraacutecias em quadrimestres diferentes
Nas subseccedilotildees seguintes vamos aplicar o modelo em dados de quadrimestres di-
ferentes com o objetivo de investigar a consistecircncia das previsotildees em diferentes
periacuteodos
651 Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo qua-
drimestres de 2017
Nesta anaacutelise aplicamos o modelo utilizando as seacuteries de preccedilos tratados com
granularidade de 5 minutos do primeiro e segundo quadrimestres de 2017 de todas
as accedilotildees que integraram os iacutendices Ibovespa e Dow Jones no primeiro quadrimestre
de 2017 A tabela 4 mostra as acuraacutecias obtidas nos quadrimentres 1 e 2 do ano de
2017 Para a execuccedilatildeo do modelo foi utilizado como tamanho de ajuste R = 1000 A
coluna rsquoAcuraacutecia Q1rsquo refere-se agraves acuraacutecias obtidas no quadrimestre 1 Analogamente
a coluna denominada rsquoAcuraacutecia Q2rsquo refere-se agraves acuraacutecias no quadrimestre 2 Os
resultados estatildeo dispostos na ordem da porcentagem de peso de participaccedilatildeo de
2Mede o grau da correlaccedilatildeo (minus1 le ρ le 1) e a direccedilatildeo dessa correlaccedilatildeo (+ ou -) entre duas variaacuteveis
52
cada accedilatildeo nos seus respectivos iacutendices Os valores em negrito indicam que a acuraacutecia
da accedilatildeo obtida no quadrimestre 2 foi maior em relaccedilatildeo agrave mesma no quadrimestre
1 Este aumento de ganhos do quadrimestre 2 em relaccedilatildeo ao quadrimestre 1 foi em
53 30 das accedilotildees que compotildeem o Dow Jones e 60 30 das accedilotildees do Ibovespa
53
Tabela 4 ndash Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo quadrimestres paraas accedilotildees dos iacutendices Ibovespa e Dow Jones
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q1 Acuraacutecia Q2 Accedilatildeo Acuraacutecia Q1 Acuraacutecia Q2
1 05183 05223 1 04912 049482 04833 05329 2 04577 053403 05054 05427 3 05195 051264 05363 05510 4 05207 050425 05130 05296 5 05016 050796 05363 05268 6 05208 048137 04965 04974 7 05341 051178 05188 05203 8 05011 052309 05226 04840 9 05097 04995
10 05541 06053 10 05103 0515911 04862 05597 11 05087 0512412 05362 05578 12 05000 0489313 05147 05493 13 04894 0501114 05097 05070 14 04839 0498915 05449 05349 15 05178 0490716 05072 05479 16 05138 0505817 05320 04852 17 05218 0479318 05260 05283 18 05021 0495219 05350 04968 19 05175 0514220 05266 05262 20 05049 0531821 05208 05166 21 04843 0512822 05270 05138 22 04807 0496423 05100 05180 23 05089 0521724 05208 05210 24 05256 0482925 05057 05028 25 04904 0482126 05142 05167 26 05023 0508427 05018 05120 27 05222 0522428 05138 05169 28 05230 0520429 05142 05465 29 05061 0527230 05043 05020 30 04710 0511331 05201 0535332 06810 0741833 05414 0537934 05458 0509835 05362 0596436 05053 0516537 04968 0552238 05055 0543139 05494 0516540 04969 0509041 05230 0512542 05018 0523043 05288 0503544 05396 0518945 05048 0531846 05467 0530447 05181 0521348 05122 0505149 05385 0522550 05457 0556551 05227 0549452 05845 0580253 05214 0522554 05197 0530455 05229 0533956 05651 0551457 05612 0611058 05121 05205
Nota As acuraacutecias estatildeo representadas de acordo com a ordem decrescente da porcentagem de participaccedilatildeo das accedilotildeesnos iacutendices Dow Jones e Ibovespa Os resultados das 10 accedilotildees com maiores pesos estatildeo delimitados na tabela Os
valores em negrito indicam que a acuraacutecia aumentou no segundo quadrimentre em relaccedilatildeo ao primeiro 60 3 dos casospara o iacutendice Ibovespa e 53 3 dos casos para o iacutendice Dow Jones
54
A figura 14 mostra o panorama das acuraacutecias apresentadas na tabela 4 A linha
traccedilada no graacutefico delimita as 10 accedilotildees que apresentaram as melhores acuraacutecias
em cada quadrimestre Estas accedilotildees satildeo esboccediladas na cor vermelha Os pontos na
cor vermelha e circulados indicam que aleacutem de estarem entre as 10 accedilotildees que
apresentaram as melhores acuraacutecias no quadrimestre 1 tambeacutem estatildeo entre as 10
accedilotildees que apresentaram as melhores taxas no quadrimestre 2 O nuacutemero destas
accedilotildees foi maior para as accedilotildees do Ibovespa
046
048
05
052
054
056
045
05
055
06
065
07
1 10 20 30 40 50 5804
05
06
07
08
Accedilotildees1 5 10 15 20 25 30
046
048
05
052
054
056
a
(a) (c)
(d)(b)
Figura 14 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 Os resul-tados satildeo referentes agraves acuraacutecias do modelo de todas as accedilotildees que compotildeemos iacutendices Dow Jones e Ibovespa Os dados analisados satildeo referentes agraves seacute-ries de preccedilos de fechamento com granularidades de 5 minutos no periacuteodo de020117 a 310817 (primeiro e segundo quadrimestres de 2017) O tamanhodo ajuste utilizado foi R = 1000 A linha traccedilada sobre a figura delimita as10 accedilotildees que apresentaram as melhores acuraacutecias no quadrimestre em ques-tatildeo mostradas na cor vermelha Os pontos circulados indicam que as accedilotildeesapresentaram acuraacutecias entre as 10 melhores no quadrimestre 1 e tambeacutem noquadrimestre 2 (a) Representa as acuraacutecias de todas accedilotildees que compotildeem oiacutendice Dow Jones no primeiro quadrimestre (b) Mostra as acuraacutecias obtidasno segundo quadrimestre para todas as accedilotildees do iacutendice Dow Jones (c) e(d) Representam as acuraacutecias obtidas no primeiro e segundo quadrimestresrespectivamente para todas as accedilotildees que compotildeem o iacutendice Ibovespa
55
Se a presenccedila entre as accedilotildees com 10 maiores acuraacutecias for completamente alea-
toacuteria a chance de uma accedilatildeo que estaacute nesta situaccedilatildeo repetir o comportamento no
quadrimestre seguinte eacute 10n
onde n eacute o nuacutemero total de accedilotildees no grupo analisado
Assim o nuacutemero meacutedio de accedilotildees que aparecem em dois quadrimestres consecutivos
entre aqueles com as 10 maiores acuraacutecias eacute 10times 10n
Para as accedilotildees que compotildeem
o iacutendice Dow Jones esse nuacutemero eacute 103
para as accedilotildees que compotildeem o Ibovespa eacute10058
Na figura 14 observamos 3 accedilotildees nessa situaccedilatildeo para o Dow Jones sugerindo
a completa aleatoriedade Jaacute para o Ibovespa a figura 14 mostra 6 accedilotildees nessa
situaccedilatildeo um nuacutemero 348 vezes maior que o esperado indicando que o processo
natildeo deve ser completamente aleatoacuterio Estudos envolvendo um maior nuacutemero de
quadrimestres seriam interessantes para validaccedilatildeo estatiacutestica
O coeficiente de correlaccedilatildeo linear de Pearson ρ foi calculado para mostrar a relaccedilatildeo
entre as acuraacutecias obtidas no quadrimestre 1 e 2 para ambos mercados O coeficiente
ρ obtido quando analisada a correlaccedilatildeo das acuraacutecias no quadrimestre 1 e 2 para
as accedilotildees que compotildeem o Dow Jones foi ρ = minus01493 (p minus valor = 0 4311) Jaacute
para as accedilotildees que compotildeem o Ibovespa a correlaccedilatildeo entre as acuraacutecias obtidas
nos quadrimestres 1 e 2 foi ρ = 07156 (p minus valor = 2 7521 times 10minus10) O resultado
indica que haacute uma correlaccedilatildeo significativa entre as acuraacutecias obtidas para as accedilotildees
do Ibovespa
652 Aplicaccedilatildeo do modelo utilizando a combinaccedilatildeo das 10 accedilotildees com
maiores pesos nos iacutendices Ibovespa e Dow Jones
Na subseccedilatildeo 651 apresentamos as acuraacutecias obtidas com a combinaccedilatildeo de todas
as accedilotildees dos iacutendices no modelo Aqui estamos interessados em investigar o resultado
da combinaccedilatildeo linear apenas das 10 accedilotildees com maiores pesos de participaccedilatildeo nos
iacutendices Para tanto vamos executar o programa utilizando os mesmos paracircmetros
da anaacutelise anterior A tabela 5 mostra os resultados de acuraacutecias obtidos A coluna
denominada rsquoAcuraacutecia Q1rsquo mostra as acuraacutecias obtidas no quadrimestre 1 e a coluna
rsquoAcuraacutecia Q2rsquo mostra as acuraacutecias do quadrimestre 2 Os valores em negrito indicam
que a acuraacutecia aumentou no quadrimestre 2 em relaccedilatildeo ao quadrimestre 1 70 dos
casos do Ibovespa e 60 para o Dow Jones
56
Tabela 5 ndash Acuraacutecias do modelo no primeiro e segundo quadrimestres para a combinaccedilatildeodas 10 accedilotildees com maiores participaccedilotildees nos iacutendices Ibovespa e Dow Jones
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q1 Acuraacutecia Q2 Accedilatildeo Acuraacutecia Q1 Acuraacutecia Q2
1 05417 05630 1 04857 051892 05142 05293 2 04706 049693 05604 05496 3 05142 050544 05445 05770 4 05096 052075 05197 05336 5 04867 050186 05299 05226 6 05369 050507 05089 05354 7 05547 053028 04897 05430 8 04853 049819 05258 05212 9 05322 0540510 06155 06689 10 05113 05022
Nota Os valores em negrito indicam que a acuraacutecia aumentou no segundo quadrimentreem relaccedilatildeo ao primeiro Percebemos que os resultados satildeo melhores no segundo
quadrimestre para as accedilotildees dos dois iacutendices analisados A relaccedilatildeo de melhoria da acuraacuteciafoi de 70 para as accedilotildees do Ibovespa e 60 para as accedilotildees do Dow Jones
Analisando de forma geral as tabelas 4 e 5 natildeo eacute perceptiacutevel se houve ou natildeo
ganhos quando combinadas todas as accedilotildees que compotildeem os iacutendices em relaccedilatildeo a
quando combinamos apenas as 10 accedilotildees com maiores pesos nestes mesmos iacutendices
Para facilitar a anaacutelise construiacutemos a figura 15 que mostra as acuraacutecias obtidas no
primeiro e segundo quadrimestres de 2017 quando combinamos todas as accedilotildees dos
iacutendices Dow Jones e Ibovespa e tambeacutem quando combinamos apenas a 10 accedilotildees
com maiores participaccedilotildees nestes iacutendices O eixo das ordenadas do graacutefico se refere
agraves acuraacutecias obtidas no quadrimestre 2 jaacute o eixo das abscissas se refere agraves acuraacutecias
no quadrimestre 1
57
046
048
05
052
054
056
046 048 05 052 054 056046
048
05
052
054
056 a Q
2
05
06
07
08
05 055 06 065 07 a Q1
05
06
07
08
(c)
(d)(b)
(a)
Figura 15 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 Osresultados satildeo referentes agraves acuraacutecias do modelo para o primeiro e segundoquadrimestres de 2017 aplicado a todas as accedilotildees que compotildeem os iacutendicesDow Jones e Ibovespa e tambeacutem para as 10 accedilotildees com maiores pesos nestesiacutendices Os dados analisados satildeo referentes agraves seacuteries de preccedilos de fechamentocom granularidades de 5 minutos no periacuteodo de 020117 a 310817 (primeiroe segundo quadrimestres de 2017) O tamanho do ajuste utilizado foi R = 1000(a) Representa as acuraacutecias para a combinaccedilatildeo de todas accedilotildees que compotildeem oiacutendice Dow Jones no primeiro e segundo quadrimestres (b) mostra as acuraacuteciasobtidas no primeiro e segundo quadrimestres para a combinaccedilatildeo das 10 accedilotildeesdo iacutendice Dow Jones com maiores participaccedilotildees no iacutendice (c) Representa asacuraacutecias obtidas no primeiro e segundo quadrimestres para a combinaccedilatildeode todas as accedilotildees que compotildeem o iacutendice Ibovespa (d) Mostra as acuraacuteciasdo primeiro e segundo quadrimestres para a combinaccedilatildeo das 10 accedilotildees doIbovespa com maiores pesos no iacutendice
58
Analisando os pontos obtidos na figura 15 natildeo podemos concluir que a combinaccedilatildeo
das 10 accedilotildees com maiores pesos nos iacutendices melhora as acuraacutecias obtidas quando
comparadas com as taxas obtidas combinando todas as accedilotildees que compotildeem os
iacutendices
653 Anaacutelise do desempenho do modelo aplicado agraves accedilotildees de melhor
acuraacutecia no quadrimestre precedente
A tabela 6 mostra as acuraacutecias obtidas para todas as accedilotildees que compotildeem os iacutendices
Ibovespa e Dow Jones As acuraacutecias obtidas satildeo para R = 1000 e estatildeo ordenadas
do maior para a menor valor Destacamos os 10 melhores resultados de a As cores
semelhantes mostram as accedilotildees que participaram do conjunto com os melhores resul-
tados no quadrimestre 1 e tambeacutem apareceram entre as 10 accedilotildees com os melhores
resultados no quadrimestre 2 Os valores em negrito indicam que a accedilatildeo apresentou
maior acuraacutecia no quadrimestre 2 em relaccedilatildeo ao quadrimestre 1 Pela tabela 6 e
figura 14 podemos observar que as 10 melhores acuraacutecias obtidas conjuntamente
em ambos os quadrimestres natildeo satildeo necessariamente as accedilotildees com maiores partici-
paccedilotildees nos iacutendices exceto a accedilatildeo 10 do Ibovespa Isso nos motiva a investigar se
obtemos melhores acuraacutecias combinando no modelo a cada quadrimestre apenas
as 10 accedilotildees que apresentaram melhores resultados no quadrimestre anterior
Os resultados da anaacutelise satildeo mostrados na tabela 7 e comparados a resultados
de acuraacutecias obtidas tambeacutem no mesmo quadrimestre poreacutem utilizando dados de
todas as accedilotildees dos respectivos iacutendices (n = 30 Dow Jones e n = 58 Ibovespa)
Os valores em negrito indicam que a combinaccedilatildeo das 10 accedilotildees eacute melhor quando
comparada agraves acuraacutecias obtidas utilizando todas as accedilotildees dos iacutendices Utilizando o
primeiro quadrimestre para selecionar accedilotildees a investir no segundo quadrimestre natildeo
utilizamos dados futuros na anaacutelise Para as accedilotildees do Ibovespa a meacutedia das acuraacutecias
obtida para a combinaccedilatildeo de todas as accedilotildees foi 0 5737 e para a combinaccedilatildeo das 10
melhores accedilotildees do quadrimestre anterior foi 0 5746 A meacutedia para o iacutendice Dow Jones
foi 0 5019 para a combinaccedilatildeo de todas as accedilotildees e 0 5017 para a combinaccedilatildeo das
10 melhores accedilotildees do quadrimestre anterior Estes valores se referem agrave meacutedia das
acuraacutecias das 10 accedilotildees analisadas Pela proporccedilatildeo dos valores obtida natildeo podemos
concluir que haacute ganhos significativos aplicando esta metodologia
59
Tabela 6 ndash Comparaccedilatildeo das acuraacutecias para todas as accedilotildees dos iacutendices Ibovespa e DowJones no primeiro e segundo quadrimestres
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q1 Accedilatildeo Acuraacutecia Q2 Accedilatildeo Acuraacutecia Q1 Accedilatildeo Acuraacutecia Q2
32 06810 32 07417 7 05341 2 0533952 05844 57 06109 24 05256 20 0531856 05650 10 06053 28 05229 29 0527257 05612 35 05963 27 05221 8 0522910 05541 52 05802 17 05218 27 0522339 05493 11 05596 6 05207 23 0521746 05467 12 05578 4 05207 28 0520434 05458 50 05565 3 05194 10 0515950 05457 37 05521 15 05177 19 0514115 05448 56 05513 19 05174 21 0512733 05413 4 05510 16 05138 3 0512644 05395 51 05494 10 05102 11 0512349 05384 13 05493 9 05097 7 051164 05362 16 05478 23 05089 30 051126 05362 29 05465 11 05086 26 05084
35 05362 38 05430 29 05060 5 0507912 05361 3 05427 20 05048 16 0505719 05350 33 05379 26 05023 4 0504117 05320 31 05353 18 05021 13 0501043 05288 15 05349 5 05016 9 0499422 05270 55 05339 8 05010 14 0498920 05265 2 05329 12 05000 22 0496418 05259 45 05318 1 04912 18 0495141 05229 46 05304 25 04903 1 0494755 05229 54 05303 13 04893 15 0490751 05227 5 05295 21 04843 12 048939 05226 18 05282 14 04839 24 04829
53 05213 6 05268 22 04806 25 0482024 05208 20 05261 30 04710 6 0481221 05207 42 05229 2 04577 17 0479231 05200 49 0522554 05196 53 052248 05187 1 052231 05183 47 05212
47 05181 24 0521013 05147 58 0520529 05141 8 0520326 05141 44 0518928 05137 23 051805 05129 28 0516848 05121 26 0516658 05121 21 0516623 05100 36 0516514 05097 39 0516416 05072 22 0513725 05057 41 0512438 05055 27 051203 05053 34 05097
36 05052 40 0508945 05047 14 0506930 05042 48 0505042 05018 43 0503427 05017 25 0502740 04968 30 0501937 04967 7 049737 04964 19 0496811 04861 17 048512 04833 9 04840
Nota As acuraacutecias estatildeo em ordem decrescente Os 10 melhores resultados estatildeo delimitados na tabela As coresequivalentes indicam que a accedilatildeo tem o valor de acuraacutecia dentre os 10 melhores resultados no quadrimestre 1 e tambeacutemse manteve entre as 10 melhores no quadrimestre 2 Os valores em negrito indicam que aleacutem da accedilatildeo estar entre as 10
melhores nos 2 quadrimestres a acuraacutecia aumentou no segundo quadrimentre
60
Tabela 7 ndash Acuraacutecias do modelo para a combinaccedilatildeo das 10 accedilotildees dos iacutendices Ibovespa eDow Jones com os melhores resultados no primeiro quadrimestre
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q2
n = 58Acuraacutecia Q2n = 10
Accedilatildeo Acuraacutecia Q2n = 30
Acuraacutecia Q2n = 10
32 07418 07707 7 05117 0499652 05802 05800 24 04829 0503256 05514 05438 28 05204 0517457 06110 06050 27 05224 0524310 06053 05811 17 04793 0496039 05165 05174 6 04813 0494146 05304 05326 4 05042 0496634 05098 05253 3 05126 0484250 05565 05545 15 04907 0503415 05349 05363 19 05142 04986
Nota Para Ibovespa na coluna com n = 58 todas as accedilotildees do iacutendice foram utilizadas pelomodelo na coluna com n = 10 somente as accedilotildees com as 10 melhores acuraacutecias no
quadrimeste 1 foram empregadas pelo modelo Analogamente para Dow Jones Os valoresem negrito indicam que a acuraacutecia aumentou no segundo quadrimestre utilizando a
combinaccedilatildeo das 10 melhores accedilotildees no quadrimestre 1 em relaccedilatildeo ao segundoquadrimestre utilizando a combinaccedilatildeo de todas as accedilotildees dos iacutendices Natildeo observamos
ganhos nos resultados quando utilizamos apenas a combinaccedilatildeo das 10 melhores accedilotildees emrelaccedilatildeo ao modelo que utiliza a combinaccedilatildeo de todas as accedilotildees dos iacutendices
61
Diante das acuraacutecias obtidas na tabela 6 investigamos se haacute uma correlaccedilatildeo entre
estes valores de a Para isso calculamos o coeficiente de correlaccedilatildeo linear de Pearson
ρ O resultado do caacutelculo do coeficiente de correlaccedilatildeo entre as acuraacutecias das accedilotildees
do iacutendice Ibovespa obtidas no primeiro e segundo quadrimestre foi ρ = 0 7156
(pminus valor = 2 7521times 10minus10) e para as accedilotildees do iacutendice Dow Jones foi ρ = minus0 1493
Este resultado indica que para as accedilotildees do Ibovespa quando o modelo teve um bom
resultado no quadrimestre ele tende a ter bons resultados no quadrimestre seguinte
Como esperado o mesmo natildeo acontece para as accedilotildees do iacutendice Dow Jones em
que o coeficiente de correlaccedilatildeo ρ = minus0 1493 (p minus valor = 0 4311) indica uma
pequena anti-correlaccedilatildeo dos acertos de tendecircncias A accedilatildeo 32 do iacutendice Ibovespa
apresentou uma acuraacutecia alta em ambos quadrimestres Assim para evitar resultados
tendenciosos ela foi retirada do caacutelculo da correlaccedilatildeo Com a retirada destes valores
o coeficiente de correlaccedilatildeo das acuraacutecias das accedilotildees do iacutendice Ibovespa foi menor
ρ = 0 3894 (pminus valor = 0 0028) mas ainda significante (COHEN 1977)
66 Votaccedilatildeo
Uma votaccedilatildeo entre tendecircncias previstas foi utilizada com o intuito de melhorar a
consistecircncia da acuraacutecia do modelo e aumentar o tamanho da amostra A metodologia
da teacutecnica consiste em fazer vaacuterias previsotildees utilizando diferentes tamanhos de R
e posteriormente fazer a votaccedilatildeo levando em consideraccedilatildeo a direccedilatildeo de tendecircncia
de preccedilos apontada por cada modelo e o tamanho em moacutedulo do retorno previsto
Apenas os ajustes que tecircm previsotildees no conjunto U4 que se referem aos maiores
retornos previstos em moacutedulo entram na votaccedilatildeo Nesta votaccedilatildeo consideramos como
a decisatildeo de tendecircncia prevista a direccedilatildeo apontada pela maioria dos votantes e
empate entre os votantes como sinal para manter a posiccedilatildeo no tempo t + 1 (natildeo
operar)
Podemos variar diversos paracircmetros de entrada na votaccedilatildeo tais como quantidade
de votantes tamanho inicial de R incremento da quantidade de pontos a cada nova
iteraccedilatildeo accedilotildees que participam da combinaccedilatildeo linear e quantidade de votos que
decidem a previsatildeo Nas figuras 16 e 17 mostramos os resultados das acuraacutecias
obtidas para todas as accedilotildees dos iacutendices Dow Jones e Ibovespa no primeiro e segundo
quadrimestres de 2017 Nesta anaacutelise utilizamos 10 votantes um valor inicial de
R = 1000 incremento de 100 pontos a cada nova execuccedilatildeo e a diferenccedila acima de 1
voto jaacute decide direccedilatildeo da tendecircncia prevista que seraacute considerada
A figura 16 mostra os resultados obtidos para a amostra com os dados referentes ao
primeiro quadrimestre de 2017 A curva na cor vermelha eacute referente agraves acuraacutecias a
obtidas sem a votaccedilatildeo utilizando apenas um valor de R = 1000 A curva na cor azul
refere-se agrave meacutedia das acuraacutecias a obtidas utilizando 10 diferentes tamanhos de R
62
com o valor inicial de R = 1000 com incremento de 100 pontos a cada nova execuccedilatildeo
do modelo A curva na cor verde mostra a acuraacutecia a obtida com a votaccedilatildeo entre os
10 diferentes tamanhos de R
1 5 10 15 20 25 30045
05
055
06VotaccedilatildeoMeacutediaSem votaccedilatildeo
1 5 10 15 20 25 30 35 40 45 50 55 58 accedilotildees
045
05
06
07
(a)
(b)
Figura 16 ndash Acuraacutecias obtidas no primeiro quadrimestre de 2017 utilizando Votingmeacutedia e sem votaccedilatildeo A curva na cor vermelha representa a acuraacutecia autilizando apenas um valor de R = 1000 A curva na cor verde mostra aacuraacutecia a utilizando a votaccedilatildeo de 10 diferentes valores de R O valor inicialeacute R = 1000 com incremento de 100 pontos a cada nova execuccedilatildeo A curvaazul define a meacutedia da acuraacutecia a de todos os 10 tamanhos de R utilizados navotaccedilatildeo Os dados analisados satildeo referentes agraves seacuteries de preccedilos de fechamentocom granularidades de 5 minutos no periacuteodo de 020117 a 280417 (primeiroquadrimestre de 2017) (a) Acuraacutecias de todas as accedilotildees que compotildeem o iacutendiceDow Jones Foram realizadas 2200 execuccedilotildees para cada tamanho de R (b)Acuraacutecias obtidas para todas as accedilotildees que compotildeem o iacutendice Ibovespa Paracada tamanho de R realizamos 3300 execuccedilotildees
A figura 17 mostra os resultados obtidos para a amostra composta pelos dados
referentes ao segundo quadrimestre de 2017 Anaacuteloga agrave figura 16 os paracircmetros
utilizados satildeo os mesmos estabelecidos anteriormente
63
1 5 10 15 20 25 30046
048
05
052
054
056
1 5 10 15 20 25 30 35 40 45 50 55 58 Accedilotildees
04
05
06
07
08VotaccedilatildeoMeacutediaSem votaccedilatildeo
(b)
(a)
Figura 17 ndash Acuraacutecias obtidas no segundo quadrimestre de 2017 utilizando votaccedilatildeomeacutedia e sem votaccedilatildeo A curva na cor verde mostra a acuraacutecia a utilizando avotaccedilatildeo entre os 10 diferentes valores de R O valor inicial eacute R = 1000 comincremento de 100 pontos a cada nova execuccedilatildeo A curva azul representa ameacutedia da acuraacutecia a para todos os tamanhos de R utilizados na votaccedilatildeo Acurva em vermelho descreve a acuraacutecia a obtida para um valor de R = 1000Os dados analisados satildeo referentes agraves seacuteries de preccedilos de fechamento comgranularidades de 5 minutos no periacuteodo de 020517 a 310817 (segundoquadrimestre de 2017) (a) Acuraacutecias de todas as accedilotildees que compotildeem o iacutendiceDow Jones Foram realizadas 2700 execuccedilotildees para cada tamanho de R (b)Representam as acuraacutecias obtidas para todas as accedilotildees que compotildeem o iacutendiceIbovespa Para cada valor de R foram realizadas 3300 execuccedilotildees
64
Analisando as figuras 16 e 17 visualmente natildeo percebemos ganhos de acuraacutecia a
quando comparada agrave teacutecnica de votaccedilatildeo com os outros meacutetodos aplicados Como
mencionado anteriormente neste trabalho utilizamos apenas dados com maiores
retornos previstos em moacutedulo que se referem agraves tendecircncias previstas que estatildeo no
conjunto do quarto quartil U4 Assim a vantagem da votaccedilatildeo em relaccedilatildeo agrave utilizaccedilatildeo
de meacutedias ou de um valor fixo de R eacute a possibilidade de aumento na quantidade de
previsotildees uma vez que sem a votaccedilatildeo utilizamos em meacutedia apenas 14
dos dados
para as previsotildees no quarto quartil Por outro ladoa presenccedila de um ou mais votantes
em U4 jaacute eacute suficiente para que a votaccedilatildeo ocorra levando o nuacutemero de previsotildees a
crescer substancialmente
67 Consideraccedilotildees gerais
Na seccedilatildeo 61 investigamos a relaccedilatildeo da variaccedilatildeo do tamanho de R no resultado final
da acuraacutecia a Nesta anaacutelise observamos que para valores maiores de R os valores
de a tendem a aumentar Poreacutem utilizar valores grandes de R estaacute diretamente ligado
a perda de dados da amostra Assim eacute preciso definir uma quantidade de pontos
para o ajuste que apresente uma boa acuraacutecia sem comprometer o volume de dados
Baseados nas figuras 7 e 6 definimos que nas etapas de aplicaccedilatildeo e simulaccedilatildeo a
quantidade de pontos utilizados no ajuste seraacute R = 1000
Na seccedilatildeo 62 investigamos se a quantidade de accedilotildees interfere na acuraacutecia do modelo
A figura 10 sugere uma moderada melhora nos resultados das acuraacutecias em torno da
combinaccedilatildeo de 10 accedilotildees
Na seccedilatildeo 63 analisamos a relaccedilatildeo da acuraacutecia do modelo com a granularidade
dos dados Para as accedilotildees do iacutendice Dow Jones natildeo notamos diferenccedilas quando
combinamos todas as accedilotildees que compotildeem o iacutendice Um leve ganho no resultado foi
observado quando combinamos as 10 accedilotildees com maiores participaccedilotildees no iacutendice
Para as accedilotildees que compotildeem a carteira teoacuterica do Ibovespa a melhor acuraacutecia obtida
foi para os dados com frequecircncia de cotaccedilatildeo de 5 minutos quando combinadas
as 10 accedilotildees com maiores participaccedilotildees no iacutendice Desta forma a amostra com
granularidade de 5 minutos eacute a que seraacute utilizada em aplicaccedilotildees futuras do modelo de
previsatildeo
Na seccedilatildeo 64 investigamos se haacute uma relaccedilatildeo entre as acuraacutecias obtidas e os
expoentes de Hurst das seacuteries analisadas Em geral natildeo encontramos padrotildees
relacionados agraves acuraacutecias e os expoentes H Um caso atiacutepico foi a acuraacutecia e o
expoente de Hurst relacionado agrave accedilatildeo 32 do iacutendice Ibovespa Para esta accedilatildeo o
expoente foi H = 0 2816 e a taxa de acuraacutecia a = 68 10 Este resultado sugere que
para a seacuterie com anti-persistecircncia o modelo obteacutem melhores taxas de acerto Os
65
outros expoentes ficaram na faixa de variabilidade de 0 45 le H le 0 55 Com isso
natildeo podemos afirmar que haacute um padratildeo relacionando as acuraacutecias e os expoentes
de Hurst das seacuteries analisadas
Na seccedilatildeo 65 investigamos se as taxas de acuraacutecia calculadas em um quadrimestre
se mantecircm no quadrimestre seguinte Nas anaacutelises investigamos qual o nuacutemero
das accedilotildees que apareceram entre as 10 melhores acuraacutecias no quadrimestre 1 e
tambeacutem no quadrimestre 2 Na figura 14 observamos que para as accedilotildees do iacutendice
Dow Jones o nuacutemero de accedilotildees que estavam presentes entre as 10 que apresentaram
melhores acuraacutecias nos quadrimestres 1 e 2 foi 3 Este resultado sugere a completa
aleatoriedade Jaacute para as accedilotildees que compotildeem o Ibovespa a figura 14 mostra 6 accedilotildees
nessa condiccedilatildeo indicando que o processo natildeo deve ser completamente aleatoacuterio
Ainda na seccedilatildeo 65 outra anaacutelise foi baseada na quantidade e em quais accedilotildees que
devemos combinar para aplicar o modelo Baseados nas meacutedias das acuraacutecias obtidas
natildeo encontramos grandes variaccedilotildees nos valores quando utilizamos no modelo todas
as accedilotildees quando combinamos as 10 accedilotildees com maiores pesos e ainda quando
utilizamos a combinaccedilatildeo das 10 accedilotildees que apresentaram as melhores acuraacutecias
no quadrimestre anterior Em geral as anaacutelises desta seccedilatildeo nos mostraram que o
modelo tende a manter as taxas de acuraacutecia quando utilizamos diferentes accedilotildees e
quando variamos a sua quantidade As taxas tambeacutem se mantecircm para diferentes
quadrimestres indicando consistecircncia das previsotildees
Na seccedilatildeo 66 desenvolvemos uma teacutecnica de votaccedilatildeo em relaccedilatildeo agrave direccedilatildeo da ten-
decircncia prevista Nessa anaacutelise 10 diferentes valores de R participaram da votaccedilatildeo
Em geral os resultados obtidos com a teacutecnica natildeo foram melhores quando compa-
rados com a meacutedia das acuraacutecias obtida utilizando os 10 valores de R Em meacutedia
os resultados da votaccedilatildeo tambeacutem se equipararam aos resultados obtidos utilizando
um valor uacutenico de R = 1000 A vantagem do uso da teacutecnica estaacute na possibilidade de
aumento do tamanho da amostra
Na proacutexima etapa do trabalho vamos fazer simulaccedilotildees do modelo combinando os
melhores paracircmetros explorados neste capiacutetulo
66
Capiacutetulo 7
Simulaccedilatildeo
No Capiacutetulo 6 exploramos algumas das possibilidades de combinaccedilotildees de paracircmetros
que podem ser utilizadas para ajustar o modelo de previsatildeo de forma a obter uma
melhor acuraacutecia Na seccedilatildeo 61 investigamos a relaccedilatildeo entre a variaccedilatildeo do tamanho de
R e o resultado final da acuraacutecia para definirmos um valor razoaacutevel para ser utilizado
na etapa de aplicaccedilatildeo do modelo Na seccedilatildeo 62 investigamos o quanto o nuacutemero
de accedilotildees utilizadas como entrada para o modelo impactava as acuraacutecias Na seccedilatildeo
63 analisamos a relaccedilatildeo da acuraacutecia do modelo com a granularidade dos dados e
percebemos uma moderada melhora nos resultados para os dados com frequecircncia
de cotaccedilatildeo de 5 minutos Na seccedilatildeo 64 investigamos se haacute uma relaccedilatildeo entre as
acuraacutecias obtidas e os expoentes de Hurst das seacuteries Diante destas possibilidades
ajustamos o modelo de previsatildeo utilizando as combinaccedilotildees de paracircmetros mais
adequadas a cada anaacutelise Natildeo podemos afirmar que a combinaccedilatildeo escolhida eacute a
combinaccedilatildeo oacutetima poreacutem no Capiacutetulo 6 foram os paracircmetros que apresentaram as
melhores acuraacutecias Assim nesta etapa estas satildeo as entradas do modelo que seratildeo
utilizadas na simulaccedilatildeo
Neste capiacutetulo vamos mostrar as estrateacutegias de negociaccedilatildeo baseadas no modelo
que retorna um sinal de compra venda ou natildeo opera apresentado no capiacutetulo 5 Para
calibrar o modelo de previsatildeo utilizamos os paracircmetros explorados no Capiacutetulo 6
Os criteacuterios para definir uma compra ou venda dependem da tendecircncia prevista do
preccedilo de fechamento da accedilatildeo Os dados utilizados para a execuccedilatildeo do modelo de
previsatildeo para gerar o sinal da operaccedilatildeo satildeo os preccedilos tratados X(t) definidos na
seccedilatildeo 51 Na etapa de aplicaccedilatildeo e anaacutelise de ganhos financeiros vamos utilizar os
preccedilos brutos de fechamento x(t) definidos como
x(t) =
x1(t)
x2(t)
xn(t)
(39)
67
onde xk(t) eacute o preccedilo bruto da accedilatildeo k no tempo t
Na proacutexima seccedilatildeo vamos descrever o fluxo das estrateacutegias as bases de dados e as
configuraccedilotildees aplicadas nas simulaccedilotildees Nas seccedilotildees 72 e 73 vamos apresentar as
caracteriacutesticas de cada uma das estrateacutegias bem como os seus resultados obtidos
com a simulaccedilatildeo
71 Visatildeo geral dos modelos de operaccedilatildeo
Para a simulaccedilatildeo desenvolvemos duas estrateacutegias com caracteriacutesticas diferentes
uma que de acordo com o sinal enviado pelo modelo executa a operaccedilatildeo e desfaz
no passo seguinte (modelo de operaccedilatildeo 1 - MO1) e outra que executa a operaccedilatildeo e
desfaz somente quando atingir os valores dos stops definidos (modelo de operaccedilatildeo 2
- MO2) Nesta seccedilatildeo vamos apresentar o fluxo geral das estrateacutegias e nas seccedilotildees 72
e 73 cada uma delas seraacute apresentada de forma detalhada
A simulaccedilatildeo da negociaccedilatildeo no mercado real foi baseada em backtest1 disponibilizado
pelo portal dedicado ao desenvolvimento de algoritmos de investimento (algotrading)
Stratsphera BETA Na plataforma de algotrading as estrateacutegias foram desenvolvidas
utilizando a linguagem de programaccedilatildeo Python numa estrutura baseada em eventos
A plataforma foi descontinuada em Julho de 2019
Durante a simulaccedilatildeo o modelo de previsatildeo utiliza os candles disponiacuteveis ateacute o tempo
t para gerar um sinal indicando a tendecircncia do preccedilo de fechamento no tempo t+ 1
Baseados neste sinal podemos realizar operaccedilotildees de compra ou venda a mercado
De posse deste sinal que utiliza o uacuteltimo preccedilo de fechamento do candle o ideal seria
executar imediatamente a ordem na abertura do proacuteximo candle poreacutem por limitaccedilotildees
da plataforma de simulaccedilatildeo natildeo conseguimos realizar as operaccedilotildees exatamente no
preccedilo de abertura mas sim em um preccedilo aproximado de abertura
qo = po + (pc minus po)ε1 (40)
onde po eacute o preccedilo de abertura do candle pc eacute o preccedilo de fechamento do candle e ε1foi escolhido ε1 = 1
60
Para a estrateacutegia que utiliza fechamento de candle para zerar a posiccedilatildeo (MO1)
consideramos a aproximaccedilatildeo do preccedilo de fechamento
qc = po + (pc minus po)ε2 (41)
com ε2 = 1415
Valores menores de ε1 e maiores de ε2 levavam a operaccedilotildees que natildeo
aconteciam dentro do candle esperado Nas etapas seguintes do trabalho quando
1Execuccedilatildeo de uma estrateacutegia com uso de dados histoacutericos
68
referirmos a preccedilos de abertura e fechamento de candle utilizados em operaccedilotildees
consideraremos estas aproximaccedilotildees aqui definidas
Analogamente aos capiacutetulos anteriores somente retornos previstos que estatildeo no
quarto quartil (ver seccedilatildeo 53) satildeo considerados para a operaccedilatildeo Deste modo se
o preccedilo de fechamento previsto no tempo t + 1 for maior (menor) que o preccedilo real
no tempo t a tendecircncia prevista eacute de alta (baixa) Assim durante a simulaccedilatildeo a
cada novo evento (que corresponde a um novo candle) analisamos se o retorno
previsto para cada valor de R estaacute no quarto quartil e se esta condiccedilatildeo for satisfeita
o sinal correspondente eacute considerado em uma votaccedilatildeo (ver seccedilatildeo 66) De acordo
com o sinal da votaccedilatildeo realizamos uma nova operaccedilatildeo de compra (long) ou venda
descoberta (short) a mercado As posiccedilotildees de cada uma das operaccedilotildees satildeo fechadas
de forma independente
Para fechar as posiccedilotildees de compra ou venda descoberta de cada operaccedilatildeo definimos
dois modelos de operaccedilatildeo o modelo de operaccedilatildeo 1 (MO1) e o modelo de operaccedilatildeo 2
(MO2) O MO1 sempre desfaz a operaccedilatildeo no candle seguinte atraveacutes de uma contra
ordem O MO2 desfaz as posiccedilotildees baseado em stops As caracteriacutesticas de cada uma
das estrateacutegias seratildeo detalhadas nas seccedilotildees 72 e 73
Nas simulaccedilotildees utilizamos 3 tamanhos diferentes de R Para cada valor de R o
modelo gera um sinal de tendecircncia prevista sendo possiacutevel realizar a votaccedilatildeo entre
estes sinais gerados Nas execuccedilotildees seguintes a cada chegada de um novo candle
a janela eacute atualizada com o novo valor e descarta-se o dado mais antigo Os dados
utilizados para a simulaccedilatildeo das estrateacutegias foram preccedilos de abertura e fechamento
das 10 accedilotildees com maior liquidez na Bovespa nos anos de 2017 e 2018 Informaccedilotildees
de volume tambeacutem foram utilizadas para anaacutelise dos experimentos Esta reduccedilatildeo
no nuacutemero de accedilotildees analisadas eacute devida a limitaccedilotildees da plataforma em relaccedilatildeo ao
custo de execuccedilatildeo e tambeacutem pelo fato de diminuir execuccedilotildees parciais devido ao
volume reduzido de candles de accedilotildees com menor liquidez A frequecircncia dos candles
utilizados eacute de 5 minutos Os tamanhos das janelas de dados utilizadas foram R = 500
R = 1000 e R = 1500
Diante de cada novo candle disponiacutevel o modelo utiliza a janela de dados para tratar o
preccedilo conforme a seccedilatildeo 51 e calcular o novo sinal naquele instante para cada valor
de R Uma votaccedilatildeo eacute realizada entre os sinais retornados para cada R Conforme o
resultado obtido a ordem eacute enviada pela plataforma de acordo com o sinal de compra
venda ou natildeo opera retornado pelo modelo (ver seccedilatildeo 66) O modelo prevecirc o preccedilo
de fechamento no tempo t+ 1 por isso o ideal seria realizar a operaccedilatildeo no mesmo
preccedilo que foi utilizado para fazer a previsatildeo poreacutem natildeo eacute possiacutevel executar a ordem
neste preccedilo de fechamento pc(t)2 Desta forma configuramos as funccedilotildees agendadas
2pc(t) coincide com os preccedilos brutos x(t) definidos em 39
69
da plataforma para que o preccedilo de execuccedilatildeo fique o mais proacuteximo possiacutevel do preccedilo
de abertura do candle seguinte po(t+ 1) Como discutido anteriormente a plataforma
natildeo permite a negociaccedilatildeo exatamente com esse preccedilo sendo realizada no preccedilo
q0(t + 1) conforme a equaccedilatildeo 40 Ou seja utilizamos o preccedilo de fechamento no
tempo t para gerar o sinal e realizamos a operaccedilatildeo num preccedilo proacuteximo ao de abertura
po(t+ 1) do candle seguinte
Para uma dada accedilatildeo a estrateacutegia soacute recebe um sinal de compravenda quando
o modelo prevecirc retornos que estatildeo no quarto quartil (veja seccedilatildeo 53) Em caso
contraacuterio o modelo envia um sinal neutro para que natildeo execute operaccedilotildees naquele
momento Para verificar se os retornos previstos estatildeo no quarto quartil utilizamos
uma janela de tamanho Q = 100 pontos Desta forma a primeira operaccedilatildeo soacute poderaacute
ocorrer a partir do (Q + 1)-eacutesimo sinal produzido Antes disso o modelo sempre
retornaraacute sinais neutros Dado o sinal natildeo neutro uma ordem de compra ou venda
descoberta eacute submetida A venda descoberta eacute feita quando o modelo retorna um
sinal indicando que o preccedilo poderaacute cair Neste caso acreditando que o preccedilo da
accedilatildeo iraacute baixar vendemos a accedilatildeo a descoberto e de acordo com o criteacuterio de cada
estrateacutegia compramos a accedilatildeo para repor a venda em tempos seguintes A sequecircncia
da simulaccedilatildeo eacute apresentada na figura 18
Para padronizar utilizamos os mesmos paracircmetros na configuraccedilatildeo da plataforma
para as duas estrateacutegias O capital inicial utilizado em ambas foi de R$1000000 00 A
quantidade de cada uma das accedilotildees negociadas a cada ordem foi 10 vezes o tamanho
do lote padratildeo Na plataforma as accedilotildees soacute satildeo negociadas em lotes padratildeo natildeo
sendo permitidas negociaccedilotildees no mercado fracionaacuterio3 A quantidade de accedilotildees no
lote padratildeo definido na plataforma em alguns casos difere da quantidade definida no
mercado real conforme apresentado nas tabelas 24 e 25 disponiacuteveis no apecircndice
B Como exemplo temos a accedilatildeo do Bradesco (BBDC4) que tem na composiccedilatildeo de
seu lote padratildeo 145 accedilotildees enquanto no mercado real o lote padratildeo desta accedilatildeo eacute
composto por 100 accedilotildees
As configuraccedilotildees de custos satildeo utilizadas para incluir custos transacionais durante
a execuccedilatildeo da estrateacutegia As configuraccedilotildees de custo aplicadas na simulaccedilatildeo foram
baseadas no cenaacuterio brasileiro Aplicamos as taxas cobradas pela Bovespa conforme
a tabela 8 e consideramos as operaccedilotildees atraveacutes de corretoras que oferecem taxas
zero para negociaccedilotildees no mercado agrave vista Os custos transacionais foram aplicados
de acordo com o volume financeiro negociado Para comparaccedilatildeo as simulaccedilotildees foram
realizadas com taxas e sem taxas
No mercado real eacute possiacutevel que as ordens lanccediladas sejam executadas parcialmente
Isso acontece devido ao volume da ordem e agrave liquidez do ativo Na simulaccedilatildeo aqui
3No mercado fracionaacuterio satildeo negociadas fraccedilotildees do lote padratildeo das accedilotildees
70
Tabela 8 ndash Taxas de negociaccedilatildeo e de liquidaccedilatildeo da BOVESPA
Volume daytrade (R$ milhotildees)Negociaccedilatildeo Liquidaccedilatildeo TotalPessoa fiacutesica Pessoa juriacutedica
Ate 4 Ateacute 20 0004245 0020000 0024245De 4 ateacute 125 De 20 ateacute 50 0003000 0020000 0023000
De 125 ateacute 25 De 50 ateacute 250 0000500 0019500 0020000De 25 ateacute 50 De 250 ateacute 500 0000500 0017500 0018000Mais de 50 Mais de 500 0000500 0015500 0016000
Nota Os valores satildeo para operaccedilotildees de day trade e foram obtidos no site da BOVESPAdisponiacutevel em httpwwwb3combrpt_brprodutos-e-servicostarifaslistados-a-vista-e-
derivativosrenda-variaveltarifas-de-acoes-e-fundos-de-investimentoa-vista
descrita configuramos para que o volume da ordem lanccedilada seja executado totalmente
na simulaccedilatildeo Poreacutem em alguns casos em accedilotildees com menor liquidez o volume do
candle disponiacutevel seraacute menor que o tamanho da ordem submetida e neste caso a
ordem seraacute executada parcialmente ateacute o limite maacuteximo do candle disponiacutevel Por
isso para evitarmos estas execuccedilotildees parciais utilizamos as accedilotildees com maior liquidez
na Bovespa De fato as ordens que submetemos tecircm volume bem menor do que o
dos candles Portanto acreditamos que a aproximaccedilatildeo que usamos (volume total da
ordem negociado) natildeo leva a importantes distorccedilotildees
A plataforma permite alocar o capital parado durante a estrateacutegia em uma aplicaccedilatildeo
tal como CDI4 Nas simulaccedilotildees definimos que o capital parado natildeo seraacute remune-
rado Com isso evitamos interferecircncia em nossos resultados de remuneraccedilotildees natildeo
advindas da estrateacutegia
Nas proacuteximas seccedilotildees vamos apresentar as duas estrateacutegias diferentes No modelo
de operaccedilatildeo 1 (MO1) vamos abrir a posiccedilatildeo de compra ou venda no instante de
tempo analisado e fechar a posiccedilatildeo no instante seguinte Jaacute no modelo de operaccedilatildeo 2
(MO2) uma ordem de compra ou venda eacute enviada e executada e a posiccedilatildeo referente
a esta ordem soacute seraacute zerada quando o stop definido for atingido
Para ilustrar as etapas das estrateacutegias desenvolvemos a figura 18 que apresenta as
principais fases da execuccedilatildeo Na etapa de configuraccedilatildeo dos paracircmetros definimos os
dados que seratildeo utilizados na simulaccedilatildeo tais como a frequecircncia dos candles e as
accedilotildees escolhidas Nesta etapa tambeacutem configuramos os custos operacionais capital
que seraacute alocado para a execuccedilatildeo e as variaacuteveis de controle de risco da estrateacutegia
dentre outras configuraccedilotildees possiacuteveis
Na coleta inicial de dados uma janela de dados histoacutericos de tamanho R eacute arma-
zenada para o caacutelculo da primeira matriz inicial Estes dados satildeo enviados para o
4Certificados de Depoacutesitos Interbancaacuterios satildeo tiacutetulos emitidos para a realizaccedilatildeo de operaccedilotildees de empreacutes-timo ou captaccedilatildeo de recursos financeiros entre os bancos
71
modelo de previsatildeo (MP) onde satildeo tratados Com a matriz de dados tratados X eacute
possiacutevel executar o modelo e gerar um sinal de previsatildeo Este sinal eacute aplicado de
acordo com cada estrateacutegia No modelo de operaccedilatildeo MO1 ao receber o sinal uma
posiccedilatildeo de compra ou venda eacute aberta o status da ordem eacute atualizado e a ordem
anterior se existir posiccedilatildeo aberta eacute zerada atraveacutes de uma contra ordem Jaacute na
estrateacutegia MO2 os stops satildeo calculados e a operaccedilatildeo eacute aberta Nesta estrateacutegia as
operaccedilotildees satildeo zeradas quando atingem os valores de stop loss ou stop gain Todo o
procedimento eacute repetido a cada chegada de um novo candle
72
MP
MO2
MO1
Configuraccedilatildeo
de
paracircmetros
Zera posiccedilatildeo
Calcula stops
Abre operaccedilatildeo
Gera sinal
Abre Posiccedilatildeo
Tratamento dos
dadosNovo candle
Coleta inicial
de dados
Atualiza estado
do sistema
Figura 18 ndash Fluxograma das estrateacutegias Principais fases de execuccedilatildeo do modelo deoperaccedilatildeo 1 (MO1) e do modelo de operaccedilatildeo 2 (MO2) Na etapa de configuraccedilatildeode paracircmetros satildeo definidas as caracteriacutesticas gerais das simulaccedilotildees Na etapade coleta inicial de dados uma sequecircncia de tamanho R de dados histoacutericosdas accedilotildees eacute armazenada para o caacutelculo da primeira matriz No modelo deprevisatildeo (MP) os dados satildeo tratados e enviados para que o modelo gere umsinal de previsatildeo de tendecircncia Para MO1 dado o sinal de previsatildeo natildeo neutrouma posiccedilatildeo de compravenda eacute aberta o estado do sistema eacute atualizado e aposiccedilatildeo anterior eacute zerada Jaacute em MO2 o valor do stop eacute calculado e a operaccedilatildeoeacute aberta associada aos valores de stop gain e stop loss A cada novo dadodisponiacutevel (novo candle) o modelo de previsatildeo eacute computado e todo o processoeacute repetido
73
Para quantificar o desempenho das estrateacutegias utilizamos os indicadores calculados
pela plataforma durante a execuccedilatildeo das simulaccedilotildees A descriccedilatildeo completa de cada
uma destes indicadores foi apresentada na seccedilatildeo 411 Os principais indicadores
utilizados foram
Retorno acumulado que mostra o retorno obtido com a estrateacutegia ao final da
execuccedilatildeo Eacute dado pela razatildeo entre o capital final possuiacutedo e o inicial investido
Volatilidade eacute o indicador retornado pela plataforma que representa a volatilidade da
estrateacutegia anualizada considerando os retornos diaacuterios da mesma
Sharpe eacute o iacutendice que indica a relaccedilatildeo do risco e retorno de um investimento Quanto
maior o Sharpe maior a expectativa de retorno frente ao risco associado Utiliza como
benchmark um investimento livre de risco Na simulaccedilatildeo utilizamos como benchmark
o CDI
Sortino eacute semelhante ao iacutendice Sharpe e avalia a relaccedilatildeo entre risco e retorno de
uma estrateacutegia poreacutem leva em consideraccedilatildeo apenas a volatilidade dos retornos
negativos
Max drawdown mostra a maior perda que a estrateacutegia obteve durante a execuccedilatildeo
Beta eacute o indicador que mostra a correlaccedilatildeo entre a estrateacutegia e um benchmark
medindo o quanto o crescimentodecrescimento da estrateacutegia segue o benchmark
Alpha eacute o paracircmetro que mostra o quanto a estrateacutegia se destacou positivamente dos
retornos retratados pelo benchmark
Retorno anual esperado eacute o indicador que estima o retorno que a estrateacutegia alcan-
ccedilaraacute no periacuteodo de um ano mantendo a mesma performance
Estabilidade mostra a estabilidade da estrateacutegia baseada nos retornos acumulados
PNL indica o ganho ou perda financeira ao final da execuccedilatildeo da estrateacutegia
VAR eacute utilizado para calcular o risco da estrateacutegia Na plataforma este paracircmetro
estima o pior caso esperado de retorno diaacuterio da simulaccedilatildeo
Taxas representa os custos operacionais da estrateacutegia tais como corretagem emolu-
mentos e outras tarifas de serviccedilos aplicadas ao mercado acionaacuterio brasileiro Taxas
de aluguel natildeo foram consideradas uma vez que a estrateacutegia eacute desenvolvida no
intraday5 e as posiccedilotildees satildeo zeradas no mesmo dia
72 Modelo de operaccedilatildeo 1
A estrateacutegia MO1 consiste em comprar ou vender a descoberto conforme o sinal
retornado pelo modelo e desfazer (zerar) a posiccedilatildeo no passo seguinte de acordo com
5Operaccedilotildees realizadas dentro de um mesmo dia
74
a frequecircncia do candle analisado Para esta estrateacutegia desenvolvemos trecircs funccedilotildees de
agendamento6 uma para manipulaccedilatildeo dos dados e execuccedilatildeo do modelo outra para
desfazer as posiccedilotildees abertas no mercado e por fim uma funccedilatildeo de agendamento
para emitir ordens de posicionamento (compra ou venda) de acordo com o sinal
gerado pelo modelo
Neste modelo de operaccedilatildeo aleacutem da simulaccedilatildeo eacute possiacutevel tambeacutem calcular as acu-
raacutecias da forma que foram apresentadas no capiacutetulo 6 Deste modo na proacutexima
subseccedilatildeo vamos apresentar as acuraacutecias obtidas para os mesmos dados e periacuteodos
utilizados na simulaccedilatildeo do modelo
721 Acuraacutecias
As acuraacutecias obtidas com o modelo apresentadas no capiacutetulo 6 satildeo referentes a
preccedilos de fechamento dos candles Os resultados que laacute apresentamos utilizam a
matriz de preccedilos ateacute o tempo t para gerar um sinal e encontrar os preccedilos previstos
X(t + 1) Consideramos para o caacutelculo de tendecircncia prevista a diferenccedila do preccedilo
previsto X(t+ 1) e o preccedilo real X(t) Aqui analisamos a acuraacutecia de duas formas
uma eacute idecircntica agrave anterior comparando a tendecircncia prevista agravequela observada atraveacutes
da diferenccedila entre os preccedilos de fechamento X(t) e X(t+ 1) chamaremos esta de
acuraacutecia canocircnica A outra eacute de acordo com a simulaccedilatildeo mais realiacutestica em que de
posse do preccedilo de fechamento do candle X(t) eacute possiacutevel calcular um sinal utilizando
este valor e imediatamente lanccedilar uma ordem de acordo com o sinal poreacutem o preccedilo
de execuccedilatildeo seraacute qo(t+ 1) que eacute um valor proacuteximo da abertura do candle seguinte
Desta forma a acuraacutecia deveraacute ser calculada comparando-se a tendecircncia prevista
com o movimento observado entre qo(t + 1) e X(t + 1) Estes resultados seratildeo
denominados acuraacutecias efetivas
Nas tabelas 9 e 10 mostramos as acuraacutecias obtidas para R = 500 R = 1000
R = 1500 e tambeacutem para a votaccedilatildeo unacircnime entre estes valores de R para o ano de
2017 e 2018 respectivamente Esses valores satildeo referentes a acuraacutecias canocircnicas
Os valores apresentados nas tabelas 11 e 12 satildeo referentes agraves acuraacutecias efetivas
obtidas nos anos de 2017 e 2018 respectivamente Como na simulaccedilatildeo anterior aqui
tambeacutem utilizamos os seguintes valores de R como paracircmetros de entrada para o
modelo R = 1500 R = 1000 e R = 500 Tambeacutem apresentamos a votaccedilatildeo unacircnime
entre esses valores de R
Analisando os resultados percebemos que as acuraacutecias efetivas geralmente satildeo
menores quando comparadas agraves acuraacutecias canocircnicas
6Funccedilotildees programadas para serem executadas em intervalos preacute-determinados a cada novo evento
75
Tabela 9 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespa noano de 2017
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 055176541 054323459 053798481 05496368VALE5 053415179 054329485 053480018 05384045CIEL3 053849399 054848801 054806465 05534425VALE3 052433407 052550201 051997615 05267777ITUB4 055874726 05566846 054563297 05615032PETR4 058868605 057385475 057413249 05831128ABEV3 056385379 055507608 055918367 05668191BOVA11 054358257 054148385 053963893 05485689BBAS3 053731644 052841136 053358886 05343546PETR3 054584775 054169374 053303011 05469478
Tabela 10 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespano ano de 2018
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 05248441 05222335 05313253 05270455ITUB4 053228346 053066878 052536956 05364042ITUB3 07219697 071792261 069898219 07209546ABEV3 052848723 052844997 052051169 05241737PETR4 052412925 050901468 051598078 05126012BBAS3 052238209 052155772 053148111 05242525BOVA11 054383243 053680922 053006939 05438518B3SA3 054016106 053573623 053500714 05414768VALE3 049833301 049735864 049960427 04964061MGLU3 052293755 052034095 051935298 05264673
Tabela 11 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespa noano de 2018
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 05011914 05024945 05049741 05296443VALE5 05531525 05955037 06322361 05145472CIEL3 04749896 04713191 04787458 05386266VALE3 04914488 05031373 04957248 05077800ITUB4 04987131 05083433 05004837 05428696PETR4 04947859 04978012 04975523 05332230ABEV3 04814815 04783004 04835861 05285027BOVA11 05052568 05092074 05058312 05167801BBAS3 04971075 04975282 04996000 05235765PETR3 04963441 05061648 05031515 05144113
76
Tabela 12 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespa noano de 2018
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 05101960 05039117 05081028 05101540ITUB4 05006803 05002930 05037490 05204274ITUB3 05900638 05841450 05702323 05326117ABEV3 04933448 04994650 04991361 05103865PETR4 05015291 04919239 04924980 04957188BBAS3 04973493 04922655 04955735 05166485BOVA11 05018457 05005853 04940293 05096904B3SA3 04980726 05030328 05012077 05233708VALE3 04958454 04913661 04944735 04910852MGLU3 04899507 04966571 04910714 05047889
As acuraacutecias obtidas indicam na maioria das vezes que o modelo eacute diferente de
um processo totalmente aleatoacuterio Mas somente as acuraacutecias natildeo indicam retorno
financeiro positivo pelo modelo Outras variaacuteveis devem ser consideradas tais como
taxas volatilidade e liquidez Um exemplo de accedilatildeo em que o modelo apresentou
uma acuraacutecia consideraacutevel foi a CPFE3 tanto no capiacutetulo 6 quanto para os dados
utilizados neste capiacutetulo para a simulaccedilatildeo (anos de 2017 e 2018) Poreacutem no momento
da simulaccedilatildeo este ativo apresentou problemas nas execuccedilotildees das ordens e contra
ordens devido agrave sua baixa liquidez Quando lanccedilamos a ordem de compra de 1000
accedilotildees e em seguida a contra ordem de venda da mesma quantidade em alguns
casos as ordens natildeo foram totalmente executadas (execuccedilatildeo parcial) Percebemos
que isso acontece quando o volume do candle naquele instante eacute menor que o
tamanho definido da ordem Este resultado sugere que apenas as acuraacutecias natildeo
satildeo as melhores variaacuteveis para representar o sucesso do modelo Informaccedilotildees como
liquidez volume de negociaccedilatildeo e volatilidade do ativo tambeacutem devem ser levadas
em consideraccedilatildeo Deste modo para evitarmos ordens parcialmente executadas
utilizamos na simulaccedilatildeo apenas as 10 accedilotildees com maior liquidez na Bovespa Os
resultados da simulaccedilatildeo para estas accedilotildees seratildeo apresentados na proacutexima subseccedilatildeo
722 Simulaccedilatildeo
Nesta subseccedilatildeo vamos apresentar a simulaccedilatildeo do modelo de operaccedilatildeo 1 (MO1)
utilizando as accedilotildees com maior liquidez na Bovespa Para analisar o retorno financeiro
do MO1 realizamos esta simulaccedilatildeo em dois cenaacuterios um que natildeo considera taxas
operacionais e outro em que utilizam-se os custos praticados pela Bovespa apresen-
tados na tabela 8 Para ambas as simulaccedilotildees consideramos taxa de corretagem7 zero
Este benefiacutecio eacute oferecido por algumas corretoras de valores que isentam desta taxa
7A taxa de corretagem eacute um valor cobrado pelas corretoras de valores para cada operaccedilatildeo de compra ouvenda de accedilotildees e outros ativos na Bolsa
77
de compra e venda de accedilotildees Os resultados da simulaccedilatildeo sem custos operacionais
para todo o ano de 2017 e tambeacutem no ano de 2018 satildeo apresentados nas tabelas
13 e 14 respectivamente Os indicadores obtidos quando consideramos as taxas
praticadas pela Bovespa nos mesmos periacuteodos satildeo apresentados nas tabelas 15 e
16
Tabela 13 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas ano de 2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown1015 2506 1117 102 -046Alpha Beta Retorno anual esperado Estabilidade PNL
1134 0 1036 097 R$ 1116888Taxa VaR Meacutedia caixa estrateacutegia (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -008 102121547 (1401887) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo MO1 sem taxas para o periacuteodo de 2017
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
Tabela 14 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas no ano de 2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown693 1593 1581 238 -147
Alpha Beta Retorno anual esperado Estabilidade PNL1646 -001 1648 098 R$ 15806609
Taxa VaR Meacutedia Caixa estrateacutegia (R$) Taxa de custoacutedia Taxa de aluguelR$000 -021 103123246 (3217683) R$000 R$000Nota Indicadores resultantes para a simulaccedilatildeo MO1 sem taxas para o periacuteodo de 2018
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
Tabela 15 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacionais para oano de 2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown-1928 -1928 -4326 225 -4326Alpha Beta Retorno anual esperado Estabilidade PNL
-4420 001 -4334 1 R$ -4326082Taxa VaR Meacutedia caixa estrateacutegia (R$) Taxa de custoacutedia Taxa de aluguel
R$ 5442970 -039 88914684 (637626) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo MO1 com taxas para o periacuteodo de 2017
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
Os valores dos indicadores apresentados nas tabelas 13 1415 e 16 satildeo obtidos
com a simulaccedilatildeo que utiliza a combinaccedilatildeo de todas as 10 accedilotildees para gerar o sinal e
78
Tabela 16 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacionais para oano de 2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown-992 -1015 -7030 687 -7031Alpha Beta Retorno anual esperado Estabilidade PNL
-7116 -001 -6815 1 R$ -70295405Taxa VaR Meacutedia Caixa estrateacutegia Taxa de custoacutedia Taxa de aluguel
R$ 86102015 -104 83370919 (9464573) R$000 R$000Nota Indicadores resultantes para a simulaccedilatildeo MO1 com taxas para o periacuteodo de 2018
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
posteriormente realiza operaccedilotildees com as accedilotildees nas quais o modelo envia um sinal
natildeo neutro O retorno obtido nesta situaccedilatildeo eacute o retorno acumulado ra entre todas
estas accedilotildees
Na simulaccedilatildeo sem aplicar taxas o retorno acumulado ra foi positivo no ano de 2017 e
2018 Jaacute na simulaccedilatildeo em que aplicamos taxas transacionais o retorno acumulado
ra foi negativo em ambos os periacuteodos analisados Isso exemplifica o quanto as taxas
impactam os retornos financeiros
O resultado do indicador sharpe que mostra a relaccedilatildeo entre risco e retorno de
um investimento quando comparado a um investimento sem risco foi negativo em
ambos os periacuteodos analisados para a simulaccedilatildeo aplicando taxas transacionais Jaacute as
estrateacutegias sem taxas os iacutendices apresentaram valores positivos indicando que haacute
uma relaccedilatildeo positiva entre risco e retorno da estrateacutegia
Quando avaliada a relaccedilatildeo risco e retorno da estrateacutegia levando em consideraccedilatildeo
apenas a volatilidade negativa os resultados obtidos para o indicador sortino foram
positivos para as simulaccedilotildees sem taxas e quando inseridos os custos transacionais
os resultados do indicador foram negativos em ambos os periacuteodos
Os maiores percentuais de perdas da estrateacutegia durante as execuccedilotildees retratada pelo
indicador Max drawdown foram obtidos para as estrateacutegias simuladas com taxas
sendo minus43 26 no ano de 2017 e minus70 31 no ano de 2018 Jaacute para as estrateacutegias
sem taxas os Max drawdown obtidos foram minus0 46 no ano de 2017 e minus1 47 no
ano de 2018
Os piores casos esperados de retornos diaacuterios da estrateacutegia estimado pelo indicador
VAR foram obtidos para as simulaccedilotildees com taxas No anos de 2017 o valor obtido foi
minus0 39 e no ano de 2018 o valor foi minus1 04 Para as simulaccedilotildees sem taxas o valor
foi minus0 08 no ano de 2017 e minus0 21 no ano de 2018 Analisando as simulaccedilotildees
com taxas e sem taxas percebemos que os piores casos para ambas as estrateacutegias
foram obtidos no ano de 2018 Neste mesmo periacuteodo a volatilidade anualizada da
79
estrateacutegia considerando os desvios dos retornos diaacuterios foi maior que em 2017 Isto
nos sugere que em periacuteodos de maior volatilidade diaacuteria os piores casos dos retornos
diaacuterios tendem a ser maiores do que em periacuteodos de menor volatilidade
O resultado do indicador Beta que mostra a correlaccedilatildeo do desempenho negativo e
positivo da estrateacutegia em relaccedilatildeo a um benchmark no ano de 2018 foi negativo para
a estrateacutegia executada sem taxas operacionais e tambeacutem para a estrateacutegia com taxas
No ano de 2017 o resultado de Beta para a estrateacutegia com taxas foi positivo e para a
simulaccedilatildeo sem taxas o valor de Beta foi zero
Os resultados do indicador Alpha que retorna o valor que representa o quanto a
estrateacutegia se destacou em relaccedilatildeo ao desempenho da economia (representado por
um benchmark) para as simulaccedilotildees referentes aos anos de 2017 e 2018 foram
positivos para as estrateacutegias em que natildeo aplicamos taxas operacionais Jaacute para as
estrateacutegias com taxas inseridas os resultados foram negativos em ambos os periacuteodos
O indicador de retorno anual esperado mostra o resultado estimado que a estrateacutegia
alcanccedilaraacute no periacuteodo de 1 ano Os resultados para as simulaccedilotildees sem taxas foram
positivos para ambos os periacuteodos Jaacute para as simulaccedilotildees com taxas os resultados
dos retornos estimados foram negativos para os anos de 2017 e 2018
Para as simulaccedilotildees com taxas o resultado do indicador de estabilidade da estrateacutegia
baseado no coeficiente de determinaccedilatildeo R2 dos retornos acumulados foi igual a 1
para os anos de 2017 e 2018 Para as simulaccedilotildees sem taxas os resultados foram
0 97 e 0 98 para os anos de 2017 e 2018 respectivamente
Como esperado o indicador PNL que mostra o resultado financeiro (lucro ou prejuiacutezo)
apoacutes a execuccedilatildeo da estrateacutegia para ambas as simulaccedilotildees aplicando taxas foram
negativos Jaacute para as simulaccedilotildees sem considerar taxas operacionais os resultados
para este indicador foram positivos em ambos os periacuteodos
A meacutedia de caixa da estrateacutegia ficou proacutexima do valor total de capital inicial configurado
A pouca alocaccedilatildeo de capital foi proporcionada pelo fato de que as posiccedilotildees nesta
simulaccedilatildeo satildeo zeradas no instante (candle) seguinte
Os custos referentes agrave taxa de custoacutedia8 e de aluguel de accedilotildees natildeo se aplicam nas
simulaccedilotildees uma vez que as posiccedilotildees satildeo zeradas no mesmo dia
Na maioria das vezes o modelo apresentou acuraacutecias com valores superiores a um
modelo aleatoacuterio mas ainda assim quando inserimos taxas o mesmo natildeo apresentou
um retorno financeiro consideraacutevel Isso nos motivou a investigar as estatiacutesticas dos
preccedilos e custos de execuccedilatildeo da estrateacutegia As taxas de negociaccedilatildeo liquidaccedilatildeo e
corretagem satildeo responsaacuteveis por diminuiacuterem o retorno Para explorarmos as carac-
8Eacute uma taxa cobrada pela manutenccedilatildeo de posiccedilatildeo de accedilotildees na bolsa de valores
80
teriacutesticas dos dados uma anaacutelise estatiacutestica dos preccedilos na amostra completa e nos
tempos com negociaccedilatildeo foi realizada e seraacute apresentada na proacutexima subseccedilatildeo
723 Anaacutelise estatiacutestica de resultados financeiros relativos ao MO1
Para o modelo de operaccedilatildeo 1 que zera a posiccedilatildeo no fechamento do candle eacute
possiacutevel verificar estatisticamente se os resultados obtidos estatildeo de acordo com o
que podemos esperar da estrateacutegia Ateacute aqui utilizamos a combinaccedilatildeo de todas as
10 accedilotildees para gerar o sinal e depois executamos a simulaccedilatildeo operando com todas
as accedilotildees de acordo com o sinal retornado pelo modelo Como um dos resultados
da simulaccedilatildeo eacute obtido um rendimento total agregado ra (referido como retorno
acumulado na seccedilatildeo (71) Aqui para analisarmos as estatiacutesticas do rendimento de
cada accedilatildeo continuamos usando a combinaccedilatildeo de todas as accedilotildees para gerar o sinal
poreacutem empregamos apenas uma accedilatildeo por vez para fazer as operaccedilotildees e calcular o
rendimento da estrateacutegia ltk obtido para cada accedilatildeo k Tal rendimento seraacute comparado
com o rendimento esperado das operaccedilotildees cujo caacutelculo eacute descrito a seguir
Para cada accedilatildeo durante a simulaccedilatildeo eacute possiacutevel observar η retornos9 ∆x(t) no
intervalo analisado com (t = 1 η) Como o modelo natildeo opera em todos os
passos de tempo uma vez que a operaccedilatildeo depende de um sinal natildeo neutro enviado
ele iraacute atuar em um subconjunto dos η retornos Para cada valor de t o modelo
apresenta uma probabilidade po de operar naquele dado candle Assumimos aqui que
a probabilidade que haja sinal natildeo neutro em tal candle natildeo depende de t Dado um
sinal natildeo neutro a probabilidade de que o modelo acerte a previsatildeo eacute pa e de que
erre eacute pe = 1minus pa
Consideremos que na simulaccedilatildeo foram realizadas m le η operaccedilotildees Tomando
aleatoriamente uma dessas operaccedilotildees ela pode se referir a qualquer um dos retornos
∆x(t) com probabilidade uniforme 1η Jaacute a probabilidade de qual tal operaccedilatildeo seja
referente a ∆x(t) e que a previsatildeo a ela relacionada seja acertada (errada) eacute paη
(peη)
Durante a simulaccedilatildeo se o modelo acerta a previsatildeo de tendecircncia o resultado finan-
ceiro eacute acrescido do valor do retorno Se ele erra eacute decrescido de forma equivalente
Assim se o retorno ∆x(t) de moacutedulo |∆x(t)| for escolhido para operar ele pode pro-
duzir uma variaccedilatildeo |∆x(t)| ou minus |∆x(t)| no resultado (considerando-se neste ponto
que a operaccedilatildeo se refere a uma accedilatildeo apenas e natildeo a um lote de accedilotildees) Portanto
para cada operaccedilatildeo escolhida aleatoriamente no conjunto de todas as operaccedilotildees a
probabilidade de que o retorno ∆x(t) tenha sido escolhido e que tenha levado a uma
variaccedilatildeo |∆x(t)| (minus |∆x(t)|) eacute paη (peη)
9Retornos reais entre cada um dos candles no periacuteodo da simulaccedilatildeo
81
Definamos uma variaacutevel aleatoacuteria M que pode assumir valores no conjunto
|∆x(t)| minus |∆x(t)| com probabilidade paη associada aos valores |∆x(t)| e peη
aos valores minus |∆x(t)| A variaacutevel M corresponde agrave variaccedilatildeo do resultado financeiro
de uma operaccedilatildeo escolhida aleatoriamente no conjunto das operaccedilotildees
Suponhamos que tomamos uma por uma as operaccedilotildees disponiacuteveis no conjunto ateacute
esgotaacute-lo e que somamos as variaccedilotildees correspondentes Tal soma coincide com a
variaccedilatildeo total dasm operaccedilotildees ou seja o resultado final da estrateacutegia aplicada agravequela
accedilatildeo especiacutefica A variaacutevel aleatoacuteria a ela associada eacute SM =msumj=1
Mj Consideraremos
no que segue que as Mj satildeo independentes e identicamente distribuiacutedas com
distribuiccedilatildeo igual agrave de M De fato isto eacute uma aproximaccedilatildeo do cenaacuterio real uma vez
que ao retirarmos um retorno do conjunto a distribuiccedilatildeo do mesmo muda
A meacutedia e a variacircncia de M satildeo respectivamente
microM =
ηsumi=1
paη|∆x(t)|+
ηsumi=1
peη
(minus |∆x(t)|) =
(2pa minus 1
η
) ηsumi=1
|∆x(t)| (42)
e
σ2M =
ηsumi=1
paη
(|∆x(t)| minus microM)2 +
ηsumi=1
peη
(minus |∆x(t)| minus microM)2 (43)
=
(pa + peη
)( ηsumi=1
|∆x(t)|2 +
ηsumi=1
micro2M
)minus 2microM
(pa minus peη
) ηsumi=1
|∆x(t)|
=1
η
ηsumi=1
|∆x(t)|2 minus micro2M
onde usamos pa + pe = 1 Assumindo a independecircncia entre os diferentes Mj a
meacutedia e a variacircncia de SM satildeo respectivamente
microSM= mmicroM (44)
e
σ2SM
= mσ2M (45)
Consideremos que as operaccedilotildees satildeo realizadas em lotes de tamanho λ de accedilotildees
Desta forma o valor esperado do rendimento financeiro referente agraves m operaccedilotildees
pode ser escrito como
microM =
(λ
(2pa minus 1
η
) ηsumi=1
|∆x(t)|
)m (46)
A variacircncia por sua vez
σ2M =
(λ2
η
ηsumi=1
|∆x(t)|2 minus micro2M
)m (47)
82
Para investigarmos se estatisticamente os rendimentos ltk efetivamente obtidos para
cada accedilatildeo k estatildeo de acordo com o que poderiacuteamos esperar do modelo analisamos a
partir da acuraacutecia e do retorno ∆x(t) o valor esperado de tais rendimentos As meacutedias
satildeo dadas por microM seguidas de seus desvios σM Para o caacutelculo da variaccedilatildeo das
operaccedilotildees utilizamos duas amostras a amostra que conteacutem o conjunto com todos
retornos ∆x(t) do periacuteodo analisado e a amostra que conteacutem somente os retornos
∆x(t) em que t coincide com os tempos em que o modelo operou Os resultados com
as meacutedias (desvios) calculadas (os) nas 2 amostras e os dados dos rendimentos ltkobtidos com o modelo de operaccedilatildeo 1 nos anos de 2017 e 2018 satildeo apresentados nas
tabelas 17 e 18 Os valores obtidos satildeo tambeacutem apresentados nas figuras 19 e 20
Tabela 17 ndash Rendimentos do modelo de operaccedilatildeo 1 no ano de 2017
2017 ltk Amostra completa microM (σM ) Amostra com negociaccedilatildeo microM (σM )BBDC4 1709317 2182192 (543764) 2632716 (634321)VALE5 1400752 937155 (507952) 1217775 (647243)CIEL3 1219486 2088778 (423495) 2717477 (545393)VALE3 472209 943961 (880760) 1141890 (1046772)ITUB4 234494 3064458 (504063) 3680701 (595252)PETR4 1019821 1190426 (257648) 1344799 (282312)ABEV3 966856 962073 (250578) 1179246 (310227)BOVA11 110868 149747 (67775) 171738 (74792)BBAS3 1642988 1688565 (534599) 2024818 (637786)PETR3 281642 577413 (286412) 679861 (334579)
Nota Na variaacutevel ltk apresentamos o rendimento referente a cada accedilatildeo k Em microM (σM )estatildeo os valores referentes agrave meacutedia (desvio) do retorno esperado de cada accedilatildeo Os valoresforam obtidos utilizando o caacutelculo de retornos esperados na amostra completa e na amostra
em tempos com negociaccedilatildeo
A figura 19 mostra os rendimentos esperados e os efetivamente obtidos com a
simulaccedilatildeo no ano de 2017 para a amostra completa e para os tempos com negociaccedilatildeo
Jaacute a figura 20 mostra resultados anaacutelogos para o ano de 2018
83
0
1
2
3
4104
M M M
k
0 2 4 6 8 10
Accedilotildees
0
1
2
3
4
5Ret
orno
s
104
Figura 19 ndash Rendimentos esperados e os efetivamente obtidos ltk para o ano de 2017para a amostra completa e a amostra com negociaccedilatildeo Os resultados apre-sentados satildeo referentes aos rendimentos esperados e os desvios calculadosnos tempos com negociaccedilatildeo durante a simulaccedilatildeo no ano de 2017 No quadro1 mostramos os resultados referentes agrave amostra completa no quadro 2 es-tatildeo plotados os resultados obtidos com a amostra referente a periacuteodos comnegociaccedilatildeo Os pontos na cor vermelha representam a meacutedia dos rendimen-tos efetivamente obtidos na simulaccedilatildeo os pontos verdes mostram as meacutediasdos rendimentos esperados e os pontos em azul representam o rendimentoesperado plusmn os desvios
84
Tabela 18 ndash Retornos do modelo de operaccedilatildeo 1 no ano de 2018
2018 ltk Amostra completa microM (σM ) Amostra com negociaccedilatildeo microM (σM )ABEV3 610898 435344 (299979) 507860 (348669)BOVA11 -1708 128245 (95594) 144797 (106773)MGLU3 4245592 1674092 (2915445) 2289244 (3870177)ITUB4 2587075 2247439 (765528) 2613596 (893825)PETR4 217876 -27632 (488172) -317157 (569206)BBAS3 1473077 1658255 (727962) 1999888 (874414)ITUB3 3786326 1245687 (472640) 1632559 (565428)VALE3 -625568 -1061141 (874929) -1251794 (1052079)BBDC4 1786022 943903 (663568) 1097792 (792768)B3SA3 1727016 1698116 (537150) 1997159 (627890)
Nota Na variaacutevel ltk apresentamos o rendimento referente a cada accedilatildeo k Em microM (σM )estatildeo os valores referentes agrave meacutedia (desvio) do retorno esperado de cada accedilatildeo Os valoresforam obtidos utilizando o caacutelculo de retornos esperados na amostra completa e na amostra
em tempos com negociaccedilatildeo
85
-2
0
2
4
6104
M M M
k
0 2 4 6 8 10Accedilotildees
-5
0
5
10Ret
orno
s
104
Figura 20 ndash Rendimentos esperados e os efetivamente obtidos ltk para o ano de 2018para a amostra completa e a amostra com negociaccedilatildeo Os resultados apre-sentados satildeo referentes aos rendimentos esperados e os desvios calculadosnos tempos com negociaccedilatildeo durante a simulaccedilatildeo no ano de 2018 No qua-dro 1 mostramos os resultados referentes agrave amosta completa no quadro 2estatildeo plotados os resultados obtidos com a amostra referente a periacuteodos comnegociaccedilatildeo Os pontos na cor vermelha representam a meacutedia dos rendimen-tos efetivamente obtidos na simulaccedilatildeo os pontos verdes mostram as meacutediasdos rendimentos esperados e os pontos em azul representam o rendimentosesperado plusmn os desvios
86
De acordo com os resultados apresentados nas tabelas 17 e 18 e tambeacutem nas figuras
19 e 20 podemos observar que 82 5 dos rendimentos financeiros ltk das accedilotildees
estatildeo dentro faixa de variaccedilatildeo da meacutedia do retorno esperado microM plusmn os desvios σM(33 casos em 40 observaccedilotildees) Tal resultado indica que eacute possiacutevel ter-se uma ideia
do resultado da aplicaccedilatildeo de um modelo de operaccedilatildeo a partir do conhecimento de
sua acuraacutecia e dos retornos absolutos meacutedios
724 Consideraccedilotildees sobre MO1
Neste modelo a cada passo de tempo analisamos se haacute posiccedilotildees em aberto e
fechamos a operaccedilatildeo com ordens a mercado Em alguns casos a ordem desfeita era
imediatamente refeita devido ao sinal enviado pelo modelo Este processo gerou um
nuacutemero de operaccedilotildees maior que o necessaacuterio para a aplicaccedilatildeo do modelo Assim a
simulaccedilatildeo gerou no ano de 2017 um nuacutemero de 97209 operaccedilotildees e no ano de 2018 o
total de 91733 operaccedilotildees Esta quantidade elevada de operaccedilotildees estaacute relacionado agrave
ordens e contra ordens que podem ser executadas em um mesmo instante de tempo
mas natildeo apenas a isso Sendo um modelo de operaccedilatildeo baseado em negociaccedilotildees
de curta duraccedilatildeo o ganho proveniente da acuraacutecia alcanccedilada eacute pequeno em relaccedilatildeo
agraves taxas Por outro lado o MO1 eacute mais controlaacutevel pois conhecendo as acuraacutecias
o retorno meacutedio do ativo e as taxas praticadas no mercado eacute possiacutevel definir a
partir de qual niacutevel o modelo se torna rentaacutevel A partir deste ponto neste tipo de
estrateacutegia o risco eacute menor uma vez que desfazemos rapidamente a posiccedilatildeo ficando
pouco tempo alocados no ativo diminuindo assim o risco de exposiccedilatildeo a grandes
oscilaccedilotildees de mercado Isto acontece pelo fato de que toda operaccedilatildeo eacute desfeita no
passo seguinte antes de abrir novas posiccedilotildees Outra vantagem eacute em relaccedilatildeo ao valor
reduzido de capital necessaacuterio para se manter alocado nas operaccedilotildees Desta forma
concluiacutemos que o MO1 natildeo gera bons resultados no cenaacuterio de taxas e acuraacutecias que
apresentamos Contudo para taxas menores e acuraacutecias maiores pode constituir-se
um modelo interessante devido ao baixo risco que apresenta bem como ao reduzido
capital necessaacuterio
73 Modelo de operaccedilatildeo 2
Nesta estrateacutegia quando o modelo de previsatildeo gera um sinal natildeo neutro operaccedilotildees
de compra ou venda satildeo abertas no preccedilo qo(t+ 1) que eacute o preccedilo mais proacuteximo ao de
abertura po(t+ 1) do candle seguinte disponiacutevel (ver equaccedilatildeo 40) Estas operaccedilotildees
satildeo zeradas apenas quando o preccedilo atinge um valor de stop gain (Sg) ou stop loss
(Sl) Neste modelo de operaccedilatildeo eacute possiacutevel limitar as perdas e ganhos das operaccedilotildees
de forma que as posiccedilotildees satildeo zeradas no momento que o preccedilo atinge um ganho ou
perda determinados independente do tempo No modelo definido se o preccedilo natildeo
87
atingir nenhum stop no periacuteodo da simulaccedilatildeo a posiccedilatildeo eacute fechada no uacuteltimo tempo
da amostra
Para esta estrateacutegia desenvolvemos na plataforma apenas uma funccedilatildeo de agenda-
mento que manipula os dados executa o modelo e lanccedila as ordens ao mercado de
acordo com o sinal de compra ou venda
Os valores dos stops foram inspirados na metodologia apresentada em (GARCIA
et al 2020) Aqui adaptamos para que os valores de uma meacutedia relativa sejam
calculados em uma janela deslizante precedente ao dado analisado Os stops satildeo
definidos com base no moacutedulo do retorno meacutedio de cada accedilatildeo calculado na janela de
dados Q que tambeacutem eacute utilizada para caacutelculo do quartil no periacuteodo precedente ao
instante analisado Esta metodologia eacute utilizada para evitar o uso de dados futuros no
caacutelculo Os valores dos stops foram definidos como
Sl = qo(t+ 1)minus κl
(|∆x|(t)x(t)
)qo(t+ 1) (48)
e
Sg = qo(t+ 1) + κg
(|∆x|(t)x(t)
)qo(t+ 1) (49)
onde x(t) eacute o preccedilo de fechamento no tempo t qo(t + 1) eacute o preccedilo de abertura da
posiccedilatildeo κl = 10 e κg = 20 satildeo paracircmetros escolhidos Jaacute |∆x|(t) eacute a meacutedia dos
moacutedulos dos retornos na janela de tamanho Q dada por
|∆x|(t) =1
Q
tminus1sumτ=tminusQ
∆x(τ) (50)
Estes valores foram definidos considerando a variaccedilatildeo de cada accedilatildeo Assim a cada
instante de tempo o valor do stop varia tanto pela mudanccedila da janela de dados pelo
preccedilo x(t) e tambeacutem pelo preccedilo de abertura de cada operaccedilatildeo qo(t+ 1)
Nesta estrateacutegia como as operaccedilotildees levam mais passos de tempo para serem
zeradas aqui a alocaccedilatildeo de capital durante a execuccedilatildeo foi muito maior que no modelo
de operaccedilatildeo 1 Em todos os periacuteodos analisados o valor financeiro em caixa ficou
em algum momento da execuccedilatildeo totalmente alocado
Analogamente agrave seccedilatildeo anterior para mostrar o efeito das taxas no retorno financeiro
aqui tambeacutem simulamos em dois cenaacuterios Em um deles natildeo aplicamos taxas de
negociaccedilatildeo Na outra estrateacutegia utilizamos as taxas praticadas pela Bovespa que
foram apresentadas na tabela 8
88
Os resultados das simulaccedilotildees sem taxas para o ano de 2017 e 2018 satildeo apresenta-
dos nas tabelas 19 e 20 respectivamente Nestes resultados natildeo consideramos a
remuneraccedilatildeo do capital parado no decorrer da estrateacutegia
Para mostrar a consistecircncia do modelo em diferentes periacuteodos executamos as es-
trateacutegias em todos os quadrimestres do ano de 2017 e 2018 Esta simulaccedilatildeo em
diferentes periacuteodos eacute para evitar a super otimizaccedilatildeo (overfitting) do modelo A super
otimizaccedilatildeo acontece quando a estrateacutegia depois de vaacuterios ajustes funciona muito
bem no periacuteodo analisado poreacutem em outros periacuteodos os resultados natildeo se repetem
tendo um resultado pior Os paracircmetros perfeitos satildeo encontrados para aquele periacuteodo
e soacute funcionam bem naquela amostra Uma forma de testar a estrateacutegia eacute simulando
em periacuteodos diferentes para o teste de validaccedilatildeo Por isso aplicamos a estrateacutegia em
6 diferentes quadrimestres
Os resultados da simulaccedilatildeo para o ano de 2017 com taxas praticadas no mercado
satildeo apresentados na tabela 21 Para o ano de 2018 os resultados satildeo mostrados na
tabela 22 Nestes resultados tambeacutem natildeo consideramos a remuneraccedilatildeo do capital
parado no decorrer da estrateacutegia Como taxa de negociaccedilatildeo utilizamos o maior valor
de taxa de negociaccedilatildeo da Bovespa para day trade apresentado na tabela 8 Como
analisamos vaacuterios periacuteodos o nuacutemero de tabelas e consequentemente o nuacutemero de
indicadores resultantes das simulaccedilotildees eacute grande portanto vamos fazer uma anaacutelise
geral dos resultados
Os valores dos indicadores apresentados nas tabelas 19 20 21 e 22 satildeo obtidos
com a simulaccedilatildeo da estrateacutegia que utiliza a combinaccedilatildeo de todas as 10 accedilotildees para
gerar o sinal e negocia apenas com as accedilotildees em que o modelo retorna um sinal natildeo
neutro indicando uma operaccedilatildeo naquele instante O retorno obtido nesta situaccedilatildeo eacute o
retorno acumulado ra
Nas simulaccedilotildees quando aplicamos a estrateacutegia sem inserir taxas os resultados dos
retornos acumulados ra foram positivos em todos os periacuteodos dos anos de 2017 e
2018 analisados Para a simulaccedilatildeo utilizando taxas aplicadas ao cenaacuterio brasileiro
todos os periacuteodos analisados tambeacutem apresentaram retorno acumulado positivo
com exceccedilatildeo do quadrimestre 1 de 2018 Considerando-se todo o ano de 2017 a
estrateacutegia rendeu 28 5 e o desempenho do Ibovespa foi 20 09 Jaacute no ano de
2018 inteiro o desempenho da estrateacutegia foi 28 94 e o Ibovespa apresentou um
rendimento de 15 03 Todas as taxas anuais de crescimento do Ibovespa desde
o ano de 1968 satildeo apresentadas na tabela 22 anexada ao capiacutetulo C A taxa de
crescimento apresentada refere-se agrave taxa meacutedia de variaccedilatildeo do iacutendice composta
anualmente entre dois periacuteodos (BMampFBOVESPA 2019)
Os resultados do indicador alpha que representa o quanto a estrateacutegia se destacou
em relaccedilatildeo ao desempenho da economia (representado por um benchmark) foram
89
positivos para as simulaccedilotildees em todos os periacuteodos dos anos de 2017 e 2018
O indicador de retorno anual esperado que mostra o resultado estimado que a
estrateacutegia alcanccedilaraacute no periacuteodo de 1 ano foi positivo em todos os periacuteodos analisados
O indicador PNL que mostra o resultado financeiro (lucro ou prejuiacutezo) apoacutes a execuccedilatildeo
da estrateacutegia foi positivo para os periacuteodos analisados exceto no primeiro quadrimestre
de 2018
A meacutedia de caixa desta estrateacutegia eacute menor que a estrateacutegia anterior No decorrer da
simulaccedilatildeo em alguns instantes o capital ficou completamente alocado nas operaccedilotildees
A maior alocaccedilatildeo de capital foi proporcionada pelo fato de que as posiccedilotildees nesta
simulaccedilatildeo satildeo zeradas apenas quando os stops satildeo alcanccedilados
Os indicadores sharpe e sortino foram positivos em todos os periacuteodos analisados
Os maiores percentuais de perdas da estrateacutegia durante as execuccedilotildees retratados
pelo indicador Max Drawdown foram observados para as estrateacutegias simuladas com
taxas no ano de 2018 O primeiro quadrimestre de 2018 apresentou uma perda de
minus21 68 corroborando o fato de ser o uacutenico periacuteodo de retorno negativo De acordo
com o indicador de volatilidade este periacuteodo tambeacutem apresentou grandes variaccedilotildees
nos retornos diaacuterios
Para mostrar os retornos obtidos com MO2 elaboramos a figura 21 Nela apresenta-
mos os retornos obtidos com MO2 na simulaccedilatildeo com taxas e sem taxas operacionais
e tambeacutem o iacutendice sharpe associado a cada periacuteodo
90
2017 Q1 Q2 Q3-02
0
02
04
06
08Sem taxasCom taxas
2018 Q1 Q2 Q3
Periacuteodo
-02
0
02
04
06
08
Ret
orno
2017 Q1 Q2 Q3
0
2
4
6
8
2018 Q1 Q2 Q3
0
2
4
6
8
Sha
rpe
(a) (c)
(d)(b)
Figura 21 ndash Retornos e riscos do modelo de operaccedilatildeo 2 Os resultados satildeo referentesaos retornos da simulaccedilatildeo com MO2 Os periacuteodos analisados foram os anosde 2017 e 2018 e tambeacutem os seus quadrimestres As barras nas cores rochasrepresentam os resultados para as simulaccedilotildees sem considerar taxas operacio-nais Jaacute as barras amarelas correspondem aos resultados obtidos aplicandoas taxas operacionais Os valores referentes ao ano de 2017 e 2018 indicamque a simulaccedilatildeo foi executada em todo o periacuteodo Os valores representadospor Q1 Q2 e Q3 correspondem agrave simulaccedilatildeo executada nos quadrimestres 1 2e 3 respectivamente (a) Retornos acumulados ra para os dois cenaacuterios (comtaxas e sem taxas) no ano de 2017 (b) Retornos acumulados ra no periacuteododo ano de 2018 (c) Valores dos indicadores de risco Sharpe associados acada periacuteodo da simulaccedilatildeo no ano de 2017 (d) Iacutendices Sharpe obtidos para asexecuccedilotildees no periacuteodo do ano de 2018
91
Tabela 19 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de 2017
2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown657 128 5678 876 -605
Alpha Beta Retorno anual esperado Estabilidade PNL6168 -005 5757 097 R$ 5678240
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -078 64393516 (30624023) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
235 427 1165 1159 -605Alpha Beta Retorno anual esperado Estabilidade PNL
4576 -007 272 059 R$ 1164811Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -11 48641798 (23030791) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown535 1604 1904 92 -258
Alpha Beta Retorno anual esperado Estabilidade PNL7827 -026 4921 087 R$ 1904128
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -081 57881234 (23758755) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
614 1145 2026 964 -313Alpha Beta Retorno anual esperado Estabilidade PNL814 0 5921 092 R$ 2026282Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -084 51876029 (25483795) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) e
loss Sl (equaccedilatildeo 48) e sem taxas para o periacuteodo de 2017 para as 10 accedilotildees com maiorliquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e as
operaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
92
Tabela 20 ndash Resultados da simulaccedilatildeo utilizando stop gain Sg (equaccedilatildeo 49) e loss Sl (equa-ccedilatildeo 48) sem taxas para o ano de 2018
2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown356 622 6809 2060 -1695
Alpha Beta Retorno anual esperado Estabilidade PNL8077 -016 7335 084 R$ 6808514
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -198 49907873 (3584272) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
165 264 838 1828 -1605Alpha Beta Retorno anual esperado Estabilidade PNL
4658 -028 3015 016 R$ 838228Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -181 34022838 (25116093) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown17 257 1362 2102 -998
Alpha Beta Retorno anual esperado Estabilidade PNL4235 -017 3566 07 R$ 1361668
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -206 47088196 (24412598) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
344 625 2894 2507 -1419Alpha Beta Retorno anual esperado Estabilidade PNL
15673 -016 8618 053 R$ 2893581Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -236 42943842 (31200691) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) e
loss Sl (equaccedilatildeo 48) e sem taxas para o periacuteodo de 2018 para as 10 accedilotildees com maiorliquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e as
operaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
93
Tabela 21 ndash Resultados da simulaccedilatildeo utilizando stops com taxas para o ano de 2017
2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown317 557 285 925 -876
Alpha Beta Retorno anual esperado Estabilidade PNL3209 -006 2931 092 R$ 2850080
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 2655792 -089 52251856 (25794512) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
009 016 329 1194 -876Alpha Beta Retorno anual esperado Estabilidade PNL
1446 -008 113 0 R$ 329094Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 837962 -12 45107409 (22338608) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown281 71 1102 915 -361
Alpha Beta Retorno anual esperado Estabilidade PNL4552 -026 257 066 R$ 1102081
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 786141 -086 54523754 (23077241) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
305 509 1115 974 -398Alpha Beta Retorno anual esperado Estabilidade PNL
4109 0 2973 074 R$ 1115101Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 892833 -091 47685863 (24334232) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) eloss Sl (equaccedilatildeo 48) e aplicando taxas para o periacuteodo de 2017 para as 10 accedilotildees com maior
liquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e asoperaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
94
Tabela 22 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de 2018
2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown153 257 2894 2280 -2286
Alpha Beta Retorno anual esperado Estabilidade PNL4015 -022 3494 057 R$ 2894068
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 3984469 -228 35930005 (28150524) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown-047 -07 -413 1923 -2168Alpha Beta Retorno anual esperado Estabilidade PNL16 -031 -913 002 R$ -412633Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 1254255 -201 29946591 (23861408) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown047 069 489 2143 -1107
Alpha Beta Retorno anual esperado Estabilidade PNL1263 -018 10 016 R$ 489178
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 948899 -216 43434458 (23167973) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
184 315 1606 2586 -176Alpha Beta Retorno anual esperado Estabilidade PNL861 -019 477 027 R$ 1606190Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 1270134 -253 38207694 (29001582) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) eloss Sl (equaccedilatildeo 48) e aplicando taxas para o periacuteodo de 2018 para as 10 accedilotildees com maior
liquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e asoperaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
95
74 Consideraccedilotildees finais
Os dois modelos de operaccedilatildeo descritos tecircm caracteriacutesticas diferentes e apresentam
vantagens e desvantagens em relaccedilatildeo ao outro O modelo de operaccedilatildeo 1 que zera a
posiccedilatildeo no tempo seguinte antes de abrir novas operaccedilotildees tem a vantagem de que o
tempo de permanecircncia na posiccedilatildeo eacute muito pequeno diminuindo o risco de exposiccedilatildeo
a grandes oscilaccedilotildees do mercado Poreacutem o excessivo nuacutemero de operaccedilotildees leva a
taxas operacionais elevadas inviabilizando a execuccedilatildeo em mercados reais Por outro
lado o MO1 eacute mais controlaacutevel e nos daacute uma ideia de qual o patamar de taxas a
partir do qual torna-se rentaacutevel Jaacute o modelo de operaccedilatildeo 2 tem um nuacutemero menor de
operaccedilotildees em contrapartida o risco associado agrave estrateacutegia eacute maior uma vez que
a operaccedilatildeo soacute eacute zerada quando atinge um valor de stop O nuacutemero de operaccedilotildees
em MO1 foi 97209 em 2017 e 91733 em 2018 enquanto o nuacutemero de operaccedilotildees de
MO2 em todo o ano de 2017 foi 9534 no ano de 2018 a quantidade de operaccedilotildees de
MO2 foi 9238 O nuacutemero de execuccedilotildees em MO2 ficou em torno de 10 em relaccedilatildeo
ao nuacutemero de operaccedilotildees realizadas em MO1
Analisando os resultados das simulaccedilotildees percebemos que os melhores resultados
dos rendimentos foram obtidos com a estrateacutegia 2 Embora MO2 tenha se mostrado
mais lucrativo o modelo de operaccedilatildeo 1 praticamente natildeo apresenta risco Com relaccedilatildeo
a MO2 como mitigaccedilatildeo do risco temos o fato de que os valores de stop loss satildeo
pequenos Percebemos isso analisando a equaccedilatildeo 48 Uma vez que x(t) eacute o preccedilo de
fechamento e qo(t+ 1) eacute o preccedilo de abertura de posiccedilatildeo no candle seguinte podemos
observar que qo(t+1)x(t)
sim= 1 Assim o stop loss eacute aproximadamente
Sl sim= qo(t+ 1)minus κl(|∆x|
)(t) (51)
Uma vez que escolhemos κl = 10 o valor da perda maacutexima por operaccedilatildeo satildeo
significativamente menores que o valor da accedilatildeo Durante a simulaccedilatildeo para o caacutelculo
do stop utilizamos a janela de dados Q precedente ao tempo investigado para calcular
uma meacutedia dos moacutedulos dos retornos naquela janela definida como(|∆x|
)(t) Aqui
para analisar relaccedilatildeo entre os valores dos stops e os preccedilos das accedilotildees utilizamos
as seacuteries de fechamento referentes a todo o periacuteodo da simulaccedilatildeo e calculamos a
meacutedia dos moacutedulos dos retornos definida por |∆pc| e a meacutedia dos preccedilos de cada
accedilatildeo definida por pc Assim supondo |∆pc| sim=(|∆x|
)(t) podemos considerar a
aproximaccedilatildeo apresentada na equaccedilatildeo 51 com isso percebemos que os valores dos
stops satildeo substancialmente menores que os valores das accedilotildees A tabela 23 mostra
as meacutedias dos moacutedulos dos retornos |∆pc| meacutedias de preccedilos pc e as razotildees pc|∆pc|
Por outro lado como mitigaccedilatildeo do risco tambeacutem podemos considerar o fato de traba-
lharmos com uma carteira de accedilotildees diversificada Em uma evoluccedilatildeo do trabalho seria
96
interessante desenvolver um modelo de controle de risco utilizando as correlaccedilotildees
entre as accedilotildees
Em relaccedilatildeo agrave alocaccedilatildeo de capital o risco no modelo de operaccedilatildeo 2 eacute maior pois em
todas as simulaccedilotildees em algum momento o capital disponiacutevel zerou Jaacute no modelo
de operaccedilatildeo 1 durante a simulaccedilatildeo utilizamos em meacutedia apenas 20 do capital
disponiacutevel Poreacutem em todas as simulaccedilotildees o modelo de operaccedilatildeo 2 apresentou
melhores resultados que o modelo de operaccedilatildeo 1
Tabela 23 ndash Meacutedia de preccedilos e retornos das accedilotildees
2017|∆pc| pc
pc|∆pc|
BBDC4 002558665 2187134354 000117VALE5 003627768 2887922779 0001256CIEL3 002340959 1953467112 0001198VALE3 004188494 2950070746 000142ITUB4 002380873 2314603021 0001029PETR4 001766138 1399935784 0001262ABEV3 001726891 1814834573 0000952BOVA11 004623921 6587925137 0000702BBAS3 003640741 2898630173 0001256PETR3 002058712 1523066685 0001352
2018|∆pc| pc
pc|∆pc|
ABEV3 00216501 1924430907 0001125BOVA11 00701715 7894486398 0000889MGLU3 021140572 11969484777 0001766ITUB4 003648753 2954197693 0001235PETR4 003357403 2018010619 0001664BBAS3 00510998 3443680947 0001484ITUB3 002432655 2547002471 0000955VALE3 006316666 4901690744 0001289BBDC4 00367708 2628898962 0001399B3SA3 003739952 2353833938 0001589
Nota Os valores satildeo referentes agrave meacutedia dos moacutedulos dos retornos |∆pc| meacutedia dos preccedilospc de cada accedilatildeo e as razotildees pc
|∆pc| Seacuteries de preccedilos de fechamentos relativos aos periacuteodos
em que executamos a simulaccedilatildeo (2017 e 2018) foram utilizadas
97
Capiacutetulo 8
Conclusatildeo
O trabalho teve o objetivo de desenvolver um modelo baseado em um sistema de
equaccedilotildees diferenciais lineares aplicado ao mercado acionaacuterio O intuito foi contribuir
para a compreensatildeo da dinacircmica dos preccedilos no mercado financeiro e auxiliar na
decisatildeo de compra e venda das accedilotildees listadas na Bovespa Para tal nos apoiamos
na lacuna deixada pela hipoacutetese de mercado eficiente
Como parte do desenvolvimento do trabalho inicialmente realizamos uma pesquisa
bibliograacutefica Nesta autores importantes defendem que os mercados satildeo eficientes
e que as seacuteries de preccedilos passados natildeo trazem informaccedilotildees de preccedilos futuros
Na contramatildeo da teoria claacutessica outros autores mostram que os mercados natildeo
satildeo tatildeo eficientes em termos de equiliacutebrio de preccedilos e que as seacuteries apresentam
alguma memoacuteria e um certo niacutevel de correlaccedilatildeo Tendo em vista estas possibilidades
e acreditando que o mercado de accedilotildees brasileiro tambeacutem apresenta resiacuteduos de
ineficiecircncia elaboramos um modelo para ajudar na compreensatildeo da dinacircmica do
mercado de accedilotildees Para tal desenvolvemos um modelo baseado em um sistema de
equaccedilotildees diferencias lineares com o objetivo de prever tendecircncias de preccedilos das
accedilotildees
No capiacutetulo 5 apresentamos a formulaccedilatildeo do modelo baseado em um sistema de
equaccedilotildees diferenciais lineares e a sua adaptaccedilatildeo para um novo modelo de ajuste de
pontos bem como a definiccedilatildeo de um modelo de previsatildeo de tendecircncia de preccedilos
Diante das seacuteries de dados dos ativos calculamos as matrizes de coeficientes A(t)
Para verificar a variaccedilatildeo de tais matrizes em t calculamos a distacircncia entre as matrizes
obtidas em tempos adjacentes O resultado da anaacutelise foi que agrave medida em que
aumentamos o valor deR as distacircncias das matrizes calculadas em tempos seguintes
diminuiacuteam Este resultado nos sugere que as matrizes A(t) satildeo boas estimativas para
A(t+ 1) podendo assim serem utilizadas como paracircmetro no modelo de previsatildeo
No capiacutetulo 6 exploramos algumas das possibilidades de combinaccedilatildeo de paracircmetros
e dados para ajustar o modelo de previsatildeo de forma a obter melhores resultados de
98
acuraacutecia As anaacutelises foram realizadas utilizando diferentes valores de R diferentes
nuacutemeros de accedilotildees vaacuterias granularidades das seacuteries de dados expoente de Hurst e
tambeacutem a votaccedilatildeo entre os valores de R Nesta parte do trabalho tambeacutem investiga-
mos o niacutevel de eficiecircncia em dois tipos de mercados com caracteriacutesticas diferentes
por meio da anaacutelise dos resultados de acuraacutecias As anaacutelises foram realizadas utili-
zando as accedilotildees dos iacutendices Dow Jones e Ibovespa e os resultados apontaram que
as melhores taxas de acuraacutecias foram obtidas no mercado brasileiro indicando uma
certa ineficiecircncia
Como resultado da exploraccedilatildeo do modelo definimos os paracircmetros satisfatoacuterios dentro
do cenaacuterio explorado Como mencionamos anteriormente natildeo podemos afirmar que
os paracircmetros definidos satildeo os oacutetimos Para tal afirmaccedilatildeo seria necessaacuterio um estudo
mais elaborado utilizando teacutecnicas de otimizaccedilatildeo
Na investigaccedilatildeo foram considerados os paracircmetros que retornaram as melhores taxas
de acuraacutecias do modelo na previsatildeo de tendecircncia dos preccedilos das accedilotildees Quando
analisamos os resultados dos diferentes valores de R observamos que para valores
maiores de R as acuraacutecias a tendem a aumentar Assim para as anaacutelises que
utilizaram apenas uma janela para o ajuste o valor definido foi R = 1000 Jaacute para
anaacutelises aplicando a votaccedilatildeo os valores dos paracircmetros definidos foram R = 500
R = 1000 e R = 1500
Quando analisamos os resultados obtidos de a em relaccedilatildeo agrave quantidade de accedilotildees
utilizadas na combinaccedilatildeo das seacuteries de entrada para o modelo percebemos uma
moderada melhora nos valores em torno da combinaccedilatildeo de 10 accedilotildees (ver figura 10)
Na anaacutelise da relaccedilatildeo entre a acuraacutecia do modelo e a granularidade dos dados os
melhores resultados foram obtidos para a frequecircncia de cotaccedilatildeo de 5 minutos
Quando analisamos a associaccedilatildeo entre as acuraacutecias obtidas e os expoentes de
Hurst H das seacuteries em geral natildeo encontramos padrotildees relevantes relacionados agraves
acuraacutecias e tais expoentes Um padratildeo atiacutepico foi encontrado para a accedilatildeo CPFE3
em que o expoente de Hurst da seacuterie correspondente tem o valor baixo (H = 0 28)
enquanto que o valor da acuraacutecia para esta accedilatildeo eacute relevante (a = 68 10) Calculando
os coeficientes de correlaccedilatildeo linear de Pearson ρ entre as acuraacutecias obtidas em cada
quadrimestre e os expoentes de Hurst calculados nos respectivos periacuteodos os valores
obtidos de ρ foram negativos em todos os casos Os valores mais significativos
foram obtidos para as accedilotildees do Ibovespa Estes resultados indicam que haacute uma
anti-correlaccedilatildeo entre as acuraacutecias obtidas e os expoentes H das seacuteries analisadas
A outra exploraccedilatildeo do modelo foi baseada na votaccedilatildeo em relaccedilatildeo agrave direccedilatildeo da
tendecircncia prevista utilizando 10 diferentes valores de R Os resultados natildeo apontaram
ganhos significativos em relaccedilatildeo agrave utilizaccedilatildeo de apenas o valor R = 1000 A vantagem
do uso da teacutecnica de votaccedilatildeo estaacute na possibilidade de aumento do tamanho da
99
amostra uma vez que teremos mais sinais natildeo neutros retornados pelo modelo
(retornos previstos no quarto quartil)
Nesta parte do trabalho tambeacutem investigamos a consistecircncia dos resultados apli-
cando o modelo de previsatildeo em diferentes periacuteodos Os resultados sugeriram que
o modelo manteacutem consistecircncia nos diferentes quadrimestres em relaccedilatildeo agraves accedilotildees
que apresentaram melhores acuraacutecias e tambeacutem em relaccedilatildeo aos seus valores de
acuraacutecias
Dessa maneira os paracircmetros definidos para a simulaccedilatildeo foram baseados nesse
capiacutetulo de exploraccedilatildeo do modelo Estas anaacutelises foram importantes para ajudar
na definiccedilatildeo da quantidade de accedilotildees frequecircncia de cotaccedilatildeo e tamanho da janela
de dados que foram utilizadas na simulaccedilatildeo Como resultado as seacuteries utilizadas
foram as com frequecircncia de cotaccedilatildeo de 5 minutos das 10 accedilotildees com maior liquidez
na Bovespa A votaccedilatildeo entre os sinais obtidos com diferentes tamanhos de R foi
utilizada como sinal de tendecircncia Nesta exploraccedilatildeo tambeacutem observamos que os
melhores resultados foram obtidos no mercado brasileiro sendo este o definido para a
simulaccedilatildeo O mercado emergente escolhido para a simulaccedilatildeo foi devido agrave expectativa
de que o modelo tenha melhor desempenho neste cenaacuterio
No capiacutetulo 7 desenvolvemos duas estrateacutegias de negociaccedilatildeo baseadas no modelo
apresentado no capiacutetulo 5 Em ambas as estrateacutegias se o modelo envia um sinal
natildeo neutro as operaccedilotildees satildeo abertas de acordo com a tendecircncia do preccedilo prevista
(alta ou baixa) No modelo de operaccedilatildeo 1 (MO1) as operaccedilotildees satildeo fechadas a cada
passo de tempo (cada candle) com ordens a mercado No modelo de operaccedilatildeo 2
(MO2) as operaccedilotildees satildeo fechadas de acordo com os valores dos stops defindos
nas equaccedilotildees 48 e 49 Ambos os modelos de negociaccedilatildeo apresentaram custos de
processamento baixos sendo possiacutevel a execuccedilatildeo em frequecircncias de dados menores
Para quantificar o efeito dos custos operacionais as estrateacutegias foram simuladas sem
considerar taxas e tambeacutem aplicando taxas operacionais
O modelo de operaccedilatildeo 1 quando executado aplicando taxas natildeo obteve um retorno
financeiro satisfatoacuterio Sendo um modelo de operaccedilatildeo baseado em negociaccedilotildees de
curta duraccedilatildeo o ganho proveniente da acuraacutecia alcanccedilada eacute pequeno em relaccedilatildeo agraves
taxas Poreacutem este modelo foi importante para a anaacutelise estatiacutestica dos dados nos
periacuteodos utilizados na simulaccedilatildeo Tambeacutem foi um modelo importante para a anaacutelise
das acuraacutecias e o retorno acumulado De fato que as acuraacutecias por si soacute natildeo satildeo
bons indicadores de sucesso de um modelo Outras variaacuteveis devem ser levadas em
consideraccedilatildeo tais como liquidez volume e volatilidade do ativo
O MO1 eacute mais controlaacutevel pois conhecendo as acuraacutecias o retorno meacutedio do ativo
e as taxas praticadas no mercado eacute possiacutevel definir em qual niacutevel o modelo se
torna rentaacutevel A partir deste ponto o risco eacute menor uma vez que nesta estrateacutegia
100
desfazemos as posiccedilotildees a cada passo de tempo natildeo ficando expostos a grandes
oscilaccedilotildees do mercado O valor financeiro investido para se manter alocado nas
posiccedilotildees tambeacutem eacute menor A desvantagem eacute em relaccedilatildeo ao elevado nuacutemero de
operaccedilotildees realizadas gerando altas taxas operacionais
Dessa maneira concluiacutemos que o MO1 natildeo gera bons resultados no cenaacuterio de taxas
e acuraacutecias que apresentamos Contudo para taxas menores e acuraacutecias maiores
pode constituir-se um modelo interessante devido ao baixo risco que apresenta bem
como ao reduzido capital necessaacuterio
O modelo de operaccedilatildeo 2 apresentou um retorno financeiro interessante mesmo no
contexto real considerando os custos operacionais da Bovespa o modelo ainda
apresentou resultados consistentes nos periacuteodos analisados (resultados positivos
em cinco quadrimestres e negativo em apenas um) Estes resultados nos sugerem
indiacutecios em direccedilatildeo a desvios da hipoacutetese de mercado eficiente A vantagem do MO2
eacute o nuacutemero reduzido de operaccedilotildees Como mitigaccedilatildeo do risco deste modelo podemos
considerar o fato de trabalharmos com uma carteira diversificada de accedilotildees (10 accedilotildees
mais negociadas na Bovespa nos anos de 2017 e 2018) Tambeacutem como amenizaccedilatildeo
de risco podemos considerar a escolha de valores de stop loss pequenos em relaccedilatildeo
aos preccedilos das accedilotildees Assim os valores das perdas maacuteximas por operaccedilatildeo satildeo
significativamente menores que os valores das accedilotildees limitando as perdas caso a
operaccedilatildeo seja fechada com stop loss (ver tabela 23)
Diante dos resultados o modelo de operaccedilatildeo 2 apresentou maiores ganhos e se apre-
sentou como uma alternativa promissora como estrateacutegia de operaccedilatildeo em mercados
reais Poreacutem apesar de MO2 ter se mostrado mais rentaacutevel durante a simulaccedilatildeo natildeo
podemos afirmar que pode ser utilizado como ferramenta de decisatildeo para operaccedilotildees
em mercado real O modelo deve ser submetido em outros intervalos em outras situa-
ccedilotildees de mercado e tambeacutem levando em consideraccedilatildeo outras variaacuteveis para que se
possa obter consistecircncia estabilidade e com isso aumentar os retornos financeiros
Assim este trabalho natildeo tem por finalidade apresentar uma ferramenta de negociaccedilatildeo
finalizada para ser aplicada no mercado real
Durante o trabalho detectamos resiacuteduos de ineficiecircncia nas seacuteries de preccedilos ana-
lisadas Estes resiacuteduos possibilitam oportunidades de arbitragem Isto nos levou a
acreditar que eacute possiacutevel fazer inferecircncia do preccedilo futuro baseando-se em dados passa-
dos Assim os resultados aqui apresentados apontam na direccedilatildeo de explicitar desvios
da Hipoacutetese de Mercado Eficiente no mercado brasileiro Dadas estas oportunidades
e a importacircncia do tema estudado considera-se que muito haacute ainda que percorrer no
campo da investigaccedilatildeo nesta aacuterea sendo portanto um campo feacutertil para trabalhos
futuros
101
81 Trabalhos Futuros
Dentre as inuacutemeras possibilidades de futuras investigaccedilotildees destacamos as seguintes
propostas
ndash Ateacute este ponto do trabalho sugerimos que nossos dados podem ser descritos
por um modelo de regressatildeo multidimensional Poreacutem eacute preciso testar a ade-
quaccedilatildeo do modelo como tal com rigor estatiacutestico Lembremos que a violaccedilatildeo
das premissas natildeo invalida o modelo pois ateacute o momento estamos interessados
principalmente nos resultados de acerto de previsatildeo de tendecircncia
ndash Utilizar teacutecnicas de otimizaccedilatildeo para auxiliar na escolha de paracircmetros oacutetimos
para aplicar ao modelo de previsatildeo
ndash Calcular valores de stop gain e stop loss por meio de teacutecnicas de otimizaccedilatildeo
ndash Desenvolver um modelo de controle de risco com criteacuterios de otimizaccedilatildeo de
carteiras para minimizar o risco das estrateacutegias
ndash Utilizar o modelo em combinaccedilatildeo com outros indicadores
ndash Testar o modelo em negociaccedilatildeo de contratos em ambiente de mercados futuros
tais como commodities (agriacutecola1 mineral2) moedas (doacutelar e euro) e iacutendices
(Bovespa e SampP 500)
1Soja milho trigo e cafeacute2Petroacuteleo mineacuterio de ferro e ouro
102
Referecircncias
AGUIRRE L Introduccedilatildeo agrave Identificaccedilatildeo de Sistemas ndash Teacutecnicas Lineares e Natildeo-Lineares Aplicadas a Sistemas Reais Editora UFMG 2007 ISBN 9788570415844Disponiacutevel em lthttpsbooksgooglecombrbooksid=f9IwE7Ph0fYCgt Citado 3vezes nas paacuteginas 8 31 e 113
AL-KHAZALI O M PYUN C S KIM D Are exchange rate movements predictablein asia-pacific markets evidence of random walk and martingale difference processesInternational Review of Economics amp Finance Elsevier v 21 n 1 p 221ndash2312012 Citado 2 vezes nas paacuteginas 1 e 14
ALLEZ R BOUCHAUD J-P Individual and collective stock dynamics intra-dayseasonalities New Journal of Physics IOP Publishing v 13 n 2 p 025010 2011Citado na paacutegina 5
ALONSO-RIVERA A CRUZ-AKEacute S VENEGAS-MARTIacuteNEZ F Impact of monetarypolicy on financial markets efficiency and speculative bubbles A non-linear entropy-based approach 2014 Citado na paacutegina 14
ANATOLYEV S GOSPODINOV N Modeling financial return dynamics via decompo-sition Journal of Business amp Economic Statistics Taylor amp Francis 2012 Citadona paacutegina 4
ATSALAKIS G K V Surveying stock market forecasting techniques - part i Conven-tional methods Computation optimization in economics and finance researchcompendium p 49ndash104 01 2013 Citado 2 vezes nas paacuteginas 4 e 17
ATSALAKIS G S VALAVANIS K P Surveying stock market forecasting techniquesndashpart ii Soft computing methods Expert Systems with Applications Elsevier v 36n 3 p 5932ndash5941 2009 Citado 2 vezes nas paacuteginas 4 e 17
BARKOULAS J T BAUM C F Long-term dependence in stock returns EconomicsLetters Elsevier v 53 n 3 p 253ndash259 1996 Citado 2 vezes nas paacuteginas 1 e 14
BELAIRE-FRANCH J OPONG K K Testing for random walk in euro exchange ratesusing the subsampling approach Applied Economics Letters Taylor amp Francis v 17n 12 p 1145ndash1151 2010 Citado 2 vezes nas paacuteginas 1 e 14
BMampFBOVESPA Metodologia do iacutendice Bovespa 2015 Disponiacutevel em lthttpwwwb3combrpt_brmarket-data-e-indicesindicesindices-amplosibovespahtmgt Citadona paacutegina 21
BMampFBOVESPA Taxa meacutedia de crescimento Ibovespa 2019 Disponiacute-vel em lthttpwwwb3combrpt_brmarket-data-e-indicesindicesindices-amplosindice-ibovespa-ibovespa-estatisticas-historicashtmgt Citado 2 vezes nas paacuteginas89 e 121
BMampFBOVESPA Histoacuterico pessoas fiacutesicas 2020 Disponiacutevel em lthttpwwwb3combrpt_brmarket-data-e-indicesservicos-de-dadosmarket-dataconsultasmercado-a-vistahistorico-pessoas-fisicasgt Citado na paacutegina 2
103
BMampFBOVESPA Negociaccedilatildeo- Segmento BMampFBOVESPA 2020 Dis-poniacutevel em lthttpwwwb3combrpt_brregulacaoestrutura-normativaregulamentos-e-manuaisnegociacaohtmgt Citado na paacutegina 21
BORDO M D LANDON-LANE J Does expansionary monetary policy causeasset price booms some historical and empirical evidence [Sl] 2013 Citadona paacutegina 14
BRUNNERMEIER M K Information leakage and market efficiency Review of Finan-cial Studies Soc Financial Studies v 18 n 2 p 417ndash457 2005 Citado 3 vezesnas paacuteginas 1 2 e 14
CAGINALP G Does the market have a mind of its own and does it get carried awaywith excess cash The Journal of Psychology and Financial Markets Taylor ampFrancis v 3 n 2 p 72ndash75 2002 Citado na paacutegina 19
CAGINALP G DESANTIS M A paradigm for quantitative behavioral finance Ameri-can Behavioral Scientist Sage Publications v 55 n 8 p 1014ndash1034 2011 Citado3 vezes nas paacuteginas 1 14 e 19
CAGINALP G ERMENTROUT G A kinetic thermodynamics approach to the psycho-logy of fluctuations in financial markets Applied Mathematics Letters v 3 n 4 p17 ndash 19 1990 ISSN 0893-9659 Citado 2 vezes nas paacuteginas 2 e 16
CAGINALP G PORTER D SMITH V Momentum and overreaction in experimentalasset markets International Journal of Industrial Organization Elsevier v 18 n 1p 187ndash204 2000 Citado na paacutegina 19
CAJUEIRO D O TABAK B M The hurst exponent over time testing the assertionthat emerging markets are becoming more efficient Physica A Statistical Mechanicsand its Applications Elsevier v 336 n 3 p 521ndash537 2004 Citado 6 vezes naspaacuteginas 1 5 14 17 19 e 52
CARBONE A CASTELLI G STANLEY H E Time-dependent hurst exponentin financial time series Physica A Statistical Mechanics and its ApplicationsElsevier v 344 n 1-2 p 267ndash271 2004 Citado 2 vezes nas paacuteginas 16 e 19
CHARLES A DARNEacute O KIM J H Exchange-rate return predictability and theadaptive markets hypothesis Evidence from major foreign exchange rates Journal ofInternational Money and Finance Elsevier v 31 n 6 p 1607ndash1626 2012 Citado2 vezes nas paacuteginas 1 e 14
CHEN P-w HUANG H-c SU Y-c The central bank in market efficiency The caseof taiwan Pacific-Basin Finance Journal Elsevier v 29 p 239ndash260 2014 Citadona paacutegina 14
CHEN Z et al Effect of nonstationarities on detrended fluctuation analysis Physicalreview E Statistical nonlinear and soft matter physics v 65 p 041107 05 2002Citado na paacutegina 48
CHEVAPATRAKUL T Return sign forecasts based on conditional risk Evidence fromthe uk stock market index Journal of Banking amp Finance Elsevier v 37 n 7 p2342ndash2353 2013 Citado na paacutegina 4
104
CHORDIA T ROLL R SUBRAHMANYAM A Liquidity and market efficiency Jour-nal of Financial Economics Elsevier v 87 n 2 p 249ndash268 2008 Citado 3 vezesnas paacuteginas 1 2 e 14
CHOUDHRY T JAYASEKERA R Comparison of efficiency characteristics betweenthe banking sectors of us and uk during the global financial crisis of 2007ndash2011International Review of Financial Analysis Elsevier v 25 p 106ndash116 2012 Citado2 vezes nas paacuteginas 1 e 14
CHOUDHRY T JAYASEKERA R Market efficiency during the global financial crisisEmpirical evidence from european banks Journal of international Money andFinance Elsevier v 49 p 299ndash318 2014 Citado 2 vezes nas paacuteginas 1 e 14
CHUNG D HRAZDIL K Liquidity and market efficiency A large sample studyJournal of Banking amp Finance Elsevier v 34 n 10 p 2346ndash2357 2010 Citado 2vezes nas paacuteginas 2 e 14
COHEN J Statistical power analysis for the behavioral sciences [Sl] New YorkAcademic Press 1977 Citado 2 vezes nas paacuteginas 52 e 62
CURME C STANLEY H E VODENSKA I Coupled network approach to predic-tability of financial market returns and news sentiments International Journal ofTheoretical and Applied Finance World Scientific v 18 n 07 p 1550043 2015Citado 2 vezes nas paacuteginas 1 e 14
FAN Y et al The effect of investor psychology on the complexity of stock market Ananalysis based on cellular automaton model Computers amp Industrial EngineeringElsevier v 56 n 1 p 63ndash69 2009 Citado na paacutegina 16
FENG L et al Linking agent-based models and stochastic models of financial marketsProceedings of the National Academy of Sciences National Acad Sciences v 109n 22 p 8388ndash8393 2012 Citado na paacutegina 1
GARCIA M et al Forecast model for financial time series An approach basedon harmonic oscillators Physica A Statistical Mechanics and its ApplicationsElsevier p 124365 2020 Citado 2 vezes nas paacuteginas 17 e 88
GRECH D MAZUR Z Can one make any crash prediction in finance using thelocal hurst exponent idea Physica A Statistical Mechanics and its ApplicationsElsevier v 336 n 1 p 133ndash145 2004 Citado 2 vezes nas paacuteginas 1 e 14
HEALY P M PALEPU K G Information asymmetry corporate disclosure and thecapital markets A review of the empirical disclosure literature Journal of accountingand economics Elsevier v 31 n 1 p 405ndash440 2001 Citado 3 vezes nas paacuteginas1 2 e 14
HOMMES C KOPAacuteNYI-PEUKER A SONNEMANS J Bubbles crashes and infor-mation contagion in large-group asset market experiments Experimental EconomicsSpringer p 1ndash20 2020 Citado na paacutegina 16
HU K et al Effect of trends on detrended fluctuation analysis Phys Rev E AmericanPhysical Society v 64 p 011114 Jun 2001 Disponiacutevel em lthttpslinkapsorgdoi101103PhysRevE64011114gt Citado na paacutegina 48
105
KAHNEMAN D et al Noise How to overcome the high hidden cost of inconsistentdecision making Harvard Business Review v 94 p 38ndash46 2016 Citado na paacutegina16
KAHNEMAN D TVERSKY A Prospect theory An analysis of decision under riskEconometrica Journal of the econometric society JSTOR v 47 n 2 p 263ndash2911979 Citado 3 vezes nas paacuteginas 2 14 e 15
KATUSIIME L SHAMSUDDIN A AGBOLA F W Foreign exchange market effici-ency and profitability of trading rules Evidence from a developing country Internatio-nal Review of Economics amp Finance Elsevier v 35 p 315ndash332 2015 Citado 2vezes nas paacuteginas 1 e 14
LAZAR D TODEA A FILIP D Martingale difference hypothesis and financial crisisEmpirical evidence from european emerging foreign exchange markets EconomicSystems Elsevier v 36 n 3 p 338ndash350 2012 Citado 2 vezes nas paacuteginas 1 e 14
LIM K-P BROOKS R D KIM J H Financial crisis and stock market efficiencyEmpirical evidence from asian countries International Review of Financial AnalysisElsevier v 17 n 3 p 571ndash591 2008 Citado na paacutegina 14
LIU S Transaction costs and market efficiency Evidence from commission deregu-lation The Quarterly Review of Economics and Finance Elsevier v 50 n 3 p352ndash360 2010 Citado na paacutegina 14
MALKIEL B G FAMA E F Efficient capital markets A review of theory and empiricalwork The journal of Finance Wiley Online Library v 25 n 2 p 383ndash417 1970Citado na paacutegina 1
MANTEGNA R N STANLEY H E Introduction to econophysics correlationsand complexity in finance [Sl] Cambridge university press 1999 Citado 2 vezesnas paacuteginas 13 e 14
MEI D et al Forecasting stock market volatility Do realized skewness and kurtosishelp Physica A Statistical Mechanics and its Applications v 481 p 153ndash1592017 Citado na paacutegina 18
MERKLE C MUumlLLER-DETHARD J WEBER M Closing a mental account Therealization effect for gains and losses Experimental Economics Springer p 1ndash272020 Citado na paacutegina 16
MONTGOMERY D C Design and analysis of experiments [Sl] John Wiley ampSons 2008 Citado na paacutegina 42
NAMETALA C et al Uma estrateacutegia automatizada de investimento por meio de redesneurais artificiais e preditores economeacutetricos In Anais Principais do XII SimpoacutesioBrasileiro de Sistemas de Informaccedilatildeo Porto Alegre RS Brasil SBC 2016 p 152ndash159 ISSN 0000-0000 Disponiacutevel em lthttpssolsbcorgbrindexphpsbsiarticleview5957gt Citado 2 vezes nas paacuteginas 2 e 18
NELSON D M PEREIRA A C OLIVEIRA R A de Stock marketrsquos price movementprediction with lstm neural networks In IEEE 2017 International joint conferenceon neural networks (IJCNN) [Sl] 2017 p 1419ndash1426 Citado na paacutegina 18
106
NTIM C G et al On the efficiency of the global gold markets International Reviewof Financial Analysis Elsevier v 41 p 218ndash236 2015 Citado 2 vezes nas paacuteginas1 e 14
NYBERG H Forecasting the direction of the us stock market with dynamic binaryprobit models International Journal of Forecasting Elsevier v 27 n 2 p 561ndash5782011 Citado na paacutegina 4
OLIVEIRA F A de NOBRE C N ZARATE L E Applying artificial neural networksto prediction of stock price and improvement of the directional prediction indexndashcasestudy of petr4 petrobras brazil Expert Systems with Applications Elsevier v 40n 18 p 7596ndash7606 2013 Citado na paacutegina 17
PASQUARIELLO P ZAFEIRIDOU C Political uncertainty and financial market qualityRoss School of Business Paper n 1232 2014 Citado na paacutegina 14
PENG C-K et al Mosaic organization of dna nucleotides Phys Rev E AmericanPhysical Society v 49 p 1685ndash1689 Feb 1994 Citado na paacutegina 48
PODOBNIK B et al Fractionally integrated process for transition economics PhysicaA Statistical Mechanics and its Applications Elsevier v 362 n 2 p 465ndash4702006 Citado 2 vezes nas paacuteginas 1 e 14
POumlNKAuml H Predicting the direction of us stock markets using industry returns Empiri-cal Economics Springer p 1ndash30 2014 Citado na paacutegina 4
RAFFERTY M TOMLJANOVICH M Central bank transparency and market efficiencyAn econometric analysis Journal of Economics and Finance Springer v 26 n 2p 150ndash161 2002 Citado na paacutegina 14
RECHENTHIN M STREET W N Using conditional probability to identify trends inintra-day high-frequency equity pricing Physica A Statistical Mechanics and itsApplications Elsevier v 392 n 24 p 6169ndash6188 2013 Citado na paacutegina 17
RESENDE C C de et al Investigating market efficiency through a forecasting modelbased on differential equations Physica A Statistical Mechanics and its Applica-tions v 474 n C p 199ndash212 2017 Citado 6 vezes nas paacuteginas 1 8 10 28 31e 35
ROSS S A Information and volatility The no-arbitrage martingale approach to timingand resolution irrelevancy The Journal of Finance Wiley Online Library v 44 n 1 p1ndash17 1989 Citado 3 vezes nas paacuteginas 1 2 e 14
SAMUELSON P A Proof that properly anticipated prices fluctuate randomly[Sl sn] 1965 41ndash45 p Citado 2 vezes nas paacuteginas 1 e 13
SHARMA C BANERJEE K A study of correlations in the stock market PhysicaA Statistical Mechanics and its Applications Elsevier v 432 p 321ndash330 2015Citado na paacutegina 14
SHILLER R J Do stock prices move too much to be justified by subsequentchanges in dividends [Sl] National Bureau of Economic Research CambridgeMass USA 1980 421ndash436 p Citado na paacutegina 1
SHILLER R J FISCHER S FRIEDMAN B M Stock prices and social dynamicsBrookings papers on economic activity JSTOR v 1984 n 2 p 457ndash510 1984Citado 2 vezes nas paacuteginas 2 e 14
107
TVERSKY A KAHNEMAN D Loss Aversion in Riskless Choice A Reference-Dependent Model The Quarterly Journal of Economics v 106 n 4 p 1039ndash106111 1991 ISSN 0033-5533 Disponiacutevel em lthttpsdoiorg1023072937956gt Citado2 vezes nas paacuteginas 15 e 16
ZUNINO L et al Inefficiency in latin-american market indices The European PhysicalJournal B Springer v 60 n 1 p 111ndash121 2007 Citado 3 vezes nas paacuteginas 1 5e 14
108
Apecircndices
APEcircNDICE A ndash Estimaccedilatildeo da matriz
de coeficientes pelo meacutetodo dos
miacutenimos quadrados
Seja a relaccedilatildeo
x (t) = Ax (tminus 1) (52)
onde
x (t) =
X1 (t)
X2 (t)
Xn (t)
e A =
a11 a12 middot middot middot a1n
a21 a22 middot middot middot a2n
an1 an2 middot middot middot ann
(53)
Esta equaccedilatildeo pode ser escrita na forma
Xi (t) =(ai1 ai2 middot middot middot ain
)
X1 (tminus 1)
X2 (tminus 1)
Xn (tminus 1)
i = 1 2 middot middot middot n (54)
ou equivalentemente
Xi (t) =(X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
)
ai1
ai2
ain
(55)
110
Consideremos muacuteltiplas observaccedilotildees para cada Xi (t)
Xi (t) =(X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
)
ai1
ai2
ain
Xi (tminus 1) =(X1 (tminus 2) X2 (tminus 2) middot middot middot Xn (tminus 2)
)
ai1
ai2
ain
Xi (tminusN + 1) =(X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
)
ai1
ai2
ain
(56)
Observe que estamos assumindo que o vetor de paracircmetros natildeo muda dentro da
faixa de tempos analisada Estas equaccedilotildees podem ser escritas na formaXi (tminusN + 1)
Xi (tminus 1)
Xi (t)
=
X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
middot middot middot
X1 (tminus 2) X2 (tminus 2) Xn (tminus 2)
X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
ai1
ai2
ain
(57)
Se N gt n temos para cada valor fixo de i mais equaccedilotildees que valores de aij
(j = 1 2 middot middot middot n) para estimar Eacute natural entatildeo que ao estimarmos os paracircmetros aijcometamos erros Definindo os vetores de paracircmetros estimados e de erros (resiacuteduos)
na forma
ai=
ai1
ai2
ain
e ξi =
ξi (t)
ξi (tminus 1)
ξi (tminusN + 1)
i = 1 2 middot middot middot n (58)
respectivamente a relaccedilatildeo (57) torna-se
111
Xi (tminusN + 1)
Xi (tminus 1)
Xi (t)
=
X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
middot middot middot
X1 (tminus 2) X2 (tminus 2) Xn (tminus 2)
X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
ai1
ai2
ain
+
ξi (tminusN + 1)
ξi (tminus 1)
ξi (t)
(59)
Numa forma compacta
yi = Xai + ξi (60)
onde
yi =
Xi (tminusN + 1)
Xi (tminus 1)
Xi (t)
X=
X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
middot middot middot
X1 (tminus 2) X2 (tminus 2) Xn (tminus 2)
X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
e i = 1 2 middot middot middot n
Calculando a transposta em ambos os lados da equaccedilatildeo (59) encontramos
(Xi (tminusN + 1) middot middot middot Xi (t)
)=
(ai1 ai2 middot middot middot ain
)
X1 (tminusN) middot middot middot X1 (tminus 1)
X2 (tminusN) middot middot middot X2 (tminus 1)
Xn (tminusN) middot middot middot Xn (tminus 1)
+(ξi (tminusN + 1) middot middot middot ξi (t)
) (61)
112
Agregando as equaccedilotildees acima vaacutelidas para i = 1 2 middot middot middot n chegamos aX1 (tminusN + 1) middot middot middot X1 (t)
X2 (tminusN + 1) middot middot middot X2 (t)
Xn (tminusN + 1) middot middot middot Xn (t)
=
a11 middot middot middot a1n
a21 middot middot middot a2n
an1 middot middot middot ann
X1 (tminusN) middot middot middot X1 (tminus 1)
X2 (tminusN) middot middot middot X2 (tminus 1)
Xn (tminusN) middot middot middot Xn (tminus 1)
+
ξ1 (tminusN + 1) middot middot middot ξ1 (t)
ξ2 (tminusN + 1) middot middot middot ξ2 (t)
ξn (tminusN + 1) middot middot middot ξn (t)
(62)
Explicitando a matriz de erros
ξ1 (tminusN + 1) middot middot middot ξ1 (t)
ξ2 (tminusN + 1) middot middot middot ξ2 (t)
ξn (tminusN + 1) middot middot middot ξn (t)
=
X1 (tminusN + 1) middot middot middot X1 (t)
X2 (tminusN + 1) middot middot middot X2 (t)
Xn (tminusN + 1) middot middot middot Xn (t)
(63)
minus
a11 middot middot middot a1n
a21 middot middot middot a2n
an1 middot middot middot ann
X1 (tminusN) middot middot middot X1 (tminus 1)
X2 (tminusN) middot middot middot X2 (tminus 1)
Xn (tminusN) middot middot middot Xn (tminus 1)
Notemos que para i fixo os resiacuteduos ξi (τ) (τ = t tminus 1 middot middot middot tminusN + 1) soacute dependem
dos coeficientes aij (j = 1 2 middot middot middot n) Assim podemos encontrar os valores dos aijque minimizam a soma dos quadrados dos ξi (τ)
Si =tsum
τ=tminusN+1
(ξi (τ))2 (64)
para cada valor de i de forma independente A soma dos quadrados de todos os
resiacuteduos
S =nsumi=1
Si (65)
seraacute minimizada utilizando-se os aij calculados para todos os valores de i Buscare-
mos entatildeo a minimizaccedilatildeo dos Si separadamente Conforme descrito em (AGUIRRE
2007) a matriz que realiza essa minimizaccedilatildeo eacute dada pela equaccedilatildeo
ai =(XTX
)minus1XTyi (66)
113
Definindo a matriz
M =(XTX
)minus1XT =
M11 M12 middot middot middot M1N
M21 M22 middot middot middot M2N
Mn1 Mn2 middot middot middot MnN
(67)
podemos escreverai1
ai2
ain
=
M11 M12 middot middot middot M1N
M21 M22 middot middot middot M2N
Mn1 Mn2 middot middot middot MnN
Xi (tminusN + 1)
Xi (tminus 1)
Xi (t)
i = 1 2 middot middot middot n
(68)
relaccedilatildeo que pode ser colocada na formaa11 middot middot middot an1
a12 middot middot middot an2
a1n middot middot middot ann
=
M11 middot middot middot M1N
M21 middot middot middot M2N
Mn1 middot middot middot MnN
X1 (tminusN + 1) middot middot middot Xn (tminusN + 1) middot middot middot
X1 (tminus 1) Xn (tminus 1)
X1 (t) middot middot middot Xn (t)
(69)
Observe que a matriz representada no lado esquerdo da equaccedilatildeo acima eacute a matriz
transposta da matriz A correspondente ao valor estimado para A que minimiza a
soma dos quadrados dos resiacuteduos Definamos
XN (t) =
X1 (tminusN + 1) middot middot middot X1 (tminus 1) X1 (t)
X2 (tminusN + 1) middot middot middot X2 (tminus 1) X2 (t)
Xn (tminusN + 1) middot middot middot Xn (tminus 1) Xn (t)
(70)
para escrevermos a equaccedilatildeo (69) como
AT =(XTX
)minus1XTXT
N (t) (71)
Observando que
X= XTN (tminus 1) (72)
obtemos a seguinte expressatildeo para A
A =(XN (t) XT
N (tminus 1)) (
XN (tminus 1) XTN (tminus 1)
)minus1 (73)
114
APEcircNDICE B ndash Tabelas lotes padratildeo
das accedilotildees
Tabela 24 ndash Tabela da quantidade de accedilotildees que compotildeem o lote padratildeo de negociaccedilatildeo nomercado real e na plataforma de simulaccedilatildeo no ano de 2017
Empresa Coacutedigo de negociaccedilatildeo Lote na plataforma Lote BovespaVale on VALE3 100 100Itauacute pn ITUB4 150 100Vale pn VALE5 100 100
Bradesco pn BBDC4 145 100Fundo Ibovespa BOVA11 10 10
Ambev on ABEV3 100 100Petrobras pn PETR4 100 100
Cielo on CIEL3 120 100Petrobras on PETR3 100 100
Banco do Brasil on BBAS3 100 100Nota Apresentamos o lote padratildeo de negociaccedilatildeo definido no mercado real e tambeacutem naplataforma de simulaccedilatildeo As informaccedilotildees satildeo referentes agraves 10 accedilotildees com maior liquidez noano de 2017 Os dados destacados na cor azul referem-se agraves accedilotildees que natildeo compotildeem alista das 10 accedilotildees com maior liquidez no ano de 2018 Jaacute os dados em destaque na cor
verde referem-se agraves accedilotildees que tecircm o lote padratildeo de negociaccedilatildeo no mercado real diferentedo lote de negociaccedilatildeo definido na plataforma O coacutedigo pn eacute referente as accedilotildees
preferencias e on as accedilotildees ordinaacuterias das empresas Os dados de negociaccedilatildeo das accedilotildeesestatildeo disponiacuteveis em lthttpwwwb3combrpt_brmarket-data-e-indices
servicos-de-dadosmarket-dataconsultasmercado-a-vistalotes-de-negociacaogt
115
Tabela 25 ndash Tabela da quantidade de accedilotildees que compotildeem o lote padratildeo de negociaccedilatildeo nomercado real e na plataforma de simulaccedilatildeo no ano de 2018
Empresa Coacutedigo de negociaccedilatildeo Lote na plataforma Lote BovespaVale on VALE3 100 100Itauacute pn ITUB4 150 100B3 on B3SA3 100 100
Bradesco pn BBDC4 145 100Fundo Ibovespa BOVA11 10 10
Ambev on ABEV3 100 100Petrobras pn PETR4 100 100
Magazine Luiza on MGLU3 100 100Itauacute on ITUB3 150 100
Banco do Brasil on BBAS3 100 100Nota Apresentamos o lote padratildeo de negociaccedilatildeo definido no mercado real e tambeacutem naplataforma de simulaccedilatildeo As informaccedilotildees satildeo referentes agraves 10 accedilotildees com maior liquidez noano de 2018 Os dados destacados na cor azul referem-se agraves accedilotildees que natildeo compotildeem alista das 10 accedilotildees com maior liquidez no ano de 2017 Jaacute os dados em destaque na cor
verde referem-se agraves accedilotildees que tecircm o lote padratildeo de negociaccedilatildeo no mercado real diferentedo lote de negociaccedilatildeo definido na plataforma O coacutedigo pn eacute referente as accedilotildees
preferencias e on as accedilotildees ordinaacuterias das empresas Os dados de negociaccedilatildeo das accedilotildeesestatildeo disponiacuteveis emlthttpwwwb3combrpt_brmarket-data-e-indices
servicos-de-dadosmarket-dataconsultasmercado-a-vistalotes-de-negociacaogt
116
Anexos
ANEXO A ndash Tabela de accedilotildees que
participaram da carteira teoacuterica do
Ibovespa no primeiro quadrimestre de
2017
118
Tabela 26 ndash Composiccedilatildeo da carteira teoacuterica do Ibovespa no primeiro quadrimestre de 2017
Virada do Ibovespa para Janeiro a Abril de 2017COacuteDIGO ACcedilAtildeO TIPO PARTICIPACcedilAtildeO ()
ITUB4 ITAUUNIBANCO PN EDJ N1 10681BBDC4 BRADESCO PN EJ N1 77402ABEV3 AMBEV SA ON EJ 71825PETR4 PETROBRAS PN 60083PETR3 PETROBRAS ON 45918VALE5 VALE PNA N1 45442VALE3 VALE ON N1 3776BRFS3 BRF SA ON NM 37215BBAS3 BRASIL ON NM 34462ITSA4 ITAUSA PN EJ N1 31492BVMF3 BMFBOVESPA ON EJ NM 29414UGPA3 ULTRAPAR ON NM 27619CIEL3 CIELO ON NM 25919BBSE3 BBSEGURIDADE ON NM 19019KROT3 KROTON ON NM 18728VIVT4 TELEF BRASIL PN EJ 18181JBSS3 JBS ON NM 17712BBDC3 BRADESCO ON EJ N1 16499LREN3 LOJAS RENNER ON NM 14737CCRO3 CCR SA ON NM 13755RADL3 RAIADROGASIL ON NM 12199EMBR3 EMBRAER ON NM 11756CTIP3 CETIP ON EJ NM 11596
SANB11 SANTANDER BR UNT 11399EQTL3 EQUATORIAL ON EJ NM 10802HYPE3 HYPERMARCAS ON NM 10534SBSP3 SABESP ON NM 09795GGBR4 GERDAU PN N1 09264BRKM5 BRASKEM PNA N1 09068LAME4 LOJAS AMERIC PN 0893WEGE3 WEG ON NM 0884PCAR4 PACUCAR-CBD PN N1 08504CPFE3 CPFL ENERGIA ON NM 08192KLBN11 KLABIN SA UNT N2 07869FIBR3 FIBRIA ON NM 07324EGIE3 ENGIE BRASIL ON NM 07139BRML3 BR MALLS PAR ON NM 06907CSNA3 SID NACIONAL ON 06527CMIG4 CEMIG PN EJ N1 06394TIMP3 TIM PART SA ON NM 06333ELET3 ELETROBRAS ON N1 05955CSAN3 COSAN ON NM 05843SUZB5 SUZANO PAPEL PNA N1 05522RENT3 LOCALIZA ON EJ NM 05095ESTC3 ESTACIO PART ON ED NM 04868MULT3 MULTIPLAN ON N2 04651RUMO3 RUMO LOG ON NM 04619QUAL3 QUALICORP ON NM 04229NATU3 NATURA ON NM 03964BRAP4 BRADESPAR PN EJ N1 03292ENBR3 ENERGIAS BR ON EJ NM 03119MRVE3 MRV ON NM 03022GOAU4 GERDAU MET PN N1 02877CPLE6 COPEL PNB N1 02765SMLE3 SMILES ON EJ NM 02552CYRE3 CYRELA REALT ON NM 02516MRFG3 MARFRIG ON NM 021USIM5 USIMINAS PNA N1 01975ECOR3 ECORODOVIAS ON NM 0164
Adaptado do site BMampFBOVESPA
119
ANEXO B ndash Tabela de accedilotildees que
participaram da carteira teoacuterica do
Dow Jones no primeiro quadrimestre
de 2017
Tabela 27 ndash Composiccedilatildeo do iacutendice Dow Jones no primeiro quadrimestre de 2017
NUacuteMERO ACcedilAtildeO COacuteDIGO PARTICIPACcedilAtildeO ()1 Boeing BA 7282 Goldman Sachs GS 7183 3M MMM 6414 UnitedHealth Group UNH 6055 Apple AAPL 5006 Home Depot HD 4827 McDonalds MCD 4818 IBM IBM 4409 Johnson amp Johnson JNJ 414
10 Travelers TRV 40411 United Technologies UTX 36412 Caterpillar CAT 35513 Chevron CVX 34414 Disney DIS 31915 Visa A V 31416 JPMorgan Chase JPM 29117 Procter amp Gamble PG 28618 American Express AXP 26619 Wal Mart WMT 25320 Dupont DD 25321 ExxonMobil XOM 24922 Microsoft MSFT 22523 Merck MRK 19424 NIKE B NKE 18625 Verizon Communications VZ 15026 Coca-Cola KO 14227 Intel INTC 11428 Pfizer PFE 10429 Cisco Systems CSCO 09830 General Electric GE 080
Adaptado do site wwwindexarbcom
120
ANEXO C ndash Tabela das taxas anuais
de crescimento do Ibovespa
Reproduzimos neste anexo a tabela das taxas anuais de crescimento do Ibovespa
desde o ano de 1968 A taxa de crescimento refere-se agrave taxa meacutedia de variaccedilatildeo do
iacutendice composta anualmente entre dois periacuteodos disponiacutevel em (BMampFBOVESPA
2019)
121
TX
_M
ED
IA_1968
TA
XA
MEacute
DIA
DE
CR
ES
CIM
EN
TO
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
IBO
VE
SP
A
AN
UA
L
1968
00
0000000021
1969
1647
00
0000000055
1970
1023
546
00
0000000085
1971
1058
815
1130
00
0000000181
1972
484
223
88
(444
)00
0000000101
1973
384
177
75
(237
)48
00
0000000105
1974
381
212
141
(74
)196
365
00
0000000144
1975
376
234
180
18
245
357
349
00
0000000194
1976
359
235
190
59
244
317
294
240
00
0000000241
1977
364
256
219
111
275
340
331
322
410
00
0000000340
1978
328
230
196
101
234
275
253
222
214
45
00
0000000355
1979
348
260
232
150
276
319
310
301
321
279
566
00
0000000556
1980
356
276
252
180
296
336
331
328
350
331
503
442
00
0000000801
1981
404
332
314
252
370
417
424
437
480
499
690
756
1138
00
0000001714
1982
420
353
338
283
395
440
450
465
506
526
677
716
872
639
00
0000002808
1983
601
544
544
503
646
722
767
827
931
1035
1325
1567
2111
2753
7593
00
0000024133
1984
728
679
689
659
817
911
976
1062
1197
1340
1677
1980
2573
3241
5822
4415
00
00001307
1985
839
798
816
796
965
1071
1151
1253
1408
1574
1928
2250
2824
3423
5157
4212
4016
00
00006555
1986
813
773
788
767
919
1011
1077
1160
1283
1408
1673
1886
2239
2520
3261
2373
1662
412
00
0000926
1987
785
746
758
737
875
954
1009
1076
1176
1273
1478
1624
1858
2000
2385
1682
1122
380
349
00
0001249
1988
1042
1015
1044
1039
1212
1325
1415
1526
1680
1841
2140
2392
2775
3095
3770
3240
2989
2696
4978
25
495
00
0033082
1989
1269
1252
1296
1306
1507
1648
1768
1913
2111
2323
2692
3022
3508
3949
4795
4426
4429
4537
7731
21
214
17
625
00
061615
1990
1330
1316
1364
1376
1576
1716
1836
1980
2172
2376
2723
3028
3464
3844
4547
4210
4177
4210
6220
11
630
7720
3083
00
25157
1991
1580
1577
1640
1669
1898
2067
2216
2396
2632
2886
3299
3676
4204
4688
5532
5312
5451
5728
8193
13
853
11
248
8932
23
159
06
0777
1992
1742
1746
1819
1857
2100
2283
2447
2642
2896
3169
3602
4000
4546
5048
5891
5724
5908
6232
8494
13
027
10
965
9324
15
417
10
156
67
805
1993
2092
2112
2209
2269
2557
2781
2989
3236
3554
3900
4432
4937
5619
6273
7328
7302
7706
8327
11
214
16
634
15
255
14
711
23
621
23
855
54
372
3754
52
1994
2254
2281
2385
2454
2753
2988
3208
3467
3797
4155
4696
5208
5890
6539
7561
7558
7959
8556
11
135
15
609
14
366
13
786
19
397
18
277
24
340
10
596
43
539
2
1995
2113
2133
2222
2278
2541
2743
2927
3142
3414
3703
4138
4534
5053
5520
6251
6149
6332
6615
8183
10
671
9381
8418
10
131
8171
7591
2384
(13
)42
990
0
1996
2042
2058
2139
2189
2429
2611
2774
2963
3200
3449
3822
4151
4578
4946
5520
5383
5471
5622
6729
8383
7241
6335
7088
5498
4676
1657
272
638
70
399
4
1997
1966
1978
2051
2093
2313
2476
2620
2786
2993
3206
3526
3801
4153
4444
4897
4741
4767
4834
5637
6784
5794
4989
5326
4060
3320
1283
328
540
448
101
965
0
1998
1821
1828
1889
1922
2115
2253
2373
2510
2680
2852
3112
3326
3599
3811
4146
3973
3943
3937
4480
5224
4385
3692
3774
2787
2163
784
117
164
(18
)(3
35
)67
843
0
1999
1811
1817
1876
1907
2090
2222
2334
2462
2620
2779
3017
3211
3455
3641
3934
3766
3725
3705
4162
4772
4026
3409
3446
2599
2061
890
315
412
344
295
1519
170
916
0
2000
1712
1714
1766
1791
1956
2072
2169
2279
2415
2549
2752
2911
3111
3255
3487
3319
3258
3212
3554
4000
3352
2813
2787
2082
1624
698
232
288
213
144
500
(107
)152
592
0
2001
1622
1621
1666
1686
1836
1939
2024
2119
2236
2350
2524
2657
2822
2935
3121
2956
2883
2822
3084
3420
2852
2377
2320
1722
1327
566
176
211
140
74
260
(109
)(1
10
)135
775
0
2002
1535
1532
1571
1586
1723
1814
1887
1970
2071
2168
2318
2428
2566
2654
2803
2644
2564
2493
2697
2954
2452
2032
1958
1443
1099
459
126
148
82
20
135
(130
)(1
41
)(1
70
)112
684
0
2003
1517
1513
1550
1565
1694
1781
1850
1927
2021
2111
2250
2350
2475
2553
2686
2534
2455
2384
2563
2786
2325
1940
1867
1400
1087
504
199
228
179
139
268
68
134
280
973
222
363
0
2004
1464
1459
1493
1505
1626
1705
1767
1836
1921
2001
2126
2213
2322
2387
2500
2354
2274
2201
2350
2535
2116
1766
1690
1272
990
471
197
222
179
144
253
89
145
245
525
178
261
962
5
2005
1421
1415
1446
1456
1569
1642
1699
1762
1839
1911
2024
2101
2198
2252
2350
2210
2131
2058
2185
2340
1957
1636
1560
1181
924
454
204
228
189
160
256
118
170
253
437
227
277
334
559
4
2006
1383
1376
1405
1413
1520
1587
1640
1697
1768
1833
1936
2005
2091
2137
2223
2089
2011
1939
2048
2182
1829
1532
1457
1110
873
444
214
237
202
178
265
146
195
268
409
260
303
329
444
737
1
2007
1352
1345
1372
1379
1479
1543
1591
1645
1710
1770
1865
1927
2005
2045
2121
1992
1916
1845
1941
2058
1730
1453
1381
1060
841
443
230
252
222
201
283
179
227
294
415
302
346
382
436
638
861
0
2008
1272
1263
1286
1290
1382
1439
1481
1527
1584
1635
1717
1770
1835
1865
1927
1803
1728
1656
1734
1827
1528
1276
1203
913
714
359
166
181
150
126
187
91
119
156
222
110
94
39
(8
1)
(412
)375
503
1
2009
1260
1251
1273
1277
1365
1419
1459
1503
1557
1605
1683
1731
1792
1819
1876
1758
1684
1615
1686
1772
1489
1251
1181
909
720
385
202
219
191
172
234
149
182
224
294
207
212
197
155
36
827
685
884
1
2010
1217
1208
1227
1230
1313
1363
1399
1439
1488
1531
1602
1645
1699
1721
1771
1657
1585
1517
1579
1653
1389
1167
1099
846
670
359
189
204
177
159
214
136
163
199
255
176
176
157
117
28
359
10
693
048
1
2011
1166
1156
1174
1175
1252
1298
1331
1366
1410
1449
1513
1550
1597
1614
1657
1548
1477
1411
1463
1526
1280
1073
1007
772
609
322
163
175
149
130
178
105
127
154
197
124
117
92
50
(29
)148
(90
)(1
81
)567
540
8
2012
1132
1121
1137
1138
1211
1254
1283
1316
1357
1392
1451
1484
1527
1540
1578
1473
1405
1340
1386
1441
1210
1014
951
730
576
307
158
169
144
127
170
103
122
146
184
119
111
89
54
(09
)129
(39
)(6
2)
74
609
520
8
2013
1089
1077
1092
1091
1160
1199
1226
1256
1292
1323
1377
1406
1444
1454
1487
1386
1319
1256
1296
1343
1127
943
881
675
530
279
139
148
124
107
145
82
98
118
148
88
78
55
21
(35
)65
(69
)(9
4)
(47
)(1
55
)515
071
6
2014
1054
1043
1056
1054
1119
1156
1180
1207
1241
1269
1319
1345
1379
1386
1415
1318
1253
1192
1226
1268
1063
890
830
636
499
262
130
138
115
98
133
74
88
105
132
76
67
46
15
(34
)49
(61
)(7
8)
(41
)(9
4)
(29
)500
074
1
2015
1017
1005
1017
1014
1075
1109
1132
1156
1187
1213
1258
1281
1311
1316
1341
1247
1185
1125
1155
1191
998
834
776
593
464
241
116
122
100
84
115
60
72
86
109
57
47
26
(0
3)
(47
)21
(74
)(9
0)
(65
)(1
07
)(8
3)
(133
)433
499
6
2016
1001
989
1000
998
1056
1089
1110
1133
1162
1186
1229
1251
1279
1283
1305
1215
1154
1096
1124
1157
972
815
759
584
461
247
127
134
113
98
129
77
90
104
127
80
72
55
31
(07
)61
(18
)(2
3)
12
(03
)54
97
389
602
272
8
2017
976
964
974
971
1027
1058
1078
1099
1126
1148
1188
1207
1233
1236
1256
1169
1109
1053
1078
1108
932
782
728
561
443
240
125
131
112
97
126
77
89
103
124
80
72
57
35
02
63
(07
)(0
9)
23
13
60
91
224
79
649
840
6
Paacutegin
a 1
Figu
ra22
ndashTa
xas
anua
isde
cres
cim
ento
doIb
oves
pade
sde
1968
122
Resumo
A teoria econocircmica claacutessica defende que os mercados satildeo eficientes que os preccedilos cami-
nham em direccedilatildeo a um ponto de equiliacutebrio no longo prazo e que natildeo haacute possibilidades de
arbitragens Para investigar esta Hipoacutetese de Mercado Eficiente (HME) definimos um mo-
delo de previsatildeo de tendecircncias de retornos de ativos financeiros baseado em um sistema
de equaccedilotildees diferenciais lineares acopladas discretizado Neste modelo consideramos que
as relaccedilotildees entre os desvios dos preccedilos das accedilotildees em relaccedilatildeo a um preccedilo considerado
justo traz informaccedilatildeo sobre a dinacircmica dos preccedilos das accedilotildees Tais desvios satildeo calculados
utilizando-se a diferenccedila logariacutetmica entre os preccedilos reais e os preccedilos justos modelados
por uma meacutedia moacutevel exponencial Visando a comparaccedilatildeo entre um mercado emergente e
um desenvolvido aplicamos o modelo para a bolsa de valores brasileira e norte-americana
A consistecircncia do modelo foi investigada comparando-se resultados em quadrimestres
diferentes A relaccedilatildeo entre a acuraacutecia do modelo e o expoente de Hurst foi estudada Paracirc-
metros de execuccedilatildeo do modelo tais como janela de ajuste nuacutemero de accedilotildees e frequecircncia
de amostragem dos dados satildeo explorados com o objetivo de encontrar uma combinaccedilatildeo
que apresente taxas de acuraacutecia relevantes Testes de hipoacuteteses foram aplicados aos
resultados da previsatildeo para investigar se o modelo tem uma taxa de acerto de tendecircncia de
preccedilos diferente de um processo totalmente aleatoacuterio Diante dos paracircmetros explorados
escolhemos um conjunto que apresentou resultados satisfatoacuterios e aplicamos o modelo em
simulaccedilatildeo realiacutestica do mercado utilizando uma plataforma de algotrading Na simulaccedilatildeo
definimos dois modelos de operaccedilatildeo para as estrateacutegias de negociaccedilatildeo MO1 e MO2 No
MO1 as operaccedilatildeo satildeo abertas de acordo com o sinal enviado pelo preditor e encerradas no
fechamento do mesmo candle Para MO2 as operaccedilotildees satildeo encerradas por meio de stops
Os resultados foram comparados levando em consideraccedilatildeo indicadores de desempenho
tais como risco de exposiccedilatildeo ao mercado retorno financeiro taxas operacionais e capital
alocado
Palavras-chave Equaccedilotildees Diferenciais Mercado de Accedilotildees Seacuteries Financeiras Hipoacutetese
de Mercado Eficiente Previsatildeo de Tendecircncias Simulaccedilatildeo Realiacutestica Expoente de Hurst
Modelo de previsatildeo
v
Abstract
The classical economic theory argues that markets are efficient that prices move towards a
long-term equilibrium and that there is no possibility of arbitrage To investigate this Efficient
Market Hypothesis (EMH) we defined a model for forecasting trends in financial asset
returns based on a discretized coupled linear differential equation system In this model
we consider that the relationship between stock price deviations from a price considered
fair provides information on the dynamics of stocks prices Such deviations are calculated
using the logarithmic difference between actual and fair prices modeled by an exponential
moving average To compare an emerging and a developed market we applied the model
to the Brazilian and North American stock exchanges The consistency of the model was
investigated by comparing results in different periods of four months The relationship
between model accuracy and Hurst exponent was studied The execution parameters of the
model such as the fitting window number of assets and frequency of data sampling are
explored in order to find a combination that presents relevant accuracy rates Hypothesis
tests were applied to the forecast results to investigate whether the model has a success
rate different than a completely random process Given the parameters explored we chose
a set that presented satisfactory results and applied the model in a realistic simulation
of the market using an algotrading platform In the simulation we defined two operating
models for the trading strategies MO1 and MO2 In MO1 the operations are opened
according to the signal sent by the predictor and closed at the closing of the same candle
For MO2 operations are closed using stops The results were compared taking into account
performance indicators such as risk of exposure to the market financial return operating
rates and allocated capital
Keywords Differential Equations Stock market Financial Series Efficient Market Hypothe-
sis Trend Forecasting Realistic Simulation Hurst exponent Forecasting Model
vi
Lista de Figuras
Figura 1 ndash Histoacuterico de perfil dos investidores pessoas fiacutesicas na Bovespa 4
Figura 2 ndash Organizaccedilatildeo do trabalho 12
Figura 3 ndash Candles do WINZ20 23
Figura 4 ndash Comparaccedilatildeo de preccedilos brutos meacutedias moacuteveis e preccedilos tratados 29
Figura 5 ndash Distribuiccedilatildeo das distacircncias entre as matrizes A em tempos adjacentes 33
Figura 6 ndash Acuraacutecia meacutedia para todas as n accedilotildees que compotildeem os iacutendices Dow
Jones e Ibovespa 39
Figura 7 ndash Acuraacutecia meacutedia para as 10 accedilotildees com maiores participaccedilotildees no
Ibovespa E Dow Jones 41
Figura 8 ndash Exemplo de um formato de um boxplot 43
Figura 9 ndash Boxplot da Acuraacutecia para todas as accedilotildees que compotildeem os iacutendices
Dow Jones e Ibovespa 44
Figura 10 ndash Acuraacutecia meacutedia para diferentes valores de n accedilotildees que compotildeem as
carteiras do Ibovespa e Dow Jones 46
Figura 11 ndash Expoente de Hurst para todas accedilotildees que compotildeem os iacutendices Dow
Jones e Ibovespa 49
Figura 12 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que com-
potildeem os iacutendices Dow Jones e Ibovespa Q1 50
Figura 13 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que com-
potildeem os iacutendices Dow Jones e Ibovespa Q2 51
Figura 14 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 55
Figura 15 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 58
Figura 16 ndash Acuraacutecias obtidas no primeiro quadrimestre de 2017 utilizando vota-
ccedilatildeo meacutedia e sem votaccedilatildeo 63
Figura 17 ndash Acuraacutecias obtidas no segundo quadrimestre de 2017 utilizando vota-
ccedilatildeo meacutedia e sem votaccedilatildeo 64
Figura 18 ndash Fluxograma das estrateacutegias 73
Figura 19 ndash Rendimentos esperados e os efetivamente obtidos para o ano de 2017 84
Figura 20 ndash Rendimentos esperados e os efetivamente obtidos para o ano de 2018 86
Figura 21 ndash Retornos e riscos do modelo de operaccedilatildeo 2 91
Figura 22 ndash Taxas anuais de crescimento do Ibovespa 122
vii
Lista de Tabelas
Tabela 1 ndash Perfil dos investidores pessoa fiacutesica na Bovespa 3
Tabela 2 ndash Coeficientes angulares (β) e os correspondentes coeficientes de
determinaccedilatildeo (r2) 40
Tabela 3 ndash Acuraacutecia do modelo aplicado a diferentes granularidades de tempo
para R = 500 47
Tabela 4 ndash Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo quadri-
mestres para as accedilotildees dos iacutendices Ibovespa e Dow Jones 54
Tabela 5 ndash Acuraacutecias do modelo no primeiro e segundo quadrimestres para a
combinaccedilatildeo das 10 accedilotildees com maiores pesos 57
Tabela 6 ndash Comparaccedilatildeo das acuraacutecias para todas as accedilotildees dos iacutendices Ibo-
vespa e Dow Jones 60
Tabela 7 ndash Acuraacutecias do modelo para as 10 accedilotildees dos iacutendices Ibovespa e Dow
Jones com os melhores a 61
Tabela 8 ndash Taxas de negociaccedilatildeo e de liquidaccedilatildeo da BOVESPA 71
Tabela 9 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2017 76
Tabela 10 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2018 76
Tabela 11 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2018 76
Tabela 12 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2018 77
Tabela 13 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas ano de 2017 78
Tabela 14 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas no ano de 2018 78
Tabela 15 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacio-
nais para o ano de 2017 78
Tabela 16 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacio-
nais para o ano de 2018 79
Tabela 17 ndash Rendimentos do MO1 no ano de 2017 83
Tabela 18 ndash Rendimentos do MO1 no ano de 2018 85
Tabela 19 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de
2017 92
Tabela 20 ndash Resultados da simulaccedilatildeo utilizando stop gain Sg (equaccedilatildeo 49) e loss
Sl (equaccedilatildeo 48) sem taxas para o ano de 2018 93
Tabela 21 ndash Resultados da simulaccedilatildeo utilizando stops com taxas para o ano de
2017 94
viii
Tabela 22 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de
2018 95
Tabela 23 ndash Meacutedia de preccedilos e retornos das accedilotildees 97
Tabela 24 ndash Lotes padratildeo no mercado real e na plataforma de simulaccedilatildeo no ano
de 2017 115
Tabela 25 ndash Lotes padratildeo no mercado real e na plataforma de simulaccedilatildeo no ano
de 2017 116
Tabela 26 ndash Composiccedilatildeo da carteira teoacuterica do Ibovespa 119
Tabela 27 ndash Composiccedilatildeo do iacutendice Dow Jones 120
ix
Lista de Abreviaturas e Siglas
HME Hipoacutetese de mercado eficiente
MO1 Modelo de operaccedilatildeo 1
MO2 Modelo de operaccedilatildeo 2
DFA Detrended fluctuation analysis
DMA Detrending moving average
x
Lista de Siacutembolos e Variaacuteveis
a Acuraacutecia do modelo
ρ Coeficiente de correlaccedilatildeo de Pearson
σ Desvio padratildeo
ε Erro associado
R Quantidade de pontos utilizados no ajuste
a Acuraacutecia meacutedia do modelo
σa Desvio padratildeo da acuraacutecia meacutedia
H Expoente de Hurst
Q Tamanho da janela para calculo de quartis
u4 Representa os dados do quarto quartil
n Nuacutemero de accedilotildees
nr Nuacutemero de retornos
N Nuacutemero de execuccedilotildees (previsotildees)
Nc Nuacutemero de execuccedilotildees (previsotildees) corretas
d Distacircncia
β Coeficiente angular da reta
r2 Coeficiente de determinaccedilatildeo
S Tamanho da janela para calcular meacutedia moacutevel
x Preccedilo bruto
qo Aproximaccedilatildeo para o preccedilo de abertura do candle
qc Aproximaccedilatildeo para o preccedilo de fechamento do candle
x Preccedilo justo
X Preccedilo tratado
xi
T Tendecircncia
ra Retorno (rendimento) acumulado
ra Retorno acumulado para o conjunto de accedilotildees
λ Quantidade de accedilotildees negociadas
∆x Retorno bruto da accedilatildeo
∆X Retorno tratado da accedilatildeo
∆x Retorno previsto bruto da accedilatildeo
∆X Retorno pervisto tratado da accedilatildeo
Sg Stop gain
Sl Stop loss
xii
Sumaacuterio
1 ndash Introduccedilatildeo 1
11 Objetivos 6
12 Organizaccedilatildeo do trabalho 7
2 ndash Delineamento Metodoloacutegico 8
21 Levantamento bibliograacutefico 8
22 Definiccedilatildeo do modelo 8
23 Dados utilizados 8
24 Tratamento dos dados 9
25 Exploraccedilatildeo do modelo 10
26 Simulaccedilatildeo 11
27 Avaliaccedilatildeo dos resultados do modelo 11
3 ndash Trabalhos relacionados 13
31 Hipoacutetese de Mercado Eficiente 13
32 Financcedilas comportamentais 15
33 Trabalhos aplicados em previsatildeo 16
34 Expoente de Hurst 18
4 ndash Fundamentaccedilatildeo teoacuterica 20
41 Fundamentaccedilatildeo teoacuterica em financcedilas 20
411 Indicadores utilizados nas estrateacutegias 24
5 ndash Modelos 27
51 Tratamento dos dados 27
52 Ajuste linear do dados 28
53 Modelo de previsatildeo 32
6 ndash Exploraccedilatildeo do modelo de previsatildeo 37
61 Variaccedilotildees do tamanho de R 37
62 Variaccedilotildees da quantidade de accedilotildees 45
63 Variaccedilatildeo da granularidade 47
64 Anaacutelise da acuraacutecia em funccedilatildeo do expoente de Hurst das seacuteries 48
65 Acuraacutecias em quadrimestres diferentes 52
651 Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo quadri-
mestres de 2017 52
xiii
652 Aplicaccedilatildeo do modelo utilizando a combinaccedilatildeo das 10 accedilotildees com
maiores pesos nos iacutendices Ibovespa e Dow Jones 56
653 Anaacutelise do desempenho do modelo aplicado agraves accedilotildees de melhor
acuraacutecia no quadrimestre precedente 59
66 Votaccedilatildeo 62
67 Consideraccedilotildees gerais 65
7 ndash Simulaccedilatildeo 67
71 Visatildeo geral dos modelos de operaccedilatildeo 68
72 Modelo de operaccedilatildeo 1 74
721 Acuraacutecias 75
722 Simulaccedilatildeo 77
723 Anaacutelise estatiacutestica de resultados financeiros relativos ao MO1 81
724 Consideraccedilotildees sobre MO1 87
73 Modelo de operaccedilatildeo 2 87
74 Consideraccedilotildees finais 96
8 ndash Conclusatildeo 98
81 Trabalhos Futuros 102
Referecircncias 103
Apecircndices 109
APEcircNDICE A ndash Estimaccedilatildeo da matriz de coeficientes pelo meacutetodo dos miacutenimos
quadrados 110
APEcircNDICE B ndash Tabelas lotes padratildeo das accedilotildees 115
Anexos 117
ANEXO A ndash Tabela de accedilotildees que participaram da carteira teoacuterica do Ibovespa
no primeiro quadrimestre de 2017 118
ANEXO B ndash Tabela de accedilotildees que participaram da carteira teoacuterica do Dow Jones
no primeiro quadrimestre de 2017 120
ANEXO C ndash Tabela das taxas anuais de crescimento do Ibovespa 121
xiv
Capiacutetulo 1
Introduccedilatildeo
A teoria econocircmica claacutessica defende que natildeo eacute possiacutevel obter informaccedilotildees de dados
baseando-se em informaccedilotildees passadas que levem a ganhos fora do padratildeo do mercado
(SAMUELSON 1965) Seus teoacutericos defendem que os mercados seriam assim eficientes
e que os preccedilos caminham em direccedilatildeo a um ponto de equiliacutebrio no longo prazo Esta
discussatildeo inclui a definiccedilatildeo da hipoacutetese de mercado eficiente (HME) (MALKIEL FAMA
1970 SHILLER 1980) Tal hipoacutetese considera que natildeo haacute possibilidades de arbitragem
que o mercado descobre o preccedilo correto dos ativos natildeo sendo possiacutevel ganhos acima
da meacutedia sem correr riscos acima da meacutedia Considera tambeacutem que os investidores
satildeo racionais e que toda informaccedilatildeo relevante eacute disponiacutevel e absorvida imediatamente
pelo mercado (MALKIEL FAMA 1970) No entanto um grande nuacutemero de analistas do
mercado especuladores e investidores fundamentalistas ou teacutecnicos estatildeo em busca de
tais informaccedilotildees (FENG et al 2012)
Investigaccedilotildees empiacutericas sobre a eficiecircncia do mercado tecircm sido realizadas em muitos con-
textos utilizando diversas ferramentas estatiacutesticas (BARKOULAS BAUM 1996 GRECH
MAZUR 2004 CAJUEIRO TABAK 2004 ZUNINO et al 2007 CHORDIA ROLL SU-
BRAHMANYAM 2008 BELAIRE-FRANCH OPONG 2010 CAGINALP DESANTIS 2011
CHARLES DARNEacute KIM 2012 AL-KHAZALI PYUN KIM 2012 LAZAR TODEA FILIP
2012 CHOUDHRY JAYASEKERA 2012 CHOUDHRY JAYASEKERA 2014 KATUSIIME
SHAMSUDDIN AGBOLA 2015 NTIM et al 2015 CURME STANLEY VODENSKA 2015
PODOBNIK et al 2006 RESENDE et al 2017) Pesquisas mostram que o mercado natildeo eacute
tatildeo eficiente em termos de absorccedilatildeo de informaccedilatildeo nem toda informaccedilatildeo relevante estaacute
disponiacutevel aos investidores (ROSS 1989 HEALY PALEPU 2001 BRUNNERMEIER 2005)
No estudo realizado por (CAJUEIRO TABAK 2004) os expoentes de Hurst das seacuteries
de paiacuteses desenvolvidos estatildeo bem proacuteximos de 0 5 Jaacute os valores obtidos para paiacuteses
emergentes se distanciam mais deste valor indicando que mercados emergentes satildeo
menos eficientes que mercados desenvolvidos A ineficiecircncia dos mercados emergentes
dentre outros fatores pode estar relacionada agrave baixa liquidez do mercado (CHORDIA ROLL
1
SUBRAHMANYAM 2008 CHUNG HRAZDIL 2010) e ao fluxo de informaccedilatildeo (ROSS 1989
HEALY PALEPU 2001 BRUNNERMEIER 2005) Tambeacutem haacute pesquisas no campo de
financcedilas comportamentais onde o comportamento natildeo racional eacute estudado em detalhes
(KAHNEMAN TVERSKY 1979 SHILLER FISCHER FRIEDMAN 1984) Em (CAGINALP
ERMENTROUT 1990) os autores desenvolveram um modelo utilizando equaccedilotildees dife-
renciais que incorpora o aspecto emocional dos investidores em um mercado financeiro
teoacuterico Indicam que fatores psicoloacutegicos satildeo capazes de influenciar a estabilidade dos
preccedilos evidenciando desvios da hipoacutetese de mercado eficiente
Algoritmos de automatizaccedilatildeo de estrateacutegias e operaccedilotildees tambeacutem tecircm sido foco de vaacuterias
pesquisas na aacuterea Muitos desses trabalhos utilizam redes neurais artificiais para a constru-
ccedilatildeo dos modelos de previsatildeo Em (NAMETALA et al 2016) os autores desenvolveram uma
estrateacutegia automatizada que combina redes neurais artificiais e preditores economeacutetricos
para gerar sinais de compra ou venda por meio de um modelo de negociaccedilatildeo incorporado
ao algoritmo
Pesquisas nestas aacutereas de automatizaccedilatildeo caracterizaccedilatildeo e modelagem de mercados
constituem-se relativamente novas e promissoras pois com o surgimento de novas tec-
nologias e diversas plataformas de negociaccedilatildeo o nuacutemero de pessoas atuando na bolsa
tem aumentado significativamente O cadastro de CPFs na Bolsa brasileira teve um grande
avanccedilo sendo que em maio de 2020 este nuacutemero chegou agrave marca de 2483286 O aumento
pode ainda estar relacionado dentre outros fatores agrave ampla divulgaccedilatildeo e tambeacutem agrave redu-
ccedilatildeo da taxa de juros do paiacutes tornando a renda variaacutevel uma atrativa fonte de investimento
As pessoas fiacutesicas representam 98 86 do total de investidores sendo destes 75 05
homens e 23 81 mulheres O valor investido pelas pessoas fiacutesicas eacute de 303 63 bilhotildees
de reais Ainda de acordo com o relatoacuterio disponibilizado pela Bolsa a maior parte dos
investimentos estaacute concentrada no estado de Satildeo Paulo Os dados com os nuacutemeros de
investidores bem como os valores por estado satildeo mostrados na tabela 1 que foi adaptada
de (BMampFBOVESPA 2020a)
A figura 1 apresenta a evoluccedilatildeo da distribuiccedilatildeo da participaccedilatildeo de homens e mulheres no
total de investidores pessoa fiacutesica na bolsa brasileira A curva azul corresponde aos CPFs
relacionados ao sexo masculino que em todo o periacuteodo apresentado se manteve acima
da curva vermelha que representa a participaccedilatildeo das mulheres na bolsa Para ambos
os perfis percebemos um aumento significativo dos investidores a partir do ano de 2018
Segundo dados da Bovespa (BMampFBOVESPA 2020a) o nuacutemero de CPFs cadastrados na
bolsa brasileira dobrou em 2019 saltando de 813291 para 1681033 O criteacuterio de contagem
considera o CPF cadastrado em cada agente de custoacutedia ou seja pode contabilizar o
mesmo investidor caso ele possua conta em mais de um corretora Entretanto este aumento
no nuacutemero de pessoas eacute bem relevante
2
Tabela 1 ndash Perfil dos investidores pessoa fiacutesica na Bovespa
EstadoContas Valor (R$ bilhotildees)
Homens Mulheres Total Homens Mulheres TotalSP 725848 245265 971113 11615 3426 15042 4954RJ 204690 70602 275292 3536 1212 4748 1564MG 182502 54644 237146 2538 424 2962 975RS 108117 30292 138409 1246 360 1606 529SC 91315 25268 116583 789 206 995 328PR 118032 33968 152000 1071 284 1355 446BA 59552 18373 77925 511 110 622 205DF 65687 23372 89059 620 119 739 243ES 39356 11092 50448 295 058 352 116PE 42806 12570 55376 280 075 355 117CE 36110 10321 46431 224 069 292 096GO 44555 13562 58117 222 046 268 088PB 16386 4761 21147 075 017 093 031MT 20172 5841 26013 113 020 133 044MS 17871 4995 22866 128 016 144 047PA 19571 6147 25718 101 022 123 041RN 17016 4454 21470 090 017 107 035AM 12893 4137 17030 075 014 088 029MA 13847 4135 17982 073 012 085 028AL 10212 2863 13075 047 008 055 018SE 9966 2801 12767 050 010 060 020PI 8512 2456 10968 039 007 046 015RO 7805 2339 10144 034 008 042 014AP 1921 616 2537 008 001 009 003AC 2557 802 3359 011 003 014 004RR 2204 712 2916 008 001 009 003TO 5693 1702 7395 017 003 020 006
Total 1885196 598090 2483286 23817 6546 30363Nota Os dados apresentados satildeo referentes ao perfil dos investidores pessoa fiacutesica naBovespa em 29052020 Os resultados foram segmentados por estados e mostram os
nuacutemeros de contas de pessoas fiacutesicas na Bovespa bem como o saldo financeiro Acontagem dos CPFs de investidores satildeo por agente de custoacutedia Adaptado do site de
serviccedilos da Bovespa Histoacuterico de perfil dos investidores pessoas fiacutesicas de Maio de 2020disponiacutevel em lthttpwwwb3combrpt_brmarket-data-e-indicesservicos-de-dados
market-dataconsultasmercado-a-vistahistorico-pessoas-fisicasgt
3
2002 2004 2006 2008 2010 2012 2014 2016 2018 2020
Anos
0
05
1
15
2
25
Con
tas
106
HomensMulheresTotal
Figura 1 ndash Histoacuterico de perfil dos investidores pessoas fiacutesicas na Bovespa Representaa evoluccedilatildeo do nuacutemero de investidores na Bovespa entre os anos de 2002 a 2020A curva na cor azul corresponde ao nuacutemero de CPFs de investidores do sexomasculino a curva na cor vermelha representa a evoluccedilatildeo da participaccedilatildeo demulheres na Bolsa e a curva na cor verde mostra o total de pessoas fiacutesicas aolongo do periacuteodo
Nem todos os agentes atuantes no mercado tecircm retornos positivos e muitos acabam fracas-
sando e desistindo do mercado uma vez que a renda variaacutevel depende de diversos fatores
tais como gerenciamento de risco definiccedilatildeo de estrateacutegia e ateacute mesmo controle emocional
Desta forma as estrateacutegias automatizadas podem facilitar o ingresso neste cenaacuterio de
grandes oscilaccedilotildees e incertezas com mais assertividade e precisatildeo nas operaccedilotildees Isto nos
incentiva a pesquisar e desenvolver ferramentas que auxiliem na tomada de decisatildeo
Neste contexto motivados pela lacuna deixada pela hipoacutetese de mercado eficiente sugerida
por modelos interessados na previsatildeo de dinacircmicas de mercados (ATSALAKIS K 2013
ATSALAKIS VALAVANIS 2009) e por modelos empenhados na previsatildeo do sinal de
retornos de ativos (NYBERG 2011 ANATOLYEV GOSPODINOV 2012 CHEVAPATRAKUL
2013 POumlNKAuml 2014) propomos tambeacutem um modelo de previsatildeo Este eacute baseado em um
sistema de equaccedilotildees diferenciais lineares acopladas Discretizando o sistema obtemos um
modelo que se assemelha a um modelo de regressatildeo linear multivariado
Neste modelo consideramos que os desvios dos preccedilos brutos das accedilotildees em relaccedilatildeo a um
preccedilo justo satildeo os fatores importantes na nossa anaacutelise Tais desvios seratildeo denominados
4
preccedilos tratados De fato sabemos que existem modelos para precificaccedilatildeo de ativos poreacutem
neste trabalho vamos utilizar meacutedias moacuteveis exponenciais como aproximaccedilatildeo para o preccedilo
justo Assim o preccedilo considerado justo seraacute denominado preccedilo de referecircncia O preccedilo
tratado seraacute dado pela diferenccedila logariacutetmica entre o preccedilo bruto e o preccedilo de referecircncia
Na investigaccedilatildeo utilizamos dados de todas as accedilotildees que compotildeem os iacutendices Dow Jones e
Ibovespa no ano de 2017 O Dow Jones eacute um iacutendice do mercado americano que representa
a negociaccedilatildeo das 30 maiores empresas de capital aberto negociadas neste mercado O
Ibovespa eacute o iacutendice composto em meacutedia por 58 accedilotildees negociadas na bolsa de valores
de Satildeo Paulo Para compor a carteira teoacuterica do Ibovespa as accedilotildees tecircm que atender a
criteacuterios estabelecidos pela BMampFBOVESPA1 relativos agrave liquidez volume de negociaccedilatildeo
participaccedilatildeo nos pregotildees de negociaccedilatildeo e outros As seacuteries utilizadas satildeo compostas por
dados de candles intraday2 onde maiores correlaccedilotildees satildeo esperadas (ALLEZ BOUCHAUD
2011) O iacutendice Ibovespa foi escolhido por ser de um mercado de paiacutes emergente onde
a ineficiecircncia tende a ser mais evidenciada possibilitando assim maiores oportunidades
de sucesso na previsatildeo de tendecircncias de retornos (CAJUEIRO TABAK 2004 ZUNINO et
al 2007) O mercado Americano foi escolhido para contrastar com este cenaacuterio e tambeacutem
devido agrave sua importacircncia
Os paracircmetros do modelo satildeo explorados de forma a definir-se uma combinaccedilatildeo ideal
que apresente resultados relevantes de acuraacutecia na previsatildeo de tendecircncia de retornos das
accedilotildees Nosso objetivo eacute mostrar que o modelo de previsatildeo de tendecircncia apresenta uma
taxa de acuraacutecia superior a um processo totalmente aleatoacuterio Para validar estes resultados
realizaremos anaacutelises estatiacutesticas A hipoacutetese de pesquisa a ser testada eacute que a acuraacutecia
do modelo eacute diferente de 0 5 evidenciando desvio da hipoacutetese de mercado eficiente
Diante dos paracircmetros definidos durante a exploraccedilatildeo do modelo vamos desenvolver
duas estrateacutegias de negociaccedilatildeo e aplicaacute-las no mercado real atraveacutes de uma plataforma
de simulaccedilatildeo Os resultados seratildeo comparados levando em consideraccedilatildeo as variaacuteveis
envolvidas na simulaccedilatildeo tais como risco de exposiccedilatildeo ao mercado retorno financeiro
taxas operacionais e capital alocado
Um problema desafiador que surge no acircmbito das pesquisas em mercados financeiros eacute a
possibilidade de se utilizar teacutecnicas e modelos matemaacuteticos para representar a dinacircmica
dos movimentos dos preccedilos O problema torna-se mais complexo quando envolve teacutecnicas
de previsatildeo de tais valores poreacutem um grande nuacutemero de agentes do mercado estatildeo em
busca destas informaccedilotildees Assim nosso problema neste trabalho eacute desenvolver um modelo
matemaacutetico-computacional para a previsatildeo de tendecircncia de preccedilos no mercado de accedilotildees
brasileiro e no mercado americano
1Bolsa de Valores Mercadorias e Futuros de Satildeo Paulo2Dados dentro de um periacuteodo regular da bolsa (dia)
5
Nesta perspectiva este trabalho Justifica-se como complementaccedilatildeo de outros estudos
que envolvem a combinaccedilatildeo de ferramentas estatiacutesticas redes neurais artificiais e outras
abordagens aplicadas para a modelagem de mercado de accedilotildees podendo assim ser
utilizado em pesquisas futuras
11 Objetivos
Este trabalho tem como objetivo geral apresentar um modelo de previsatildeo de tendecircncias de
preccedilos das accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa buscando oportunidades
em desvios da hipoacutetese de mercado eficiente A pesquisa iraacute contribuir para a compreensatildeo
da dinacircmica dos mercados de accedilotildees
Na decomposiccedilatildeo do objetivo geral destacam-se alguns dentre os principais objetivos
especiacuteficos
bull Desenvolver um modelo capaz de prever tendecircncias de preccedilos com taxas de acertos
superiores a um processo totalmente aleatoacuterio
bull Testar o niacutevel de eficiecircncia de dois mercados com caracteriacutesticas diferentes A investi-
gaccedilatildeo seraacute por meio da anaacutelise de resultados obtidos para Dow Jones e Ibovespa
bull Explorar o modelo de previsatildeo de tendecircncia com o objetivo de encontrar paracircmetros
que retornem os melhores resultados
bull Desenvolver estrateacutegias de negociaccedilatildeo aplicadas ao mercado real em periacuteodos
diferentes utilizando tais paracircmetros
De forma especiacutefica a principal contribuiccedilatildeo deste trabalho eacute favorecer a compreensatildeo
da dinacircmica do mercado de accedilotildees Jaacute sob o ponto de vista social diante do aumento do
nuacutemero de agentes atuando na Bolsa de valores e da queda na taxa de juros podemos
dizer que o mercado de renda variaacutevel tem se tornado atrativo para novos investimentos
impactando assim a forma como as pessoas aplicam as suas economias Por isso eacute
importante verificar a Hipoacutetese de Mercado Eficiente neste cenaacuterio
Neste contexto o modelo de operaccedilatildeo implementado depois de adaptado e validado tam-
beacutem pode contribuir para operaccedilotildees em outros cenaacuterios tais como mercados futuros(doacutelar
e iacutendices) e commodities3 (por exemplo milho feijatildeo cafeacute soja)
3Satildeo produtos de qualidade e caracteriacutesticas uniformes que funcionam como mateacuteria-prima produzidosem escala e que podem ser estocados sem perda de qualidade Seu preccedilo eacute definido de acordo com a ofertae demanda americana
6
12 Organizaccedilatildeo do trabalho
A tese estaacute estruturada em 8 capiacutetulos dois apecircndices e trecircs anexos
No capiacutetulo 1 que eacute o presente capiacutetulo apresentamos a introduccedilatildeo do trabalho Aqui satildeo
introduzidas as etapas e caracteriacutesticas do desenvolvimento da pesquisa
No capiacutetulo 2 descrevemos o delineamento da pesquisa o planejamento do modelo a
exploraccedilatildeo do modelo e a definiccedilatildeo dos dados utilizados nas anaacutelises
No capiacutetulo 3 apresentamos uma breve revisatildeo bibliograacutefica dos trabalhos referentes ao
tema da pesquisa
No capiacutetulo 4 descrevemos alguns conceitos necessaacuterios para a compreensatildeo do trabalho
e as ferramentas computacionais utilizadas
No capiacutetulo 5 apresentamos a formulaccedilatildeo do tratamento dos dados a apresentaccedilatildeo de um
modelo baseado em um sistema de equaccedilotildees diferenciais lineares e a sua adaptaccedilatildeo para
um novo modelo de ajuste de pontos bem como a definiccedilatildeo de um modelo de previsatildeo de
tendecircncia de preccedilos
No capiacutetulo 6 eacute apresentada a exploraccedilatildeo do modelo Neste analisamos os paracircmetros de
entrada com o objetivo de encontrar a combinaccedilatildeo que apresente as melhores acuraacutecias
do modelo na previsatildeo de tendecircncia dos preccedilos
No capiacutetulo 7 mostramos as estrateacutegias de negociaccedilatildeo aplicadas no mercado real Para
a simulaccedilatildeo utilizamos o modelo que retorna um sinal de compra venda ou natildeo opera
apresentado no capiacutetulo 5 Para calibrar o modelo de previsatildeo utilizamos os paracircmetros
explorados no Capiacutetulo 6
No capiacutetulo 8 descrevemos a conclusatildeo bem como os passos futuros do trabalho
O apecircndice A complementa a tese com a descriccedilatildeo da forma de estimar a matriz de
coeficientes por meio da teacutecnica de otimizaccedilatildeo matemaacutetica dos miacutenimos quadrados Jaacute o
apecircndice B conteacutem a tabela de lotes padratildeo de negociaccedilatildeo das accedilotildees na Bovespa
Os anexos A B e C mostram respectivamente a tabela das accedilotildees que participaram da
carteira teoacuterica do Ibovespa no primeiro quadrimestre de 2017 a tabela das accedilotildees que
participaram da carteira teoacuterica do iacutendice Dow Jones tambeacutem no primeiro quadrimestre de
2017 e a tabela das taxas anuais de crescimento do Ibovespa
7
Capiacutetulo 2
Delineamento Metodoloacutegico
Neste capiacutetulo vamos apresentar o delineamento da pesquisa o planejamento a exploraccedilatildeo
do modelo simulaccedilatildeo bem como a definiccedilatildeo dos dados utilizados nas anaacutelises
21 Levantamento bibliograacutefico
A etapa de levantamento bibliograacutefico tem como objetivo contextualizar a pesquisa dentro
do conjunto de atividades cientiacuteficas relacionadas a modelos de previsatildeo desenvolvidos
para o mercado de accedilotildees
22 Definiccedilatildeo do modelo
A definiccedilatildeo do modelo seraacute apresentada no capiacutetulo 5 O modelo de previsatildeo foi definido
baseando-se em um sistema de equaccedilotildees diferenciais lineares acopladas (RESENDE et al
2017) Este sistema foi discretizado de forma a se aproximar de um modelo de regressatildeo
linear multivariado De fato natildeo esperamos que um modelo linear seja capaz de representar
a dinacircmica do mercado financeiro Poreacutem a violaccedilatildeo ou natildeo das premissas de adequaccedilatildeo
a um modelo de regressatildeo natildeo inviabiliza o trabalho uma vez que o objetivo principal deste
eacute prever tendecircncias de preccedilos de accedilotildees A matriz de coeficientes do modelo obtida ateacute o
tempo t seraacute determinada com base em manipulaccedilotildees algeacutebricas expostas por (AGUIRRE
2007) e seraacute utilizada como instrumento para a previsatildeo da tendecircncia dos preccedilos no tempo
t+ 1 Trabalhamos aqui com a hipoacutetese de linearidade local na vizinhanccedila de t
23 Dados utilizados
Para a definiccedilatildeo e exploraccedilatildeo do modelo utilizamos preccedilos de fechamento das accedilotildees que
participaram da composiccedilatildeo da carteira teoacuterica dos iacutendices Dow Jones e Ibovespa com
frequecircncias de 5 10 15 20 e 30 minutos no primeiro e segundo quadrimestres de 2017
8
Na seccedilatildeo 63 vamos analisar todas estas granularidades de tempo e definir a amostra que
apresentar melhores resultados As seacuteries de dados utilizadas foram obtidas na plataforma
Bloomberg 1
Alteraccedilotildees na composiccedilatildeo da carteira do Ibovespa denominadas viradas satildeo realizadas a
cada quadrimestre As inclusotildees e exclusotildees de accedilotildees no iacutendice satildeo realizadas nos meses
de Janeiro Maio e Setembro utilizando como base o uacuteltimo dia de pregatildeo do mecircs anterior
A tabela 26 anexo A mostra as accedilotildees que participaram da carteira teoacuterica do Ibovespa no
primeiro quadrimestre de 2017 02012017 a 28042017 As accedilotildees estatildeo ordenadas de
acordo com a maior porcentagem de participaccedilatildeo no Ibovespa No quadrimestre 2 uma
nova accedilatildeo foi incluiacuteda na carteira alterando assim as porcentagens de participaccedilatildeo das
accedilotildees Poreacutem por simetria e comparaccedilatildeo de resultados decidimos manter as mesmas
accedilotildees e as porcentagens baseados no quadrimestre 1
O iacutendice Dow Jones eacute um dos principais indicadores do mercado americano A sua com-
posiccedilatildeo eacute definida pela meacutedia das 30 maiores e mais importantes empresas do mercado
As accedilotildees que compotildeem o iacutendice satildeo apresentadas na tabela 27 anexo B Alteraccedilotildees na
composiccedilatildeo do iacutendice Dow Jones satildeo pouco frequentes As alteraccedilotildees que aconteceram no
periacuteodo foram em relaccedilatildeo agrave ordem de peso de participaccedilatildeo na carteira Por isso decidimos
manter a ordem de participaccedilatildeo baseada no primeiro quadrimestre de 2017 A Tabela 27
anexo B apresenta as 30 accedilotildees que compotildeem o iacutendice Dow Jones ordenadas de acordo
com a sua porcentagem de participaccedilatildeo na carteira
Para a simulaccedilatildeo realiacutestica apresentada no capiacutetulo 7 utilizamos dados com frequecircncia
de cotaccedilatildeo de 5 minutos das 10 accedilotildees com maior liquidez na Bovespa nos anos de 2017 e
2018 A escolha do mercado brasileiro foi baseada no resultado da exploraccedilatildeo do modelo
(6) sendo este cenaacuterio o que apresentou melhores resultados
24 Tratamento dos dados
Na seccedilatildeo 51 eacute apresentado de forma detalhada o tratamento dos dados No modelo
analisado consideramos que os desvios dos preccedilos em relaccedilatildeo a um preccedilo considerado
justo traz informaccedilotildees sobre a dinacircmica dos preccedilos das accedilotildees Tais desvios satildeo calculados
utilizando-se a diferenccedila logariacutetmica entre o preccedilo bruto e o preccedilo de referecircncia Poreacutem
calcular o preccedilo referecircncia de cada accedilatildeo envolve diversas anaacutelises e variaacuteveis que natildeo
estatildeo no foco do trabalho Por isto utilizamos como alternativa para tal preccedilo uma meacutedia
moacutevel exponencial que seraacute considerada o preccedilo de referecircncia No caacutelculo da aproximaccedilatildeo
para o valor definimos uma janela moacutevel de tamanho 12 composta pelos dados observados
1A Bloomberg eacute uma empresa privada que oferece serviccedilos para profissionais do mercado com foco emsoftware dados e miacutedia financeira privada Foi fundada por Michael Bloomberg em 1981
9
da amostra analisada A escolha do valor de S = 12 foi baseada em aspectos experimentais
de trabalhos anteriores (RESENDE et al 2017) e tambeacutem considerando que em uma hora
de negociaccedilatildeo temos 12 candles com frequecircncia de cotaccedilatildeo de 5 minutos
25 Exploraccedilatildeo do modelo
No capiacutetulo 6 vamos explorar os diversos paracircmetros do modelo Poreacutem o objetivo principal
natildeo eacute encontrar paracircmetros oacutetimos mas sim selecionar uma combinaccedilatildeo que apresente
bons resultados de acuraacutecia2 na previsatildeo de tendecircncia Para isto exploramos as seguintes
combinaccedilotildees de paracircmetros do modelo
bull Variaccedilatildeo do tamanho da janela de pontos utilizada no ajuste
Aplicamos quantidades diferentes de pontos R ao ajuste e definimos baseados nos
resultados um valor considerado satisfatoacuterio como paracircmetro para ajustes futuros
bull Variaccedilatildeo da quantidade de accedilotildees Utilizando a quantidade de pontos definida no
item anterior variamos a quantidade n de accedilotildees envolvidas na anaacutelise O valor inicial
de n foi a combinaccedilatildeo miacutenima de 2 accedilotildees incrementando 1 accedilatildeo na ordem do seu
peso de participaccedilatildeo nas carteiras ateacute o valor maacuteximo de n = 30 para accedilotildees do Dow
Jones e n = 58 para as accedilotildees que compotildeem o Ibovespa
bull Variaccedilatildeo da granularidade dos dados
Analisamos as frequecircncias de cotaccedilotildees de 5 10 15 20 e 30 minutos para avaliar em
qual granularidade o modelo obteacutem as melhores taxas de previsatildeo de tendecircncia
Tambeacutem exploramos o modelo tendo em vista as seguintes anaacutelises
bull Taxas de acerto de tendecircncias em funccedilatildeo do expoente de Hurst
Nesta anaacutelise estamos interessados em estudar o comportamento de persistecircncia
e anti-persistecircncia das seacuteries de preccedilos brutos das accedilotildees e investigar se haacute uma
relaccedilatildeo entre os resultados e o poder de previsibilidade do modelo
bull Taxas de acerto de tendecircncias em quadrimestres diferentes
O intuito desta anaacutelise eacute investigar se as taxas de acertos obtidas no primeiro quadri-
mestre apresentam correlaccedilatildeo com as taxas relativas ao segundo quadrimestre de
2017 Isto nos possibilita verificar a consistecircncia do modelo em diferentes periacuteodos
bull Votaccedilatildeo
Uma votaccedilatildeo entre tendecircncias apontadas pelos ajustes utilizando diferentes quantida-
des de pontos R tambeacutem deve ser elaborada Nesta votaccedilatildeo consideraremos como a
tendecircncia prevista a direccedilatildeo apontada pela maioria dos votantes e empate entre os
votantes como sinal para natildeo abrir novas posiccedilotildees no momento
bull Validaccedilatildeo estatiacutestica dos resultados
Testes de hipoacuteteses seratildeo aplicados aos resultados de taxas de acertos obtidas pelo
2Capiacutetulo 5 equaccedilatildeo (30)
10
modelo A hipoacutetese a ser testada eacute que a acuraacutecia do modelo eacute estatisticamente
diferente de 0 5
26 Simulaccedilatildeo
Depois de explorados e definidos paracircmetros satisfatoacuterios para o modelo no capiacutetulo
de simulaccedilatildeo realiacutestica (capiacutetulo 7) desenvolveremos duas estrateacutegias de negociaccedilatildeo
utilizando tais paracircmetros Estas estrateacutegias seratildeo denominadas modelo de operaccedilatildeo 1
(MO1) e modelo de operaccedilatildeo 2 (MO2) As accedilotildees utilizadas nos modelos de operaccedilatildeo foram
as 10 accedilotildees com maior liquidez no ano de 2017 e 2018 As seacuteries de dados utilizadas foram
de candles de 5 minutos Em ambos os modelos de operaccedilatildeo as posiccedilotildees satildeo abertas
quando o modelo de previsatildeo de tendecircncia envia um sinal natildeo neutro De acordo com este
sinal as operaccedilotildees de compra ou venda descoberta satildeo abertas No modelo de operaccedilatildeo 1
(MO1) as operaccedilotildees satildeo fechadas a cada passo de tempo (fechamento do candle) Jaacute no
modelo de operaccedilatildeo 2 (MO2) as posiccedilotildees satildeo fechadas de acordo com valores de stop
gain e stop loss definidos
27 Avaliaccedilatildeo dos resultados do modelo
A anaacutelise dos resultados obtidos com os modelos de operaccedilatildeo nos permite avaliar as
caracteriacutesticas de cada estrateacutegia apontando as vantagens e desvantagens de cada uma
delas As variaacuteveis levadas em consideraccedilatildeo seratildeo baseadas em risco de exposiccedilatildeo ao
mercado retorno financeiro taxas operacionais e capital alocado A figura 2 mostra as
etapas e organizaccedilatildeo do trabalho descritas anteriormente
11
Tamanho de R
Numero de accedilotildees
Granularidade do dados
Quadrimestres
Expoente de Hurst
Votaccedilatildeo
Revisatildeo
bibliograacutefica
Simulaccedilatildeo
Exploraccedilatildeo do
modelo
Modelo Coleta de dadosTratamento dos
dados
Modelo de
previsatildeo
Resultados
Paracircmetros
MO1 MO2
Figura 2 ndash Organizaccedilatildeo geral do trabalho Na etapa de revisatildeo bibliograacutefica uma pesquisaeacute realizada para identificar o estado da arte do tema abordado bem como asteacutecnicas de previsatildeo utilizadas no mercado de accedilotildees Na parte do modeloapresentamos a formulaccedilatildeo do modelo baseado em um sistema de equaccedilotildeesdiferenciais lineares e a sua adaptaccedilatildeo para um novo modelo de ajuste de pontosa definiccedilatildeo e o tratamento dos dados bem como a definiccedilatildeo de um modelo deprevisatildeo de tendecircncia de preccedilos Na etapa de exploraccedilatildeo o modelo foi testadoem diferentes cenaacuterios investigando a influecircncia do tamanho de R nuacutemero deaccedilotildees granularidade dos dados e outros paracircmetros nos resultados do modeloNa simulaccedilatildeo desenvolvemos duas estrateacutegias de negociaccedilatildeo (MO1 e MO2)baseadas no modelo de previsatildeo e utilizando os paracircmetros definidos Na fasede resultados apresentamos a anaacutelise dos resultados obtidos com os modelosde operaccedilatildeo
12
Capiacutetulo 3
Trabalhos relacionados
Neste capiacutetulo vamos apresentar uma breve revisatildeo bibliograacutefica dos trabalhos relativos ao
tema da pesquisa Na seccedilatildeo 31 vamos relacionar os principais trabalhos sobre Hipoacutetese
de Mercado Eficiente (HME) Na seccedilatildeo 32 apresentaremos trabalhos que exploram a
racionalidade dos agentes do mercado por meio de estudos em financcedilas comportamentais
Nas seccedilotildees 33 e 34 descreveremos alguns trabalhos que investigam desvios da HME por
meio de modelos de previsatildeo e por anaacutelises utilizando algumas ferramentas estatiacutesticas
31 Hipoacutetese de Mercado Eficiente
Em um mercado eficiente os preccedilos dos ativos deveriam assimilar e refletir imediatamente
toda informaccedilatildeo relevante disponiacutevel Esta eacute a denominada Hipoacutetese de Mercado Eficiente
(HME)
De acordo com a HME o comportamento dos investidores eacute racional e natildeo existe memoacuteria
nas seacuteries de preccedilos que possibilite oportunidade de arbitragem A Hipoacutetese de Mercado
Eficiente foi apresentada matematicamente por (SAMUELSON 1965) mostrando que
as flutuaccedilotildees dos preccedilos acontecem de forma aleatoacuteria a expectativa para o preccedilo em
t + 1 eacute o preccedilo no tempo t Seus teoacutericos defendem que os preccedilos caminham para um
ponto de equiliacutebrio e com isso natildeo eacute possiacutevel obter ganhos demasiados sem correr
riscos proporcionais Defendem que toda informaccedilatildeo relevante estaacute disponiacutevel e que logo
eacute absorvida e processada pelo mercado sendo desta forma refletida nos valores dos
ativos (MANTEGNA STANLEY 1999) Os mercados seriam assim capazes de reunir a
sabedoria coletiva e precificar os ativos com precisatildeo
Trecircs formas diferentes de HME satildeo consideradas fraca semi-forte e forte Um mercado eacute
dito eficiente na forma fraca quando toda as informaccedilotildees puacuteblicas disponiacuteveis satildeo absorvidas
imediatamente
13
No niacutevel semi-forte considera-se que o mercado reflete toda a informaccedilatildeo publicamente
disponiacutevel incluindo informaccedilotildees obtidas atraveacutes de demonstraccedilotildees contaacutebeis publicadas
e informaccedilotildees histoacutericas A diferenccedila entre a eficiecircncia semi-forte e a eficiecircncia fraca eacute
que a semi-forte exige dos agentes uma anaacutelise completa de dados fundamentalistas das
empresas Esse tipo de anaacutelise requer um maior embasamento teoacuterico para avaliar com
propriedade empresas ou setores da economia Isso implica conhecimento tempo e custo
o que pode limitar a forma de eficiecircncia do mercado
Um mercado eacute eficiente no sentido forte quando reflete aleacutem das informaccedilotildees publicamente
disponiacuteveis e das histoacutericas de preccedilos as informaccedilotildees privadas Este niacutevel engloba as hipoacute-
teses fraca e semi-forte e considera que os preccedilos refletem imediatamente toda informaccedilatildeo
puacuteblica e privada inerente ao ativo
No entanto considerando todas as caracteriacutesticas um mercado dito eficiente na forma mais
estrita eacute um sistema idealizado Em mercados reais resiacuteduos de ineficiecircncia satildeo observa-
dos Mercados reais satildeo apenas uma aproximaccedilatildeo do mercado eficiente(MANTEGNA
STANLEY 1999) A eficiecircncia de mercado tem sido investigada em muitos contextos utili-
zando uma variedade de ferramentas estatiacutesticas (BARKOULAS BAUM 1996 GRECH
MAZUR 2004 CAJUEIRO TABAK 2004 ZUNINO et al 2007 CHORDIA ROLL SU-
BRAHMANYAM 2008 BELAIRE-FRANCH OPONG 2010 CAGINALP DESANTIS 2011
CHARLES DARNEacute KIM 2012 AL-KHAZALI PYUN KIM 2012 LAZAR TODEA FILIP
2012 CHOUDHRY JAYASEKERA 2012 CHOUDHRY JAYASEKERA 2014 KATUSIIME
SHAMSUDDIN AGBOLA 2015 NTIM et al 2015 CURME STANLEY VODENSKA 2015
PODOBNIK et al 2006) Analistas teacutecnicos tambeacutem acreditam que eacute possiacutevel obter in-
formaccedilatildeo sobre os preccedilos baseados em dados histoacutericos Em financcedilas comportamentais
o comportamento irracional dos investidores tambeacutem tem sido investigado (KAHNEMAN
TVERSKY 1979 SHILLER FISCHER FRIEDMAN 1984)
Desvios da Hipoacutetese de Mercado Eficiente tambeacutem tecircm sido associados a diversos fatores
tais como custos de operaccedilatildeo (LIU 2010) baixa liquidez (CHORDIA ROLL SUBRAH-
MANYAM 2008 CHUNG HRAZDIL 2010) limitaccedilotildees no fluxo de informaccedilatildeo (ROSS
1989 HEALY PALEPU 2001 BRUNNERMEIER 2005) intervenccedilotildees do banco central
(RAFFERTY TOMLJANOVICH 2002 BORDO LANDON-LANE 2013 ALONSO-RIVERA
CRUZ-AKEacute VENEGAS-MARTIacuteNEZ 2014 CHEN HUANG SU 2014) incertezas poliacuteticas
(PASQUARIELLO ZAFEIRIDOU 2014) e crises financeiras (LIM BROOKS KIM 2008)
No estudo realizado por (SHARMA BANERJEE 2015) nos variados setores da Bolsa
de valores de Bombaim1 (BSE) em um periacuteodo de 8 anos (abril 2006 a marccedilo 2014) os
resultados indicam que os dados natildeo satisfazem agrave suposiccedilatildeo de normalidade Mostram
que os retornos dos ativos analisados satildeo guiados por curvas assimeacutetricas e com caudas1Foi fundada em 1875 e eacute a principal bolsa de valores da Iacutendia
14
pesadas indicando tambeacutem que o mercado natildeo segue a hipoacutetese de random walk
Nas proacuteximas seccedilotildees vamos apresentar de forma sucinta alguns trabalhos no contexto
de investigaccedilatildeo de desvios da HME por meio de estudos em financcedilas comportamentais
modelos de previsatildeo e expoente de Hurst
32 Financcedilas comportamentais
No trabalho (KAHNEMAN TVERSKY 1979) Kahneman e Tversky se uniram e seus
estudos foram essenciais para quebrar os paradigmas que existiam em teoria de financcedilas
Satildeo considerados os precursores da chamada economia comportamental Eles estudaram
e exploraram os desvios e falhas de racionalidade na tomada de decisotildees por meio do
comportamento humano no mercado Em 1979 desenvolveram a Teoria da Perspectiva
tambeacutem conhecida como Teoria do Prospecto (Prospect Theory) As teorias racionais
consideram que agentes idealizados tomam decisotildees de forma racional jaacute a Teoria da
Perspectiva surge como um questionamento a esta completa racionalidade dos agentes o
que denominaram de racionalidade limitada
Na teoria apresentada os autores observaram que os agentes tomam suas decisotildees
baseados nos valores de perdas e ganhos e natildeo no resultado final Desta forma tentam
evitar perdas sendo este o foco principal De forma geral satildeo mais impactados pelas
perdas do que pelos ganhos Esta atitude estaacute associada agrave aversatildeo ao risco prolongando
posiccedilotildees em ativos perdedores para evitar assumir prejuiacutezo Diante disso formularam a
Teoria da Perspectiva que eacute uma criacutetica agrave Teoria da Utilidade (KAHNEMAN TVERSKY
1979) Em resumo a Teoria da Perspectiva tem como objetivo estudar o comportamento de
tomada de decisatildeo humana no mercado Jaacute a Teoria da Utilidade tem como objetivo mostrar
qual a melhor decisatildeo a ser tomada A Teoria da Perspectiva concebe que os agentes tecircm
mais aversatildeo ao risco sendo que tendem a evitar perder algo a ganhar sendo assimeacutetrica
a relaccedilatildeo ganho e perda Jaacute a Teoria da Utilidade considera que perdas e ganhos tecircm o
mesmo efeito e magnitude
A anaacutelise sugere que um agente que natildeo aceita a perda e tem uma falha de adaptaccedilatildeo
estaacute sujeito a aceitar apostas mais arriscadas que provavelmente natildeo seriam aceitas em
outras circunstacircncias (KAHNEMAN TVERSKY 1979) Na anaacutelise tambeacutem realizada por
(TVERSKY KAHNEMAN 1991) a aversatildeo agraves perdas (loss aversion) eacute investigada e sugere
que o impacto das desvantagens eacute maior que vantagens auferidas implicando aversatildeo
dos agentes a perdas e realccedilando a assimetria da funccedilatildeo de utilidade de ganhos e perdas
Outra observaccedilatildeo foi que quando o preccedilo estaacute aumentando o impacto na decisatildeo de
consumo eacute maior A relutacircncia para aceitar perdas foi observada nos agentes Um estudo
no mercado de accedilotildees mostrou que o nuacutemero de operaccedilotildees aumenta quando o mercado
15
estaacute em tendecircncia de alta sendo assim a propensatildeo a compras eacute maior quando o preccedilo
do ativo estaacute subindo (TVERSKY KAHNEMAN 1991)
Na mesma linha os autores de (MERKLE MUumlLLER-DETHARD WEBER 2020) desenvolve-
ram experimentos para analisar a exposiccedilatildeo ao risco depois de realizadas e natildeo realizadas
perdas e tambeacutem para investimentos com diferentes assimetrias O estudo explorava os
desvios e falhas de racionalidade na tomada de decisotildees Os resultados de tais experimen-
tos evidenciaram que os agentes se expotildeem a riscos menores depois de perdas realizadas
e mais riscos depois de perdas ainda natildeo realizadas definido como efeito de realizaccedilatildeo
No trabalho publicado por (KAHNEMAN et al 2016) os autores exploram o conceito de
ruiacutedos como fonte de inconsistecircncia e irracionalidade em resultados Argumentam que
algoritmos estatildeo menos propensos a apresentarem tais ruiacutedos e vieses nas tomadas de
decisotildees
No estudo (HOMMES KOPAacuteNYI-PEUKER SONNEMANS 2020) desenvolveram um experi-
mento com grupos de agentes do mercado e investigou-se a formaccedilatildeo de bolhas nos preccedilos
No experimento observaram que o contaacutegio atraveacutes de notiacutecias afeta o comportamento
de tais agentes Por outro lado no trabalho (FAN et al 2009) os autores desenvolveram
um modelo baseado em autocircmatos celulares para descrever a dinacircmica do mercado de
accedilotildees e investigar se o grau de imitaccedilatildeo entre os agentes influencia a complexidade e
estabilidade do mercado Os resultados obtidos com o mercado simulado sugerem que haacute
uma correlaccedilatildeo entre tais fatores Tambeacutem observaram que quando o comportamento dos
agentes eacute distribuiacutedo de forma aleatoacuteria o mercado tende a ser mais estaacutevel
Em (CAGINALP ERMENTROUT 1990) os autores desenvolveram um modelo utilizando
equaccedilotildees diferenciais que incorpora o aspecto emocional dos investidores em um mercado
financeiro teoacuterico Resultados indicaram que fatores psicoloacutegicos satildeo capazes de influenciar
a estabilidade dos preccedilos evidenciando desvios da hipoacutetese de mercado eficiente
33 Trabalhos aplicados em previsatildeo
Haacute na literatura uma abundacircncia de artigos interessados na previsatildeo da dinacircmica do
mercado Alguns dos trabalhos estudados utilizam teacutecnicas computacionais interessados
na possibilidade de explorar possiacuteveis desvios de eficiecircncia do mercado e com isso obter
estimativas razoaacuteveis para preccedilos futuros
No trabalho (CARBONE CASTELLI STANLEY 2004) os autores argumentam que a
modelagem para previsatildeo de retorno e volatilidade de preccedilos eacute a principal tarefa da pesquisa
financeira A atividade neste sentido tem sido mantida pela suposiccedilatildeo de que muitas
seacuteries financeiras temporais apresentam algum padratildeo de correlaccedilatildeo e pela oportunidade
16
de arbitragem Se correlaccedilatildeo de longo prazo estaacute presente nas seacuteries de retornos de
ativos financeiros entatildeo a hipoacutetese de que o preccedilo segue um caminho completamente
aleatoacuterio natildeo eacute vaacutelida (CAJUEIRO TABAK 2004) Podemos destacar algumas contribuiccedilotildees
relacionadas agrave aacuterea de previsatildeo realizada por (RECHENTHIN STREET 2013) e (OLIVEIRA
NOBRE ZARATE 2013) Na primeira contribuiccedilatildeo os autores realizam um estudo utilizando
probabilidade condicional para identificar continuidade e reversatildeo de tendecircncias de preccedilos
em dados de negociaccedilotildees em alta frequecircncia O estudo eacute realizado para os dados dos
preccedilos do fundo de accedilotildees do SampP 500 para as frequecircncias de cotaccedilotildees de 1 3 5 10 e 20
segundos e 1 5 e 30 minutos Os autores concluem que o mercado apresenta ineficiecircncia
ateacute aproximadamente 30 minutos Para intervalos maiores o mercado analisado caminha em
direccedilatildeo a se tornar mais eficiente Jaacute na contribuiccedilatildeo (OLIVEIRA NOBRE ZARATE 2013)
os autores desenvolveram um modelo baseado em redes neurais artificiais As entradas da
rede satildeo alguns indicadores teacutecnicos e fundamentalistas juntamente com a seacuterie de preccedilos
da accedilatildeo preferencial da Petrobraacutes (PETR4) e a saiacuteda da rede eacute o preccedilo previsto As taxas
de acerto do preccedilo e de sua tendecircncia para as configuraccedilotildees das redes e os periacuteodos
apresentados satildeo satisfatoacuterias
Na referecircncia (ATSALAKIS VALAVANIS 2009) os autores realizam uma revisatildeo de artigos
baseados em modelos que utilizam teacutecnicas derivadas de redes neurais e fuzzy aplicadas na
previsatildeo de valores de mercados Nesta contribuiccedilatildeo satildeo apresentados diversos trabalhos
que satildeo classificados de acordo com o tipo de processamento de dados as variaacuteveis de
entrada tamanho da amostra tipo e caracteriacutestica da teacutecnica de implementaccedilatildeo bem como
meacutetodo de treinamento e validaccedilatildeo Os artigos aplicam os diferentes modelos na previsatildeo
de accedilotildees especiacuteficas portfoacutelios e iacutendices de mercados desenvolvidos e emergentes Os
autores encontraram dificuldades na definiccedilatildeo dos modelos em relaccedilatildeo agrave estrutura das
redes no que se refere agrave quantidade de camadas neurocircnios e outras paracircmetros
Na referecircncia (ATSALAKIS K 2013) o autor analisa 150 artigos cientiacuteficos que utilizam
teacutecnicas de previsatildeo de mercados de accedilotildees baseadas em modelos autoregressivos (AR)
meacutedia moacutevel (MA) autoregressivo com meacutedia moacutevel (ARMA) autoregressivo integrado com
meacutedia moacutevel (ARIMA) autoregressivo generalizado condicional (GARCH) dentre outros
Na revisatildeo satildeo observadas as teacutecnicas de processamento e tratamento dos dados bem
como os resultados e anaacutelise estatiacutestica dos modelos
No trabalho (GARCIA et al 2020) os autores natildeo argumentam que o mercado pode ser
representado por uma dinacircmica linear mas baseiam-se na suposiccedilatildeo de que possa existir
componentes lineares na dinacircmica das seacuteries Baseados nisso propotildeem um modelo para
capturar tal comportamento atraveacutes de um oscilador harmocircnico amortecido em que tentam
descrever a dinacircmica das oscilaccedilotildees de preccedilos comumente observadas no mercado pela
suposiccedilatildeo de que os preccedilos retornam a um preccedilo justo assimilando a restauraccedilatildeo das
17
forccedilas Os paracircmetros obtidos na janela analisada satildeo utilizados como estimativas para
fazer a previsatildeo dos preccedilos futuros adjacentes
Na referecircncia (MEI et al 2017) os autores realizam um estudo para investigar a melhora
na previsatildeo de volatilidade do mercado de accedilotildees utilizando dados de alta frequecircncia e
incorporando assimetria e curtose como variaacuteveis adicionais aos modelos de volatilidade
comuns Argumentam que o uso de dados de alta frequecircncia permite melhor compreensatildeo
da dinacircmica dos preccedilos facilitando a previsatildeo de volatilidade e com isso melhorando a
alocaccedilatildeo de portfoacutelio e o gerenciamento de risco
No trabalho apresentado em (NELSON PEREIRA OLIVEIRA 2017) os autores estudam o
uso de redes neurais recorrentes em particular a rede LSTM (Long-Short term memory)
para a previsatildeo de tendecircncias de preccedilos de accedilotildees utilizando dados histoacutericos e tambeacutem
a combinaccedilatildeo de indicadores da anaacutelise teacutecnica A investigaccedilatildeo foi realizada no mercado
brasileiro para dados com frequecircncia de cotaccedilatildeo de 15 minutos para as accedilotildees que compotildeem
o iacutendice Ibovespa no periacuteodo avaliado As acuraacutecias obtidas satildeo avaliadas de acordo com
meacutetricas estabelecidas e comparadas com outros modelos de previsatildeo tradicionais que
tambeacutem utilizam redes neurais De acordo com os autores os resultados satildeo promissores
Algoritmos de automatizaccedilatildeo de estrateacutegias e operaccedilotildees tambeacutem tecircm sido foco de vaacuterias
pesquisas na aacuterea Muitos destes trabalhos utilizam redes neurais artificiais para a constru-
ccedilatildeo dos modelos de previsatildeo Em (NAMETALA et al 2016) os autores desenvolveram uma
estrateacutegia automatizada que combina redes neurais artificiais e preditores economeacutetricos
para gerar sinais de compra ou venda por meio de um modelo de negociaccedilatildeo incorporado
ao algoritmo
A previsatildeo da direccedilatildeo dos preccedilos de ativos em mercados de accedilotildees eacute uma tarefa complicada
e tem sido um grande desafio mas que tem chamado a atenccedilatildeo de pesquisadores e agentes
de mercado tornando-se um campo de pesquisas promissoras Assim as pesquisas natildeo se
limitam apenas a estes trabalhos citados aqui Um amplo conjunto de teacutecnicas e modelos
de vaacuterias aacutereas tem sido empregado neste cenaacuterio com o objetivo de entender e modelar o
movimento deste sistema dinacircmico e complexo que eacute o mercado
34 Expoente de Hurst
O expoente de Hurst foi resultado de estudos realizados pelo hidroacutelogo britacircnico Harold
Edwin Hurst para o projeto de uma represa em meados 1951 Neste ele verificou que
alguns fenocircmenos da natureza natildeo se comportavam de maneira aleatoacuteria Tais fenocircmenos
observados possuiacuteam uma dependecircncia dentre eles as flutuaccedilotildees do rio Nilo e a partir
disso ele criou o meacutetodo para verificar a dependecircncia de longo alcance
18
Os modelos econocircmicos apresentados nos artigos (CARBONE CASTELLI STANLEY
2004) e (CAJUEIRO TABAK 2004) testam a hipoacutetese de mercado eficiente utilizando a
metodologia do expoente de Hurst O expoente de Hurst eacute calculado utilizando dados de
seacuteries temporais com o objetivo de observar o seu comportamento O resultado assume
valores entre 0 e 1 Valores proacuteximos de 1 indicam persistecircncia valores proacuteximos de zero
indicam anti-persistecircncia e valores proacuteximos de 0 5 indicam que a seacuterie natildeo possui tendecircn-
cia Uma vez que o meacutetodo DFA objetiva retirar tendecircncias das seacuteries quando ele eacute usado
a interpretaccedilatildeo sobre persistecircncia e anti persistecircncia vale para as seacuteries sem tendecircncia No
artigo (CARBONE CASTELLI STANLEY 2004) os autores calcularam o expoente de Hurst
para seacuteries artificiais de fractais e em seacuteries dos log retornos do DAX2 e BOBL 3 utilizando
o meacutetodo DFA (detrended fluctuation analysis) e DMA (detrending moving average) Para
as seacuteries de preccedilos reais de ativos encontraram valores fora da faixa de variabilidade local
indicando que o mercado natildeo segue o movimento browniano Este resultado contraria a
Hipoacutetese de Mercado Eficiente onde os expoentes devem ser proacuteximos de 0 5 Jaacute no
artigo (CAJUEIRO TABAK 2004) com o objetivo de mostrar que mercados emergentes
satildeo menos eficientes que mercados desenvolvidos os autores calculam o expoente de
Hurst das seacuteries dos iacutendices de 11 mercados emergentes e de 2 paiacuteses desenvolvidos
Como resultado encontraram que a dinacircmica do expoente de Hurst para paiacuteses desen-
volvidos se aproxima de passeio aleatoacuterio sem vieacutes flutuando em torno do valor 0 5 Nos
paiacuteses emergentes os valores dos expoentes apresentam uma maior variaccedilatildeo indicando
certos niacuteveis de ineficiecircncia com predominacircncia de persistecircncia Ainda de acordo com
(CAJUEIRO TABAK 2004) a maior ineficiecircncia em mercados emergentes pode estar
relacionada a algumas caracteriacutesticas que os diferenciam dos mercados desenvolvidos
relacionadas agrave velocidade de propagaccedilatildeo de informaccedilotildees ao fluxo de capitais e agrave eficiecircncia
no processo de negociaccedilatildeo Na mesma linha os autores do artigo (CAGINALP DESANTIS
2011) afirmam que em um paiacutes em desenvolvimento em um mercado de accedilotildees em iniacutecio
de implantaccedilatildeo pode ser esperada ineficiecircncia devida agrave dificuldade de capitalizaccedilatildeo dos
ativos ao menor nuacutemero e agrave falta de experiecircncia dos investidores Quanto agrave ineficiecircncia
atribuiacuteda agrave quantidade de capital disponiacutevel resultados experimentais mostram que um
desbalanceamento entre a quantidade de capital e de ativos pode levar o mercado a preccedilos
incorretos (CAGINALP 2002) Esse resultado sugere que o preccedilo negociado no mercado eacute
reflexo tambeacutem do fluxo de recursos e natildeo apenas do preccedilo verdadeiro do ativo Outros
resultados experimentais que indicam a ineficiecircncia de mercado podem ser encontrados
em (CAGINALP PORTER SMITH 2000)
2Iacutendice que representa as 30 maiores empresas de capital aberto da Alemanha3Tiacutetulo do governo federal alematildeo
19
Capiacutetulo 4
Fundamentaccedilatildeo teoacuterica
Neste capiacutetulo vamos descrever de forma sucinta alguns conceitos de financcedilas necessaacuterios
para a compreensatildeo do trabalho O mercado de capitais eacute um amplo sistema financeiro que
envolve diversas variaacuteveis que natildeo seratildeo contempladas neste trabalho Vamos concentrar
nossos estudos no mercado de accedilotildees por isso vamos estender as discussotildees para
definiccedilotildees relacionados a este mercado
41 Fundamentaccedilatildeo teoacuterica em financcedilas
O mercado financeiro eacute um extenso sistema que envolve diversos tipos de mercados dentre
eles o mercado de renda variaacutevel que eacute aquele em que natildeo se pode dimensionar os
resultados do investimento no momento da aplicaccedilatildeo As accedilotildees satildeo tiacutetulos especiacuteficos
deste mercado de renda variaacutevel Satildeo fraccedilotildees do capital social de uma empresa de capital
aberto (sociedade anocircnima) Cada empresa tem o seu coacutedigo de negociaccedilatildeo na bolsa
que no Brasil geralmente eacute dado por quatro letras seguidas de um nuacutemero Podem ser
negociadas em lotes padratildeo ou fracionaacuterio Elas podem ser do tipo ordinaacuterias (ON) ou
preferenciais (PN) As principais diferenccedilas entre os dois tipos eacute que a preferencial tem
preferecircncia no recebimento de proventos e tambeacutem preferecircncia e reembolso de capital em
caso de liquidaccedilatildeo da empresa jaacute a ordinaacuteria concede direito a voto nas assembleacuteias de
acordo com o volume de participaccedilatildeo em ativos A remuneraccedilatildeo aos acionistas eacute dada por
meio de proventos como dividendos juros sobre capital proacuteprio bonificaccedilotildees e direito de
subscriccedilatildeo Os dividendos correspondem ao valor de parte do lucro obtido pela empresa
que eacute distribuiacutedo aos acionistas Juros sobre capital proacuteprio satildeo valores pagos em dinheiro
poreacutem deduzido do lucro tributaacutevel da empresa Do ponto de vista do acionista a diferenccedila
do recebimento entre os dois eacute que os dividendos natildeo tem incidecircncia de imposto de renda jaacute
os juros sobre capital proacuteprio tem uma aliacutequota de 15 sobre o valor recebido A bonificaccedilatildeo
eacute quando a empresa distribui a cada acionista uma quantidade de accedilotildees proporcional
agraves possuiacutedas em custoacutedia A subscriccedilatildeo confere ao acionista o direito de adquirir uma
20
quantidade proporcional agraves suas a um preccedilo preestabelecido pela empresa
As negociaccedilotildees em accedilotildees no Brasil satildeo realizadas na B3 comumente conhecida como
Bovespa que eacute a bolsa de Valores Mercadorias e Futuros de Satildeo Paulo que atua no
segmento BMampFBOVESPA A B3 administra uma uacutenica plataforma de negociaccedilatildeo multiativos
ndash o PUMA Trading System Atraveacutes deste sistema satildeo realizadas as operaccedilotildees com ativos
de renda variaacutevel renda fixa derivativos e commodities (BMampFBOVESPA 2020b) Os
custos transacionais para operar accedilotildees na B3 satildeo taxa de corretagem e emolumentos que
satildeo divididos em taxa de liquidaccedilatildeo negociaccedilatildeo e registro O imposto de renda eacute cobrado
sobre o valor do ganho nas operaccedilotildees sendo 20 para day trade e 15 em operaccedilotildees
comuns
O Ibovespa eacute o principal iacutendice de accedilotildees da B3 Eacute composto por uma carteira teoacuterica
contendo em meacutedia sessenta principais accedilotildees listadas na bolsa sendo um importante indi-
cador de desempenho destas empresas A cada quatro meses a composiccedilatildeo eacute reavaliada
e as accedilotildees satildeo incluiacutedas (excluiacutedas) de acordo com os criteacuterios descritos na sua metodo-
logia de seleccedilatildeo levando em consideraccedilatildeo o nuacutemero de negoacutecios e o volume financeiro
(BMampFBOVESPA 2015) A composiccedilatildeo do Ibovespa em janeiro de 2017 eacute apresentada
na tabela 26 anexo A Jaacute o Dow Jones tambeacutem referenciado como Dow Jones Industrial
Average eacute um iacutendice do mercado americano que representa a negociaccedilatildeo das 30 maiores e
mais importantes empresas de capital aberto negociadas A sua composiccedilatildeo em janeiro de
2017 eacute apresentada na tabela 27 anexo B O Dow Jones eacute um dos principais indicadores
do movimento do mercado americano e tem grande influecircncia sobre outros mercados tal
como o mercado brasileiro
As negociaccedilotildees no mercado de accedilotildees satildeo realizadas por meio de ordens lanccediladas na
corretora e que posteriormente satildeo enviadas agrave bolsa As ordens podem ser enviadas
atraveacutes do home broker que eacute uma plataforma oferecida pelas corretoras para possibilitar
a conexatildeo e o envio de ordens agrave bolsa ou atraveacutes de outras plataformas de negociaccedilatildeo
contratadas pelos agentes As ordens enviadas podem ser do tipo a mercado ordem limite
ou ordem stop Na ordem a mercado a operaccedilatildeo eacute realizada no preccedilo atual do ativo Na
ordem limite o preccedilo eacute definido e a operaccedilatildeo soacute ocorreraacute se o valor for atingido ou em casos
especiacuteficos em um preccedilo melhor do que o definido Jaacute na ordem stop eacute possiacutevel enviar
ordens com valores de ganhos (perdas) preacute definidos para uma operaccedilatildeo Nesta opccedilatildeo
as ordens soacute seratildeo disparadas quando o preccedilo for atingido Os stops satildeo ferramentas
de seguranccedila utilizadas para controlar a perda maacutexima aceitaacutevel (stop loss) e o ganho
almejado (stop gain) definido para uma estrateacutegia O perfil do investidor pode ser definido
como conservador moderado ou agressivo (arrojado) de acordo com a sua toleracircncia a
riscos
As operaccedilotildees no mercado de accedilotildees brasileiro podem ser classificadas com base na
21
frequecircncia em que realizam-se as transaccedilotildees Day trade eacute uma estrateacutegia de curta duraccedilatildeo
em que as posiccedilotildees em ativos satildeo abertas e fechadas em um mesmo dia Swing trade eacute
modalidade em que as operaccedilotildees satildeo fechadas em intervalos menores de dias geralmente
de dois a cinco dias Jaacute em operaccedilotildees de position trade as transaccedilotildees satildeo realizadas em
frequecircncias maiores pensando em longo prazo
No mercado de accedilotildees o retorno eacute dado pela diferenccedila percentual entre o preccedilo no tempo
t e t minus 1 Eacute usual considerar-se retornos logariacutetmicos que satildeo dados pela diferenccedila dos
logaritmos dos preccedilos no tempo t e tminus 1 A volatilidade estaacute relacionada agrave amplitude de
variaccedilatildeo destes retornos Quanto mais os preccedilos de um ativo variam em um intervalo de
tempo maiores as possibilidades de ganhos ou perdas em operaccedilotildees Em alguns modelos
a volatilidade eacute utilizada como medida de risco da estrateacutegia Jaacute a liquidez de um ativo
refere-se agrave capacidade deste converter-se em dinheiro sem perdas em relaccedilatildeo a isso
Quanto maior a liquidez menor a diferenccedila (spread) do preccedilo entre as ofertas de compra e
venda de um ativo
Seacuterie temporal eacute um conjunto de observaccedilotildees (dados) armazenadas ao longo de um
intervalo de tempo No mercado de accedilotildees as seacuteries podem ser compostas por valores de
fechamento abertura maacuteximo miacutenimo volume e outros dados de ativos Satildeo importantes
para a realizaccedilatildeo de backtests anaacutelises empiacutericas e caracterizaccedilatildeo de movimento e
oscilaccedilatildeo do mercado Tambeacutem satildeo utilizadas por analistas teacutecnicos na composiccedilatildeo de
graacuteficos
No mercado de accedilotildees existem duas metodologias de anaacutelises amplamente utilizadas e
que satildeo comumente chamada de escolas de anaacutelises teacutecnicas e fundamentalistas Anaacutelise
teacutecnica baseia-se na suposiccedilatildeo de que preccedilos passados podem ajudar a prever o movimento
futuro e para tanto utilizam-se graacuteficos para definir a dinacircmica dos preccedilos dos ativos Natildeo
leva em consideraccedilatildeo informaccedilotildees fundamentalistas das empresas pois acredita que o
graacutefico jaacute estaacute precificado com tais informaccedilotildees O candle (candlestick ) eacute a ferramenta da
anaacutelise teacutecnica mais utilizada no mercado de accedilotildees Representa graficamente a variaccedilatildeo do
preccedilo em um determinado intervalo de tempo Eacute formado por um corpo e sombras inferior e
superior sendo possiacutevel representar o preccedilo de abertura fechamento maacuteximo e miacutenimo na
frequecircncia analisada Na figura 3 mostramos os candles diaacuterios para o contrato futuro de
mini iacutendice no mecircs de outubro de 2020 Os candles na cor vermelha indicam que a abertura
foi maior que o fechamento sendo um candle de baixa Os candles na cor verde indicam
que a abertura foi menor que o fechamento sendo assim de alta As sombras inferiores
(superiores) tambeacutem denominadas pavios representam os valores miacutenimos (maacuteximos) na
frequecircncia analisada
22
0 2 4 6 8 10 12 14 16 18 20 22
Dias
93
94
95
96
97
98
99
10
101
102
103P
onto
s104
Figura 3 ndash Candles do WINZ20 Representa os dados da seacuterie de pontos diaacuterios do contratofuturo do mini iacutendice no mecircs de outubro de 2020 Os candles na cor vermelhaindicam que a abertura foi maior que o fechamento Candles na cor verde indicamque a abertura foi menor que o fechamento As sombras inferiores (superiores)indicam o valor miacutenimo (maacuteximo) do intervalo
A anaacutelise fundamentalista leva em consideraccedilatildeo vaacuterias informaccedilotildees financeiras para projetar
resultados futuros no meacutedio e longo prazo As projeccedilotildees satildeo baseadas principalmente em
interpretaccedilotildees de dados e indicadores disponibilizados atraveacutes de balanccedilos da empresa
Em ambas as anaacutelises eacute possiacutevel desenvolver um modelo e realizar um backtest utilizando
dados histoacutericos relevantes O backtest serve para testar a estrateacutegia e verificar como
ela se comportou em dados passados e com base nestes resultados tentar aplicar em
dados futuros com a perspectiva de que os resultados seratildeo aproximadamente replicados
Algumas plataformas que possibilitam o backtest apresentam certas limitaccedilotildees tais como
natildeo considerar execuccedilatildeo de ordem no preccedilo pior do que o esperado (slippage) natildeo simular
a fila do livro de ofertas natildeo replicar momentos de grande volatilidade e liquidez do ativo
bem como natildeo considerar a diferenccedila vigente entre o menor preccedilo de venda e o maior
preccedilo de compra (spread) Outro problema do backtest eacute a super otimizaccedilatildeo (overfit) que
23
consiste em trabalhar em um certo periacuteodo e otimizar todos os paracircmetros da estrateacutegia
para obter uma boa condiccedilatildeo naquele intervalo poreacutem em periacuteodos diferentes a estrateacutegia
natildeo apresenta bons resultados
Na nossa simulaccedilatildeo utilizamos alguns indicadores retornados pela plataforma de simulaccedilatildeo
que geralmente satildeo utilizados para avaliar o desempenho dos investimentos Estes seratildeo
descritos na seccedilatildeo seguinte
411 Indicadores utilizados nas estrateacutegias
Nesta seccedilatildeo vamos descrever os indicadores utilizados para medir o desempenho das
estrateacutegias que seratildeo apresentadas no capiacutetulo 7 Os caacutelculos dos indicadores econocircmicos
financeiros satildeo baseados principalmente nos valores de retorno e de capital inicial (Ci) e
final (Cf ) Os indicadores aqui apresentados satildeo os que a plataforma de simulaccedilatildeo retorna
e alguns casos satildeo ligeiramente diferentes dos usualmente utilizados no mercado
bull Perdas e ganhos - PNL
Mostra o resultado financeiro (lucro ou prejuiacutezo) apoacutes a execuccedilatildeo da estrateacutegia Eacute a
diferenccedila entre o capital possuiacutedo ao final da execuccedilatildeo da estrateacutegia e o capital inicial
investido
PNL = Cf minus Ci (1)
bull Retorno acumulado - ra
O retorno acumulado obtido com a estrateacutegia ao final da execuccedilatildeo eacute dado pelo razatildeo
entre o capital final possuiacutedo Cf e o capital inicial investido Ci
ra =CfCi (2)
bull Retorno anual esperado - EAR
Retorno estimado que a estrateacutegia alcanccedilaraacute em um periacuteodo de um ano mantendo a
mesma performance Eacute medido utilizando a inclinaccedilatildeo da regressatildeo linear da curva
de retorno acumulado por dia (slope)
EAR = 252times slope (3)
bull Estabilidade - R2
Mostra a estabilidade da estrateacutegia atraveacutes do coeficiente de determinaccedilatildeo R2 da
seacuterie de retornos acumulados O valor do coeficiente varia entre 0 e 1 Quanto maior
o valor de R2 maior a capacidade do modelo se ajustar agrave amostra
24
bull Volatilidade - V olatilidade
Mostra a volatilidade anualizada da estrateacutegia que eacute baseada no desvio padratildeo
dos retornos diaacuterios σr extrapolado para o periacuteodo de um ano Neste caacutelculo satildeo
considerados apenas os dias uacuteteis (252)
V olatilidade = σrradic
252 (4)
bull Sharpe - IS
Eacute um indicador utilizado para avaliar a relaccedilatildeo entre o risco e o retorno de um
investimento Mostra o retorno r acima de uma taxa livre de risco rf ajustado pela
volatilidade (risco) σ Quanto maior o Sharpe maior a expectativa de retorno frente ao
risco associado Eacute dado por
IS =r minus rfσ
(5)
bull Sortino - ISO
Eacute um indicador que como o iacutendice Sharpe avalia a relaccedilatildeo entre o risco e o retorno
de um investimento Poreacutem o Sortino leva em consideraccedilatildeo apenas a volatilidade
negativa σd anulando os desvios dos retornos positivos
ISO =r minus rfσd
(6)
bull Max Drawdown - MDD
Retrata a maior perda percentual que a estrateacutegia teve durante sua execuccedilatildeo
bull Beta - β
Eacute uma medida de volatilidade da estrateacutegia em relaccedilatildeo a um benchmark1 Mede o
quanto o desempenho da estrateacutegia segue o da economia em geral eacute dado por
β =cov(r rb)
var(rb) (7)
onde r eacute o retorno da estrateacutegia e rb o retorno do benchmark
bull Alpha - α
Este paracircmetro estima o quanto a estrateacutegia se destacou positivamente dos retornos
retratados pelo benchmark selecionado ou seja tenta mensurar quanto retorno a
estrateacutegia gerou acima do crescimentodecrescimento natural da economia
α = rd minus βrb (8)
onde rd eacute a meacutedia dos retornos diaacuterios da estrateacutegia rb eacute o retorno do benchmark e β
o coeficiente calculado1Paracircmetro utilizado como orientaccedilatildeo para avaliar o desempenho de um investimento
25
bull Value at Risk - V aR
Este paracircmetro estima o risco potencial de uma perda maacutexima de um ativo ou portfoacutelio
em um horizonte de tempo definido e com um determinado niacutevel de confianccedila Na
plataforma seu caacutelculo pelo meacutetodo parameacutetrico eacute feito assumindo a distribuiccedilatildeo
normal nos retornos diaacuterios de toda a carteira e considerando um niacutevel de confianccedila
de 95
V aR = ppf(0 05 rd σrd) (9)
onde ppf eacute a funccedilatildeo de densidade de probabilidade gaussiana rd eacute a meacutedia dos retor-
nos diaacuterios e σrd eacute o desvio padratildeo dos retornos diaacuterios O ponto de 5 corresponde
aproximadamente a 1645 desvios agrave esquerda da meacutedia dos retornos
26
Capiacutetulo 5
Modelos
Neste capiacutetulo vamos mostrar a formulaccedilatildeo do tratamento dos dados que seratildeo
utilizados nas etapas seguintes do trabalho a apresentaccedilatildeo de um modelo baseado
em um sistema de equaccedilotildees diferenciais lineares e a sua adaptaccedilatildeo para um novo
modelo de ajuste de pontos bem como a definiccedilatildeo de um modelo de previsatildeo de
tendecircncia de preccedilos
51 Tratamento dos dados
O preccedilo bruto de cada uma das n accedilotildees no tempo t isin Z1 eacute representado por xk(t)
(k = 1 2 middot middot middot n) Neste trabalho vamos utilizar dados com preccedilos tratados que
consistem nos desvios destes preccedilos brutos xk(t) em relaccedilatildeo a preccedilos considerados
justos Contudo determinar o preccedilo justo de cada accedilatildeo envolve diversas variaacuteveis que
natildeo estatildeo no foco do estudo Uma forma que estabelecemos como aproximaccedilatildeo para
o caacutelculo foi utilizar uma meacutedia moacutevel exponencial xk (t) calculada em um periacuteodo
precedente ao preccedilo bruto analisado definida como
xk (t) = (xk (tminus 1)minus xk (tminus 1))times 2
(S + 1)+ xk (tminus 1) (10)
onde S eacute um paracircmetro relacionado ao peso dado ao uacuteltimo valor xk(t) no caacutelculo e
xk (tminus 1) eacute a meacutedia moacutevel exponencial calculada no periacuteodo anterior2 Quanto maior o
tamanho de S menor o peso dado ao uacuteltimo preccedilo Neste trabalho utilizamos S = 12
1Embora t seja usualmente utilizado para definir tempo contiacutenuo no trabalho vamos utilizar para represen-tar tempo discreto
2A Eq (10) tem caracteriacutestica recursiva ou seja o caacutelculo de xk (t) depende de um valor de xk (t0) inicialDesta forma para o primeiro caacutelculo foi utilizada uma meacutedia simples calculada em uma janela de pontosprecedentes ao preccedilo analisado escolhida com tamanho S
xk(0) =1
S
t0minus1sumt=t0minusS
xk (t) (11)
27
para o caacutelculo das meacutedias moacuteveis que foram utilizadas como aproximaccedilatildeo para os
preccedilos justos Com isto a nova seacuterie de preccedilos tratados seraacute dada pela diferenccedila
entre o logaritmo dos preccedilos brutos e o logaritmo dos preccedilos considerados justos
definida como
Xk (t) = ln xk (t)minus ln xk (t) (12)
Consideramos que os desvios dos preccedilos brutos em relaccedilatildeo aos preccedilos justos eacute que
satildeo importantes para a representaccedilatildeo da dinacircmica das seacuteries Desta forma a partir
deste ponto em nossas anaacutelises utilizaremos as novas seacuteries de preccedilos tratados
Para ilustrar o comportamento das seacuteries construiacutemos a figura 4 que mostra o
logaritmo da seacuterie de preccedilos brutos x1 e da seacuterie de meacutedias moacuteveis x1 (em (a)) bem
como o logaritmo da seacuterie de preccedilos tratados X1 para a accedilatildeo ITUB4 (em (b)) A
escolha da seacuterie foi justificada por ser ITUB4 a accedilatildeo que tem a maior porcentagem
de participaccedilatildeo na carteira teoacuterica do Ibovespa do primeiro quadrimestre de 2017
Podemos observar que a curva das meacutedias moacuteveis representada pela linha pontilhada
eacute mais suave que a curva dos valores brutos Tambeacutem observamos que a curva de
preccedilos tratados X1 tende a se aproximar da origem apoacutes as variaccedilotildees observadas
52 Ajuste linear do dados
O modelo de equaccedilotildees diferenciais lineares que propusemos em (RESENDE et al
2017) eacute dado na formad
dtXa (t) = BXa (t) (13)
onde
Xa(t) =
X1(tminus n+ 1) middot middot middot X1(tminus 1) X1(t)
X2(tminus n+ 1) middot middot middot X2(tminus 1) X2(t)
Xn(tminus n+ 1) middot middot middot Xn(tminus 1) Xn(t)
e
B =
B11 B12 middot middot middot B1n
B21 B22 middot middot middot B2n
Bn1 Bn2 middot middot middot Bnn
A equaccedilatildeo (13) equivale a n equaccedilotildees do tipo
d
dt
X1(τ)
X2(τ)
Xn(τ)
= B
X1(τ)
X2(τ)
Xn(τ)
(14)
28
357
358
359
36
361
362lnx1lnx1
0 100 200 300 400 500minus002
minus001
0
001
002
003
t
lnX
1
(a)
(b)
Figura 4 ndash Comparaccedilatildeo de preccedilos brutos meacutedias moacuteveis e preccedilos tratados da seacuterieda ITUB4 (k = 1) A figura mostra 500 pontos com granularidade de 5 minutospara a accedilatildeo com maior participaccedilatildeo na carteira teoacuterica do Ibovespa no primeiroquadrimestre de 2017 (a) A linha contiacutenua representa a evoluccedilatildeo do logaritmodos preccedilos brutos lnx1 e a linha pontilhada descreve as meacutedias moacuteveis ln x1 (b)Representa os preccedilos tratados lnX1
com tminus n+ 1 le τ le t
Neste modelo consideramos que os desvios dos preccedilos brutos em relaccedilatildeo aos
preccedilos considerados justos satildeo os elementos importantes para a caracterizaccedilatildeo das
dinacircmicas das seacuteries
Discretizando o modelo de equaccedilotildees diferenciais representado pela equaccedilatildeo (13)
obtemos
Xa(t)minusXa(tminus 1)
∆t= BXa(t) (15)
equivalente a
29
Xa(tminus 1) = Xa(t)minus∆tBXa(t) (16)
= (Iminus∆tB)Xa(t)
onde I eacute a matriz identidade ntimesn Assumindo que Aa = (Iminus∆tB)minus1 existe podemos
escrever
Xa(t) = AaXa(tminus 1) (17)
No modelo apresentado acima se existir a inversa de Xa(tminus 1) podemos encontrar
as matrizes Aa perfeitamente ajustadas para a equaccedilatildeo (17) isto eacute o sistema definido
desta maneira apresenta soluccedilotildees que passam em todos os pontos no intervalo [tminusn
t] Agora adaptaremos o modelo buscando matrizes Aa que satildeo aproximadamente
ajustadas em intervalos maiores Para a definiccedilatildeo suponha que a evoluccedilatildeo dos preccedilos
tratados ainda possa ser expressa pela combinaccedilatildeo linear das n accedilotildees analisadas
sendo
X(t) = AX(tminus 1) + ε (18)
onde
X(t) =
X1(tminusR + 1) X1(tminus 1) X1(t)
X2(tminusR + 1) X2(tminus 1) X2(t)
Xn(tminusR + 1) Xn(tminus 1) Xn(t)
X(tminus 1) =
X1(tminusR) X1(tminus 2) X1(tminus 1)
X2(tminusR) X2(tminus 2) X2(tminus 1)
Xn(tminusR) Xn(tminus 2) Xn(tminus 1)
A =
A(1 1) A(1 nminus 1) A(1 n)
A(2 1) A(2 nminus 1) A(2 n)
A(n 1) A(n nminus 1) A(n n)
ε =
ε1(tminusR + 1) ε1(tminus 1) ε1(t)
ε2(tminusR + 1) ε2(tminus 1) ε2(t)
εn(tminusR + 1) εn(tminus 1) εn(t)
ε eacute o erro associado ao ajuste R eacute a quantidade de pontos utilizados no ajuste e n
a quantidade de accedilotildees analisadas Os diferentes valores que R pode assumir seratildeo
testados e apresentados mais detalhadamente na seccedilatildeo 61
30
Observe que a equaccedilatildeo (18) eacute diferente da equaccedilatildeo (17) uma vez que existe um erro
associado ao ajuste aproximado e tambeacutem pelo fato de que Xa(t)(Xa(tminus 1)) eacute ntimes ne X(t)(X(tminus 1)) eacute da ordem ntimesR e consequentemente a matriz de coeficientes A
eacute diferente de B
Expandindo a equaccedilatildeo (18) para tminusR + 1 le τ le t o sistema fica na formaX1(τ) = A(1 1)X1(τ minus 1) + A(1 2)X2(τ minus 1) + A(1 n)Xn(τ minus 1) + ε1(τ)
X2(τ) = A(2 1)X1(τ minus 1) + A(2 2)X2(τ minus 1) + A(2 n)Xn(τ minus 1) + ε2(τ)
Xn(τ) = A(n 1)X1(τ minus 1) + A(n 2)X2(τ minus 1) + A(n n)Xn(τ minus 1) + εn(τ)
(19)
A equaccedilatildeo (18) se assemelha a um modelo de regressatildeo linear multivariado En-
tretanto a sua validaccedilatildeo como tal modelo depende da capacidade do mesmo em
representar a dinacircmica que produziu os dados A possiacutevel violaccedilatildeo das premissas
de um modelo de regressatildeo natildeo invalida o nosso modelo Como veremos adiante
estamos interessados nos resultados de acerto de tendecircncia que seratildeo analisados
com rigor estatiacutestico De fato natildeo esperamos que um modelo linear seja capaz de
representar a dinacircmica do mercado financeiro O que eacute refletido na distribuiccedilatildeo dos
erros que natildeo atendem as premissas de independecircncia e normalidade Contudo
as matrizes apresentaram melhores resultados em termos computacionais e de
qualidade das soluccedilotildees que os obtidos com o meacutetodo do gradiente explorado em
trabalhos anteriores (RESENDE et al 2017)
Na equaccedilatildeo (18) desconsiderando o erro a partir dos X(t) e X(t minus 1) podemos
definir a matriz de coeficientes A de forma anaacuteloga agrave descrita por (AGUIRRE 2007)
Como a matriz X(t minus 1) natildeo eacute quadrada ela natildeo pode ser invertida Entretanto
podemos multiplicar a equaccedilatildeo (18) em ambos os lados por X(t minus 1)T e obter A
fazendo
X(t)X(tminus 1)T = AX(tminus 1)X(tminus 1)T
A(X(tminus 1)X(tminus 1)T )(X(tminus 1)X(tminus 1)T )minus1 = X(t)X(tminus 1)T (X(tminus 1)X(tminus 1)T )minus1
A = (X(t)X(tminus 1)T )(X(tminus 1)X(tminus 1)T )minus1 (20)
Para as manipulaccedilotildees algeacutebricas consideramos a existecircncia da inversa de (X(tminus1)X(t minus 1)T ) Outra forma para estimar a matriz A eacute atraveacutes do meacutetodo dos miacuteni-
mos quadrados conforme descrito por (AGUIRRE 2007) A teacutecnica da otimizaccedilatildeo
matemaacutetica eacute apresentada no apecircndice A para complementar o trabalho
31
A matriz A pode variar de acordo com a escolha de t conforme a equaccedilatildeo (20)
Deste modo usaremos a notaccedilatildeo A(t) para a denotar a matriz A calculada utilizando
pontos do tempo tminusR ateacute o tempo t
Com a matriz X(t) e X(tminus 1) podemos calcular a variaccedilatildeo nos preccedilos das accedilotildees
que eacute a diferenccedila do preccedilo da accedilatildeo no periacuteodo t em relaccedilatildeo ao periacuteodo anterior tminus 1
Esta variaccedilatildeo do preccedilo ∆X(t) eacute denominada retorno do ativo definida por
∆X(t) =
∆X1(t)
∆X2(t)
∆Xn(t)
(21)
sendo
∆Xk(t) = Xk(t)minusXk(tminus 1) (22)
= log
(xk(t)
xk(t)
)minus log
(xk(tminus 1)
xk(tminus 1)
)
onde usamos no passo final a equaccedilatildeo (12)
53 Modelo de previsatildeo
Para tentar prever o preccedilo no tempo t + 1 vamos utilizar como paracircmetro a matriz
A(t) Para tanto eacute desejaacutevel que A(t) varie pouco no tempo sendo A(t) proacutexima a
A(tminus 1) Trabalhamos com a hipoacutetese de linearidade local na vizinhanccedila de t Para
analisar esta variaccedilatildeo da matriz A(t) no tempo definimos a distacircncia
d (A(t)A(tminus 1)) =
radicradicradicradic nsumi=1
nsumj=1
|A(t)ij minus A(tminus 1)ij|2 (23)
onde A(t)ij (A(tminus 1)ij) eacute o elemento da matriz A(t) (A(tminus 1)) na linha i e coluna j
entre as matrizes adjacentes A(t) e A(tminus 1) para vaacuterios valores de R e mostramos
os resultados na figura 5
32
0
5
10
15
20
25
30
200 400 600 800 1000minus05
0
05
1
15
0
2
4
6
8
d
200 400 600 800 1000minus05
0
05
1
R
(a) (c)
(d)(b)
Figura 5 ndash Distribuiccedilatildeo das distacircncias entre as matrizes A em tempos adjacentespara valores de R variando de 100 a 1000 Foram realizadas 5 000 execuccedilotildeespara as accedilotildees do Ibovespa e 3 900 para as accedilotildees que compotildeem o Dow JonesUtilizamos seacuteries de preccedilos com granularidade de 5 minutos no periacuteodo de020117 a 280417 (primeiro quadrimestre de 2017) A linha contiacutenua representaa meacutedia das distacircncias e a linha pontilhada mostra a meacutedia de dplusmn os desvios (a)Calculamos a distacircncia entre as matrizes adjacentes obtidas para todas as accedilotildeesdo iacutendice Dow Jones (b) Distacircncia das matrizes adjacentes obtidas utilizando as10 accedilotildees com maiores participaccedilotildees no iacutendice Dow Jones (c) Distacircncia entreas matrizes adjacentes calculadas utilizando todas as accedilotildees que compotildeem acarteira teoacuterica do Ibovespa (d) Distacircncia entre as matrizes obtidas utilizando as10 accedilotildees com maiores pesos de participaccedilatildeo na composiccedilatildeo do Ibovespa
33
Analisando os resultados da figura 5 obtidos com a Eq (20) percebemos que agrave
medida em que aumentamos o valor de R as distacircncias entre as matrizes calculadas
em tempos adjacentes diminuiacuteram Anaacutelises da quantidade de accedilotildees tamanho de R
e outras seratildeo exploradas no Cap 6
Com a perspectiva de que a matriz A(t) calculada utilizando-se R + 1 preccedilos passa-
dos varie pouco e com isso seja uma boa estimativa para A(t+ 1) a empregamos
como instrumento para o modelo de previsatildeo Este modelo seraacute baseado na equaccedilatildeo
(18) definido por
X(t+ 1) = A(t)Xc(t) (24)
onde A(t) foi obtida com os R + 1 preccedilos ateacute o tempo t
X(t+ 1) =
X1(t+ 1)
X2(t+ 1)
Xn(t+ 1)
eacute a matriz com preccedilos previstos das accedilotildees no tempo t+ 1 e
Xc =
X1(t)
X2(t)
Xn(t)
eacute uma matriz coluna com os valores dos preccedilos tratados no tempo t
Mesmo que haja pouca variaccedilatildeo entre as matrizes A(t) e A(t+1) eacute natural obtermos
um erro associado agrave previsatildeo
O retorno previsto das accedilotildees eacute dado por
∆X(t+ 1) =
∆1X(t+ 1)
∆2X(t+ 1)
∆nX(t+ 1)
(25)
onde
∆Xk(t+ 1) = Xk(t+ 1)minusXk(t) (26)
Os retornos reais ∆X(t+1) e os previstos ∆X(t) dos ativos satildeo referentes a retornos
de preccedilos tratados A partir destes valores podemos definir tendecircncias poreacutem para
analisar a direccedilatildeo destes preccedilos eacute preciso analisar dados de preccedilos brutos x(t) e natildeo
mais os preccedilos tratados X(t) Para o caacutelculo com estes dados brutos eacute preciso fazer
a operaccedilatildeo para reverter os dados tratados que foram utilizados ateacute este ponto do
34
trabalho Para o tratamento inicial dos dados utilizamos a equaccedilatildeo (12) reproduzida
abaixo
Xk (t) = ln xk (t)minus ln xk (t) (27)
onde Xk(t) eacute o preccedilo tratado de fechamento da accedilatildeo k no tempo t xk(t) eacute o preccedilo
bruto de fechamento da accedilatildeo k no tempo t e xk eacute a meacutedia moacutevel calculada utilizando
dados precedentes a xk(t)
Para transformar os preccedilos tratados em preccedilos brutos partimos da equaccedilatildeo (12) e
obtemos
xk(t) = xk(t) lowast eXk(t) (28)
Evidentemente os preccedilos brutos reais satildeo conhecidos e este procedimento eacute impor-
tante para calcularmos preccedilos brutos previstos Assim podemos definir os retornos
de preccedilos brutos reais ∆x(t) e os previstos ∆x(t) utilizando as equaccedilotildees 22 e 26
respectivamente
A partir da variaccedilatildeo do preccedilo no periacuteodo podemos definir o vetor de tendecircncia
T =
T1(t)
T2(t)
Tn(t)
(29)
onde T assume os valores minus1 0 e 1 sendo minus1 associado agrave tendecircncia de baixa 0
sinal neutro e 1 agrave tendecircncia de alta do preccedilo Deste ponto em diante do trabalho
estamos interessados apenas na tendecircncia e natildeo no valor do preccedilo previsto Assim o
bom resultado do modelo ocorreraacute quando a tendecircncia do preccedilo previsto for igual a
tendecircncia observada do preccedilo real Deste modo o desempenho do modelo seraacute dado
pela acuraacutecia
a =Nc
N (30)
onde Nc eacute o nuacutemero de previsotildees de tendecircncias corretas e N eacute o nuacutemero total de
previsotildees executadas pelo modelo de previsatildeo
Nos resultados que apresentamos em (RESENDE et al 2017) mostramos que o
tamanho do retorno previsto traz informaccedilatildeo sobre a tendecircncia Logo dividimos o
conjunto de retornos previstos U em 4 subconjuntos U1 U2 U3 e U4 de forma que
cada subconjunto contenha um quarto dos retornos previstos Os maiores retornos
(em moacutedulo) estatildeo em U4 seguidos pelos retornos em U3 U2 e U1 nesta ordem Os
melhores resultados em (RESENDE et al 2017) foram obtidos para o subconjunto
U4 Portanto neste trabalho vamos analisar apenas as tendecircncias previstas obtidas
com retornos previstos em U4 Para verificar se os retornos previstos estatildeo em U4
considerado o quarto quartil utilizamos uma janela de tamanho Q = 100 pontos A
35
janela Q eacute ordenada e 25 dos maiores valores satildeo armazenados em U4 Desta
forma a primeira operaccedilatildeo soacute poderaacute ocorrer a partir do (Q+1)-eacutesimo sinal produzido
Antes disso o modelo sempre retornaraacute sinais neutros Para verificar se o (Q+ 1)-
eacutesimo sinal estaacute em U4 comparamos se o seu valor eacute maior que o sinal armazenado
na posiccedilatildeo 75 da janela Q de retornos precedentes dispostos em ordem crescente
Se a condiccedilatildeo eacute satisfeita o modelo envia um sinal vaacutelido caso contraacuterio um sinal
neutro eacute enviado
36
Capiacutetulo 6
Exploraccedilatildeo do modelo de previsatildeo
O modelo apresentado na seccedilatildeo 52 conforme a equaccedilatildeo (18) foi utilizado para
desenvolver o modelo de previsatildeo representado pela equaccedilatildeo (24) Neste capiacutetulo
vamos explorar algumas das possibilidades de combinaccedilotildees de paracircmetros para
ajustar este modelo de forma a obter melhores acuraacutecias Entretanto encontrar a
combinaccedilatildeo oacutetima de paracircmetros envolve anaacutelises que natildeo estatildeo no foco do trabalho
O capiacutetulo seraacute organizado no seguinte modo na seccedilatildeo 61 investigaremos se haacute uma
relaccedilatildeo entre a acuraacutecia a e a variaccedilatildeo da quantidade de pontos R utilizados para
calcular a matriz de coeficientes A Na seccedilatildeo 62 vamos investigar se a quantidade
de accedilotildees interfere na acuraacutecia do modelo Na seccedilatildeo 63 analisaremos a relaccedilatildeo da
acuraacutecia do modelo com a granularidade dos dados Na seccedilatildeo 64 calcularemos
os expoentes de Hurst das seacuteries de preccedilos das accedilotildees e analisaremos se haacute uma
relaccedilatildeo entre as acuraacutecias obtidas e os seus expoentes de Hurst Jaacute na seccedilatildeo 65
vamos investigar se as taxas de acuraacutecia calculadas em um quadrimestre se mantecircm
no quadrimestre seguinte Com esta anaacutelise estamos interessados em verificar se o
modelo se mantecircm para outro periacuteodo Tambeacutem vamos selecionar quais as accedilotildees que
apresentam melhores acuraacutecias no primeiro quadrimestre e investigar as acuraacutecias
do modelo para estas accedilotildees no segundo quadrimestre Na seccedilatildeo 66 vamos elaborar
uma votaccedilatildeo em relaccedilatildeo agrave tendecircncia entre diferentes tamanhos de R
61 Variaccedilotildees do tamanho de R
O objetivo do modelo eacute prever a tendecircncia do preccedilo no tempo t + 1 Para isto ele
utiliza a matriz de coeficientes A que minimiza a diferenccedila quadraacutetica entre a matriz
de preccedilos reais X(t+ 1) e a matriz de preccedilos previstos X(t+ 1) Para calcular esta
matriz A eacute preciso R+ 1 pontos Natildeo sabemos o tamanho ideal de R logo definimos
a quantidade de pontos baseados em alguns testes baacutesicos de acuraacutecia do modelo
na previsatildeo de tendecircncia de preccedilos No Capiacutetulo 5 Eq (30) reproduzida abaixo
37
definimos a acuraacutecia para cada accedilatildeo como
a =Nc
N (31)
onde Nc eacute o nuacutemero de previsotildees corretas e N eacute o nuacutemero total de previsotildees
Como estamos analisando diferentes tamanhos de R para vaacuterias accedilotildees vamos definir
a acuraacutecia meacutedia
a =
nsumk
ak
n(32)
e o desvio padratildeo
σa =
radicradicradicradicradic nsumk
(ak minus a)2
nminus 1 (33)
onde ak eacute a acuraacutecia a para cada accedilatildeo k e n eacute o nuacutemero total de accedilotildees analisadas
Nesta anaacutelise uma acuraacutecia meacutedia a envolvendo todas as k accedilotildees eacute calculada para
cada tamanho de R A figura 6 mostra a acuraacutecia meacutedia a e plusmnσa do modelo para
todas as accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa Os dados analisados
satildeo referentes ao primeiro quadrimestre de 2017 Utilizamos diferentes tamanhos de
R variando de 100 a 1100 com incremento de 10 pontos a cada nova execuccedilatildeo do
programa O objetivo desta figura eacute sinalizar o momento em que natildeo haacute mais ganhos
significativos na acuraacutecia agrave medida que aumentamos o tamanho de R
38
048
05
052
054
056
100 200 300 400 500 600 700 800 900 1000048
05
052
054
056
macr a
(a)
(b)
R
Figura 6 ndash Acuraacutecia meacutedia para todas as n accedilotildees que compotildeem os iacutendices Dow Jo-nes e Ibovespa Os dados analisados satildeo referentes agraves seacuteries de preccedilos comgranularidade de 5 minutos no periacuteodo de 020117 a 280417 (primeiro quadri-mestre de 2017) Foram utilizados diferentes tamanhos de R Com valor inicialde R = 100 com incremento de 10 Para cada valor de R foram realizadas 5000execuccedilotildees para a seacuterie do Ibovespa e 3900 para Dow Jones (a) A linha contiacutenuarepresenta a acuraacutecia meacutedia a obtida para todas as accedilotildees do iacutendice Dow JonesA linha pontilhada representa a acuraacutecia meacutedia a plusmnσa das acuraacutecias obtidas (b)A linha contiacutenua mostra a acuraacutecia meacutedia a de todas as accedilotildees que compotildeema carteira teoacuterica do iacutendice Ibovespa A linha pontilhada apresenta a acuraacuteciameacutedia a plusmnσa
39
Podemos observar na figura 6 que para valores maiores de R a curva da acuraacutecia
meacutedia a tende a quase se estabilizar poreacutem ainda podemos perceber um leve cres-
cimento Para analisar se ainda haacute ganhos na acuraacutecia para valores de R gt 500
calculamos o coeficiente angular β e os coeficientes de determinaccedilatildeo r 2 da reta de
ajuste aos pontos com valores de R superiores a 500 Os coeficientes angulares β
para todas as accedilotildees dos igravendices Dow Jones e Ibovespa calculados para o intervalo
500 le R le 1000 foram β = 5 63 times 10minus5 e β = 1 24 times 10minus5 respectivamente
Embora pequenos natildeo satildeo irrelevantes observe que numa variaccedilatildeo de 0 02 na
acuraacutecia (o que eacute significativo) entre R = 500 e R = 1000 temos coeficiente angular
4times 10minus5 ou seja na ordem dos observados Os coeficientes de determinaccedilatildeo foram
r 2 = 0 2905 para todas as accedilotildees do iacutendice Dow Jones e r 2 = 0 6295 para todas
as accedilotildees do Ibovespa Eles indicam que o ajuste linear natildeo eacute satisfatoacuterio Contudo
isto natildeo eacute relevante aqui uma vez que estamos interessados sobretudo no caraacuteter
crescente das curvas Os valores de β e r2 obtidos satildeo apresentados na tabela 2
Valores dos coeficientes angulares β calculados para o intervalo 500 le R le 1000
pequenos poreacutem positivos indicam crescimento da curva e nos motivam a investigar
o comportamento do graacutefico para valores de R maiores que 1000
Tabela 2 ndash Coeficientes angulares (β) e os correspondentes coeficientes de determinaccedilatildeo(r 2) para o ajuste linear das curvas de acuraacutecias meacutedias a para diferentes valoresde R das Fig 6 e 7
Todas Accedilotildees (Fig 6) 10 Accedilotildees + (Fig 7)
Dow Jonesβ 5 63times 10minus5 9 79times 10minus5
r2 02905 062953
Ibovespaβ 1 24times 10minus4 9 98times 10minus5
r2 0 6970 0 7629
Nota Para a Fig 6 que analisa o conjunto de todas as accedilotildees que compotildeem os iacutendices Dow Jones eIbovespa os coeficientes β e r2 foram calculados para o intervalo de 500 le R le 1000 Jaacute na Fig 7os coeficientes β e r2 foram calculados para o intervalo de 1000 le R le 2000 Todos os coeficientes
β satildeo positivos indicando que as evoluccedilotildees das curvas ainda satildeo positivas
Para cada tamanho de R satildeo realizadas 5000 execuccedilotildees para as accedilotildees do Ibovespa
e 3900 para as accedilotildees do Dow Jones A diferenccedila na quantidade de execuccedilotildees entre
Dow Jones e Ibovespa eacute devida ao menor tempo diaacuterio de permanecircncia do pregatildeo
de negociaccedilatildeo do Dow Jones em relaccedilatildeo ao Ibovespa Com isso as quantidades
de dados disponiacuteveis nas amostras satildeo diferentes Ainda assim o nuacutemero de exe-
cuccedilotildees para cada valor de R eacute grande Como estamos interessados em analisar
mais tamanhos diferentes de R vamos diminuir o nuacutemero de accedilotildees envolvidas nos
testes O criteacuterio para escolha destas accedilotildees eacute selecionar as 10 accedilotildees com maiores
pesos nos iacutendices Ibovespa e Dow Jones As composiccedilotildees e as ordens de pesos das
participaccedilotildees nos iacutendices Ibovespa e Dow Jones satildeo apresentadas nas tabelas 26 e
27 respectivamente
40
Nesta anaacutelise utilizando valores maiores de pontos nos ajustes vamos explorar R
variando de 10 a 2000 com incremento de 10 pontos a cada nova execuccedilatildeo do
programa Para cada execuccedilatildeo foram realizadas 3000 e 2000 previsotildees para as
10 accedilotildees com maiores pesos de participaccedilatildeo nos iacutendices Ibovespa e Dow Jones
respectivamente A figura 7 apresenta as acuraacutecias meacutedias a linha contiacutenua e a plusmnσalinha pontilhada obtidos na anaacutelise
10 200 400 600 800 1000 1200 1400 1600 1800 2000045
05
055
06
R
a
045
05
055
06
(a)
(b)
Figura 7 ndash Acuraacutecia meacutedia para as 10 accedilotildees com maiores participaccedilotildees na carteirateoacuterica do Ibovespa E Dow Jones Os dados analisados satildeo referentes agravesseacuteries de preccedilos de fechamento com granularidade de 5 minutos no periacuteodode 020117 a 280417 (primeiro quadrimestre de 2017) Foram utilizados 200diferentes tamanhos de R Com o valor inicial de R = 10 com incremento de10 Para cada valor de R foram realizadas 3000 execuccedilotildees com as seacuteries dasaccedilotildees do Ibovespa e 2000 com a seacuteries do Dow Jones (a) A linha contiacutenuarepresenta a acuraacutecia meacutedia obtida para as 10 accedilotildees com maior participaccedilatildeo doiacutendice Dow Jones A linha pontilhada representa a meacutedia plusmnσa que eacute o desviopadratildeo das acuraacutecias obtidas (b) A linha contiacutenua mostra a acuraacutecia meacutedia paraas 10 as accedilotildees com maior peso de participaccedilatildeo na carteira teoacuterica do iacutendiceIbovespa A linha pontilhada apresenta a acuraacutecia meacutedia plusmnσa
Analisando a figura 7 percebemos que agrave medida que aumentamos os valores de R a
curva da acuraacutecia meacutedia tende a oscilar menos Isso acontece devido ao incremento de
41
10 novos pontos serem cada vez menos significativos agrave medida em que aumentamos a
quantidade de pontos na janela O efeito eacute mais evidente ao compararmos os valores
de R proacuteximos a 10 com aqueles no final da seacuterie
A figura 7 sugere que a acuraacutecia para as accedilotildees do iacutendice Dow Jones tende a se
estabilizar para valores de R ge 400 pontos Poreacutem a curva ainda mostra um leve
crescimento dos resultados Para as accedilotildees do iacutendice Ibovespa eacute evidente que a
curva de acuraacutecia apresenta ganhos significativos agrave medida em que aumentamos o
tamanho de R Estas observaccedilotildees satildeo evidenciadas pelos valores dos coeficientes
angulares apresentados na tabela 2 Desta forma na aplicaccedilatildeo do modelo seria ideal
utilizar tamanhos maiores de R mas esta quantidade de pontos definida para o ajuste
afeta diretamente o tamanho da amostra restante para fazer as N previsotildees a cada
execuccedilatildeo do programa Por isto definimos baseados nas figuras 6 e 7 um valor de R
que natildeo comprometa a acuraacutecia e nem o tamanho da amostra Uma escolha coerente
da quantidade de pontos para utilizar no ajuste eacute R = 1000
As figuras 6 e 7 nos mostram as acuraacutecias meacutedias a Como estes resultados se
referem agraves meacutedias das acuraacutecias a de todas as accedilotildees para cada valor de R natildeo po-
demos visualizar o comportamento individual das accedilotildees para os diferentes tamanhos
de R Com isto para mostrar a dispersatildeo das acuraacutecias da accedilotildees para cada valor de
R construiacutemos os boxplots1 dos resultados A dispersatildeo localizaccedilatildeo e simetria das
acuraacutecias podem ser representadas pela figura 9 As caixas contecircm 50 dos dados
sendo o primeiro quartil (Q1) a mediana e o terceiro quartil (Q3) A altura da caixa eacute a
amplitude interquartil (AIQ) que eacute dada pela distacircncia entre Q1 e Q3 A linha superior
eacute traccedilada iniciando em Q3 ateacute o maior valor observado dentro da faixa com o conjunto
de pontos que vai de Q3 ateacute o valor do limite superior (Ls) calculado utilizando 1 5
vezes o valor do interquartil AIQ
Ls = Q3 + 1 5AIQ (34)
A linha inferior eacute traccedilada iniciando-se em Q1 ateacute o menor valor que eacute encontrado
dentro da faixa que comeccedila em Q1 e se estende ateacute o valor do limite inferior (Li)
calculado utilizando 1 5 do valor do interquartil AIQ
Li = Q1minus 1 5AIQ (35)
Os pontos fora destas linhas traccediladas satildeo chamados outliers (MONTGOMERY 2008)
A figura 8 mostra as caracteriacutesticas do boxplot Como esperado a figura 9 mostra que
as accedilotildees que compotildeem o iacutendice Ibovespa apresentam mais outliers com altas taxas
de acuraacutecia quando comparadas agraves accedilotildees do iacutendice Dow Jones
1Diagrama de caixa Eacute uma apresentaccedilatildeo graacutefica que descreve simultaneamente vaacuterias caracteriacutesticasde um conjunto de dados observados(MONTGOMERY 2008)
42
049
05
051
052
053
054
055
056
1
Terceiro quartil
Mediana
Valor Miacutenimo
Valor Maacuteximo
Outlier
Quarto quartil
Figura 8 ndash Exemplo de um formato de um boxplot
43
0 10 20 30 40 50 60 70 80 90 100
05
055
06
065
07
045
05
055 (a)
(b)
Figura 9 ndash Boxplot da Acuraacutecia para todas as accedilotildees que compotildeem os iacutendices DowJones e Ibovespa Os dados utilizados foram preccedilos de fechamento das accedilotildeesque compotildeem os iacutendices Dow Jones e Ibovespa com granularidade de 5 minutosno periacuteodo de 020117 a 280417 (primeiro quadrimestre de 2017) Foramanalisados 100 diferentes tamanhos de R Para cada valor de R foram realizadas3900 execuccedilotildees para as accedilotildees do iacutendice Dow Jones e 5000 execuccedilotildees paraas accedilotildees que compotildeem a carteira teoacuterica do Ibovespa (a) Boxplots com asacuraacutecias para todas as accedilotildees do Dow Jones (b) Acuraacutecias para todas as accedilotildeesdo iacutendice Ibovespa
44
62 Variaccedilotildees da quantidade de accedilotildees
Um ponto a ser questionado refere-se agrave quantidade de accedilotildees n que devemos usar
para calibrar o modelo de forma a obter a melhor acuraacutecia Para investigar a influecircncia
deste valor n nos resultados do modelo desenvolvemos uma anaacutelise que consiste
em executar o modelo com o nuacutemero miacutenimo de combinaccedilotildees n = 2 e expandir
ateacute o nuacutemero maacuteximo de accedilotildees que compotildeem os iacutendices Ibovespa e Dow Jones
O valor de n aumenta seguindo a ordem decrescente do peso de participaccedilatildeo das
accedilotildees nos iacutendices Para esta anaacutelise utilizamos os dados de preccedilos de fechamento
das accedilotildees com granularidade de 5 minutos no periacuteodo de 020117 a 280417 que se
refere ao primeiro quadrimestre de 2017 A quantidade de pontos utilizada no ajuste
foi R = 1000 pontos Para cada combinaccedilatildeo de n accedilotildees realizamos N = 3000
previsotildees para as seacuteries do Ibovespa e N = 2000 previsotildees para as seacuteries do Dow
Jones A figura 10 mostra a acuraacutecia meacutedia a e plusmnσa para diferentes combinaccedilotildees de
quantidades de accedilotildees envolvidas no modelo
45
2 5 10 15 20 25046
048
050
052
054
056
2 5 10 15 20 25 30 35 40 45 50 55045
050
055
06(b)
(a)
Figura 10 ndash Acuraacutecia meacutedia para diferentes valores de n accedilotildees que compotildeem ascarteiras do Ibovespa e Dow Jones O valor de n aumenta seguindo aordem decrescente do peso de participaccedilatildeo das accedilotildees nos iacutendices Os dadosanalisados satildeo referentes agraves seacuteries de preccedilos de fechamento com granularidadede 5 minutos no periacuteodo de 020117 a 280417 (primeiro quadrimestre de2017) A quantidade de pontos utilizados no ajuste foi R = 1000 Foramrealizadas 3000 previsotildees com as seacuteries das accedilotildees do Ibovespa e 2000 comas seacuteries do Dow Jones (a) A linha contiacutenua representa a acuraacutecia meacutediaobtida para n variando de 2 a 30 accedilotildees que compotildeem o iacutendice Dow Jones Alinha pontilhada representa a meacutedia plusmnσa que eacute o desvio padratildeo das acuraacuteciasobtidas (b) A linha contiacutenua mostra a acuraacutecia meacutedia para n variando de 2 a 58accedilotildees que compotildeem a carteira teoacuterica do iacutendice Ibovespa A linha pontilhadaapresenta a acuraacutecia meacutedia plusmnσa
46
Na figura 10 percebemos uma variaccedilatildeo maior nas acuraacutecias meacutedias a para as
combinaccedilotildees de n accedilotildees do Ibovespa quando comparadas agraves acuraacutecias obtidas
com as accedilotildees do iacutendice Dow Jones Este resultado eacute mais evidente para valores
menores de n As combinaccedilotildees de n accedilotildees do iacutendice Dow Jones satildeo mais estaacuteveis
e como esperado apresentam valores de acuraacutecias meacutedias a menores quando
comparados aos resultados das combinaccedilotildees das accedilotildees do Ibovespa uma vez que a
bolsa americana eacute mais eficiente que a brasileira Para as combinaccedilotildees das accedilotildees
do Ibovespa observamos um pico maior em torno de n = 10 e depois uma certa
estabilizaccedilatildeo de a Isto nos ajuda a definir a quantidade de accedilotildees que devemos usar
para calibrar o modelo
63 Variaccedilatildeo da granularidade
Nesta seccedilatildeo vamos analisar as acuraacutecias para dados com granularidade de 51015
20 e 30 minutos Para simetria das anaacutelises definimos que o modelo deve ser aplicado
em um mesmo intervalo de tempo Com isto agrave medida em que aumentamos a
granularidade das seacuteries diminuiacutemos a quantidade de dados da amostra Assim
nesta anaacutelise natildeo utilizamos o valor de R definido da seccedilatildeo 61 O intervalo de
negociaccedilatildeo tambeacutem foi alterado para um periacuteodo referente a 2 quadrimestres A
quantidade de dados utililizada no ajuste foi R = 500 e o periacuteodo de negociaccedilatildeo foi
de 020117 a 310817 (primeiro e segundo quadrimestres de 2017) Baseados na
seccedilatildeo 62 aleacutem da composiccedilatildeo total do iacutendice uma nova combinaccedilatildeo quantidade de
accedilotildees n = 10 tambeacutem foi analisada A tabela 3 mostra as meacutedias das acuraacutecias a
para os paracircmetros definidos
Tabela 3 ndash Acuraacutecia do modelo aplicado a diferentes granularidades de tempo para R = 500
Iacutendice n 5rsquo 10rsquo 15rsquo 20rsquo 30rsquo
Dow Jones30 05079 (00092) 05065 (00090) 05012 (00162) 05052 (00255) 05022 (00309)10 05132 (00116) 05062 (00136) 05143 (00178) 05061 (00201) 04976 (00337)
Ibovespa58 05216 (00260) 05222 (00287) 05185 (00271) 05215 (00276) 05143 (00338)10 05316 (00294) 05196 (00200) 05187 (00186) 05033 (00268) 05021 (00251)
Nota Os resultados satildeo referentes agraves meacutedias e os desvios das acuraacutecias do modelo de todas as accedilotildees quecompotildeem os iacutendices Dow Jones (30 accedilotildees) e Ibovespa (58 accedilotildees) Tambeacutem analisamos as 10 accedilotildees com
maiores participaccedilotildees nesses iacutendices Os dados analisados satildeo referentes aacutes seacuteries de preccedilos defechamento com granularidades de 5 10 15 20 e 30 minutos no periacuteodo de 02-01-17 a 31-08-17 (primeiro e
segundo quadrimestres de 2017) A quantidade de pontos utilizada no ajuste foi R = 500
Analisando a tabela 3 percebemos que natildeo haacute grandes oscilaccedilotildees nas acuraacutecias
meacutedias a quando variamos a granularidade da base de dados Menores variaccedilotildees da
acuraacutecia meacutedia a satildeo observadas quando aplicamos o modelo para todas as accedilotildees
do iacutendice Dow Jones Para a combinaccedilatildeo das 10 accedilotildees com maiores pesos um
moderado aumento nas acuraacutecias foi obtido para as granularidades de 5 e 15 minutos
47
Para as accedilotildees do Ibovespa maiores oscilaccedilotildees foram observadas principalmente
para a combinaccedilatildeo das 10 accedilotildees com maiores participaccedilotildees no iacutendice A maior
acuraacutecia meacutedia obtida foi para a granularidade de 5 minutos a = 0 5316 Em linhas
gerais observamos uma discreta tendecircncia que a acuraacutecia diminua com o aumento
da granularidade dos dados para as accedilotildees do Ibovespa Para as accedilotildees do iacutendice Dow
Jones natildeo observamos tendecircncia alguma
64 Anaacutelise da acuraacutecia em funccedilatildeo do expoente de Hurst
das seacuteries
O expoente de Hurst (H) aplicado a seacuteries de preccedilos de accedilotildees nos permite visualizar
o comportamento dos dados em relaccedilatildeo agrave memoacuteria de longo prazo Nas nossas
anaacutelises vamos utilizar o meacutetodo alternativo DFA introduzido por (PENG et al 1994)
que tambeacutem foi explorado por (HU et al 2001) e (CHEN et al 2002) Para realizar o
caacutelculo consideramos uma seacuterie de retornos ∆x(i) (i = 1 2 middot middot middot Nmax) Integrando
tal seacuterie obtemos
y(j) =
jsumi=1
(∆x(i)minus 〈∆x〉) (36)
onde 〈∆x〉 eacute a meacutedia
〈∆x〉 =1
Nmax
Nmaxsumj=1
∆x(i) (37)
A nova seacuterie eacute dividida em janelas de tamanho igual m Em cada uma dessas janelas
ajustamos a seacuterie integrada encontrando a funccedilatildeo polinomial Yfit Esta funccedilatildeo indica
a tendecircncia local que haacute em cada intervalo O grau do polinocircmio utilizado pode em
princiacutepio ser qualquer O meacutetodo DFA-l eacute aquele em que o grau l eacute escolhido
Na seacuterie temporal dividida em janelas de tamanho m subtraiacutemos a tendecircncia local
Yfit em cada das janelas Em seguida calculamos a funccedilatildeo de flutuaccedilatildeo
F (m) =
radicradicradicradic 1
Nmax
Nmaxsumi=1
(y(i)minus Yfit)2 (38)
Todo o caacutelculo acima eacute repetido para janelas de diferentes tamanhos m para obter-se
uma relaccedilatildeo entre F (m) e m e os dados satildeo dispostos em um graacutefico log minus log Uma
relaccedilatildeo de lei de potecircncia entre F (m) e a janela de tamanho m indica a presenccedila
de escala logF (m) sim= logmH ( F (m) sim= mH) Neste caso o paracircmetro H dado pelo
coeficiente angular da reta que ajusta os pontos (mF (m)) eacute chamado de expoente de
escala ou expoente de correlaccedilatildeo e eacute a generalizaccedilatildeo do expoente de Hurst Valores
de H lt 0 5 indicam anti-persistecircncia da seacuterie valores de H gt 0 5 indicam que a
48
seacuterie tem persistecircncia e valores de H = 0 5 indicam que as seacuteries natildeo possuem
tendecircncia Com o intuito de analisar se os dados passados fornecem informaccedilotildees
sobre dados futuros calculamos os expoentes de Hurst das seacuteries com preccedilos brutos
x de todas as accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa Os valores de
H obtidos satildeo mostrados na figura 11
1 5 10 15 20 25 30 35 40 45 50 55 5802
03
04
05
06
Accedilatildeo
H 1 5 10 15 20 25 3004
045
05
055
06
065
Figura 11 ndash Expoente de Hurst para todas accedilotildees que compotildeem os iacutendices Dow Jonese Ibovespa Os dados analisados satildeo referentes agraves seacuteries de preccedilos brutoscom granularidade de 5 minutos no periacuteodo de 020117 a 280417 (primeiroquadrimestre de 2017) (a) Representa os coeficientes de Hurst para as accedilotildeesdo iacutendice Dow Jones Foram utilizados 6276 pontos para o caacutelculo (b) Mostraos coeficientes de Hurst utilizando l = 1 para as accedilotildees que compotildeem o iacutendiceIbovespa Foram utilizados 7370 pontos para o caacutelculo
Analisando a figura 11 percebemos que a maioria dos resultados se concentram na
faixa de 0 45 le H le 0 55 Assim natildeo percebemos forte tendecircncia a persistecircncia ou
anti-persistecircncia das seacuteries analisadas
Na anaacutelise seguinte vamos investigar a relaccedilatildeo entre os resultados dos expoentes de
Hurst e as acuraacutecias obtidas pelo modelo As seacuteries de preccedilos ainda satildeo as referentes
aos preccedilos de fechamento de todas as accedilotildees que compotildeem os iacutendices Dow Jones
e Ibovespa A Fig 12 mostra a acuraacutecia meacutedia a de cada uma destas accedilotildees que
49
compotildeem os iacutendices para 100 diferentes valores de R e os expoentes de Hurst das
seacuteries de preccedilos brutos x destas accedilotildees
1 5 10 15 20 25 3004
045
05
055
06
065
1 5 10 15 20 25 30 35 40 45 50 55 58 Accedilotildees
02
03
04
05
06
07
Figura 12 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que compotildeem osiacutendices Dow Jones e Ibovespa Os dados analisados satildeo referentes agraves seacuteriesde preccedilos brutos com granularidade de 5 minutos no periacuteodo de 020117 a280417 (primeiro quadrimestre de 2017) Para o caacutelculo da acuraacutecia meacutediaforam utilizados 100 tamanhos diferentes de R para cada accedilatildeo A linha tracejadarepresenta os coeficientes de Hurst H e a linha contiacutenua a acuraacutecia meacutedia apara cada accedilatildeo utilizando 100 valores diferentes de R no ajuste O valor deR inicial foi 100 com incremento de 10 pontos a cada nova execuccedilatildeo (a)Representa a acuraacutecia meacutedia e os coeficientes de Hurst para as accedilotildees doiacutendice Dow Jones Foram utilizados 6276 pontos para o caacutelculo do expoente deHurst (b) Mostra a acuraacutecia meacutedia e os coeficientes de Hurst para as accedilotildeesque compotildeem o iacutendice Ibovespa Foram utilizados 7370 pontos para o caacutelculodos coeficientes
Analisando visualmente a figura 12 natildeo percebemos padrotildees para as accedilotildees que
compotildeem o iacutendice Dow Jones As suas taxas de acuraacutecia meacutedia a bem como os
valores de H estatildeo proacuteximos de 0 5 Jaacute as accedilotildees que compotildeem o iacutendice Ibovespa
apresentaram maiores taxas de acuraacutecia meacutedia a e tambeacutem maiores oscilaccedilotildees nos
valores dos expoentes de Hurst H A figura nos sugere ainda que os valores menores
deH resultam em maiores valores de a indicando que o modelo tem maior capacidade
50
de previsatildeo para seacuteries de preccedilos de accedilotildees que apresentam anti-persistecircncia Os
resultados mais discrepantes foram obtidos para a accedilatildeo 32 com a = 0 68 e H = 0 28
Para melhor visualizaccedilatildeo destes resultados construiacutemos a figura 13 que mostra a
concentraccedilatildeo dos expoentes de Hurst H em funccedilatildeo da acuraacutecia meacutedia a obtidos para
cada uma das accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa representados
pelos pontos nas cores verde e vermelha respectivamente
025 03 035 04 045 05 055 06 065046
048
05
052
054
056
058
06
062
064
066
H
a
Expoente de Hurst DOW JONESExpoente de Hurst IBOVESPA
Figura 13 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que compotildeem osiacutendices Dow Jones e Ibovespa Os dados analisados satildeo referentes agraves seacuteriesde preccedilos brutos com granularidade de 5 minutos no periacuteodo de 020117 a280417 (primeiro quadrimestre de 2017) Para o caacutelculo da acuraacutecia meacutedia aforam utilizados 100 tamanhos diferentes de R para cada accedilatildeo Com valor inicialde R = 100 com incremento de 10 pontos a cada nova execuccedilatildeo Os pontosna cor vermelha representam os expoentes H em funccedilatildeo da acuraacutecia a paraas accedilotildees do Ibovespa Os pontos na cor verde representam os coeficientes deHurst H em funccedilatildeo da acuraacutecia meacutedia a para cada accedilatildeo do iacutendice Dow JonesPara as accedilotildees do iacutendice Dow Jones utilizamos 6276 pontos para o caacutelculo de HPara as accedilotildees que compotildeem o iacutendice Ibovespa foram utilizados 7370 pontospara o caacutelculo dos coeficientes de Hurst
Pela figura 13 fica mais evidente que as taxas de acuraacutecia meacutedia a satildeo maiores para
as accedilotildees que compotildeem o iacutendice Ibovespa quando comparadas agraves accedilotildees do iacutendice
Dow Jones Observamos tambeacutem que os maiores desvios de H foram obtidos para
51
a seacuterie do Ibovespa Estes resultados vatildeo ao encontro dos estudos de (CAJUEIRO
TABAK 2004) onde os paiacuteses emergentes apresentam valores de H mais distantes
de 05 sugerindo que mercado de paiacuteses emergentes satildeo mais ineficientes que os
de paiacuteses desenvolvidos
Outra investigaccedilatildeo relevante foi baseada no caacutelculo da correlaccedilatildeo linear das acuraacutecias
obtidas em cada quadrimestre com os expoentes de Hurst calculados nos respectivos
quadrimestres Para tanto calculamos o coeficiente de correlaccedilatildeo linear de Pearson
ρ2 O coeficiente ρ obtido quando analisada a correlaccedilatildeo das acuraacutecias e os expoentes
de Hurst calculados no quadrimestre 1 foi ρ = minus0 3791 (pminus valor = 0 0388) para as
accedilotildees que compotildeem o iacutendice Dow Jones e para as accedilotildees do Ibovespa no mesmo
quadrimestre o resultado foi ρ = minus0 4622 (p minus valor = 2 6 times 10minus4) A correlaccedilatildeo
entre as acuraacutecias e os coeficientes de Hurst das seacuteries de preccedilos calculados no
segundo quadrimestre de 2017 foi ρ = minus0 6966 (pminus valor = 1 2571times 10minus9) para as
accedilotildees do Ibovespa e ρ = minus0 1743 (pminus valor = 0 3568) para as accedilotildees do Dow Jones
Estes resultados indicam que haacute uma anti-correlaccedilatildeo entre as acuraacutecias obtidas e os
expoentes H das seacuteries analisadas (COHEN 1977)
Baseados nestes resultados em etapas futuras da tese vamos aprofundar mais as
anaacutelises dos valores de H e a explorando as questotildees de memoacuteria das seacuteries de
preccedilos de accedilotildees e investigando ateacute que ponto informaccedilotildees dos dados passados
interferem na acuraacutecia do modelo de previsatildeo
65 Acuraacutecias em quadrimestres diferentes
Nas subseccedilotildees seguintes vamos aplicar o modelo em dados de quadrimestres di-
ferentes com o objetivo de investigar a consistecircncia das previsotildees em diferentes
periacuteodos
651 Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo qua-
drimestres de 2017
Nesta anaacutelise aplicamos o modelo utilizando as seacuteries de preccedilos tratados com
granularidade de 5 minutos do primeiro e segundo quadrimestres de 2017 de todas
as accedilotildees que integraram os iacutendices Ibovespa e Dow Jones no primeiro quadrimestre
de 2017 A tabela 4 mostra as acuraacutecias obtidas nos quadrimentres 1 e 2 do ano de
2017 Para a execuccedilatildeo do modelo foi utilizado como tamanho de ajuste R = 1000 A
coluna rsquoAcuraacutecia Q1rsquo refere-se agraves acuraacutecias obtidas no quadrimestre 1 Analogamente
a coluna denominada rsquoAcuraacutecia Q2rsquo refere-se agraves acuraacutecias no quadrimestre 2 Os
resultados estatildeo dispostos na ordem da porcentagem de peso de participaccedilatildeo de
2Mede o grau da correlaccedilatildeo (minus1 le ρ le 1) e a direccedilatildeo dessa correlaccedilatildeo (+ ou -) entre duas variaacuteveis
52
cada accedilatildeo nos seus respectivos iacutendices Os valores em negrito indicam que a acuraacutecia
da accedilatildeo obtida no quadrimestre 2 foi maior em relaccedilatildeo agrave mesma no quadrimestre
1 Este aumento de ganhos do quadrimestre 2 em relaccedilatildeo ao quadrimestre 1 foi em
53 30 das accedilotildees que compotildeem o Dow Jones e 60 30 das accedilotildees do Ibovespa
53
Tabela 4 ndash Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo quadrimestres paraas accedilotildees dos iacutendices Ibovespa e Dow Jones
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q1 Acuraacutecia Q2 Accedilatildeo Acuraacutecia Q1 Acuraacutecia Q2
1 05183 05223 1 04912 049482 04833 05329 2 04577 053403 05054 05427 3 05195 051264 05363 05510 4 05207 050425 05130 05296 5 05016 050796 05363 05268 6 05208 048137 04965 04974 7 05341 051178 05188 05203 8 05011 052309 05226 04840 9 05097 04995
10 05541 06053 10 05103 0515911 04862 05597 11 05087 0512412 05362 05578 12 05000 0489313 05147 05493 13 04894 0501114 05097 05070 14 04839 0498915 05449 05349 15 05178 0490716 05072 05479 16 05138 0505817 05320 04852 17 05218 0479318 05260 05283 18 05021 0495219 05350 04968 19 05175 0514220 05266 05262 20 05049 0531821 05208 05166 21 04843 0512822 05270 05138 22 04807 0496423 05100 05180 23 05089 0521724 05208 05210 24 05256 0482925 05057 05028 25 04904 0482126 05142 05167 26 05023 0508427 05018 05120 27 05222 0522428 05138 05169 28 05230 0520429 05142 05465 29 05061 0527230 05043 05020 30 04710 0511331 05201 0535332 06810 0741833 05414 0537934 05458 0509835 05362 0596436 05053 0516537 04968 0552238 05055 0543139 05494 0516540 04969 0509041 05230 0512542 05018 0523043 05288 0503544 05396 0518945 05048 0531846 05467 0530447 05181 0521348 05122 0505149 05385 0522550 05457 0556551 05227 0549452 05845 0580253 05214 0522554 05197 0530455 05229 0533956 05651 0551457 05612 0611058 05121 05205
Nota As acuraacutecias estatildeo representadas de acordo com a ordem decrescente da porcentagem de participaccedilatildeo das accedilotildeesnos iacutendices Dow Jones e Ibovespa Os resultados das 10 accedilotildees com maiores pesos estatildeo delimitados na tabela Os
valores em negrito indicam que a acuraacutecia aumentou no segundo quadrimentre em relaccedilatildeo ao primeiro 60 3 dos casospara o iacutendice Ibovespa e 53 3 dos casos para o iacutendice Dow Jones
54
A figura 14 mostra o panorama das acuraacutecias apresentadas na tabela 4 A linha
traccedilada no graacutefico delimita as 10 accedilotildees que apresentaram as melhores acuraacutecias
em cada quadrimestre Estas accedilotildees satildeo esboccediladas na cor vermelha Os pontos na
cor vermelha e circulados indicam que aleacutem de estarem entre as 10 accedilotildees que
apresentaram as melhores acuraacutecias no quadrimestre 1 tambeacutem estatildeo entre as 10
accedilotildees que apresentaram as melhores taxas no quadrimestre 2 O nuacutemero destas
accedilotildees foi maior para as accedilotildees do Ibovespa
046
048
05
052
054
056
045
05
055
06
065
07
1 10 20 30 40 50 5804
05
06
07
08
Accedilotildees1 5 10 15 20 25 30
046
048
05
052
054
056
a
(a) (c)
(d)(b)
Figura 14 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 Os resul-tados satildeo referentes agraves acuraacutecias do modelo de todas as accedilotildees que compotildeemos iacutendices Dow Jones e Ibovespa Os dados analisados satildeo referentes agraves seacute-ries de preccedilos de fechamento com granularidades de 5 minutos no periacuteodo de020117 a 310817 (primeiro e segundo quadrimestres de 2017) O tamanhodo ajuste utilizado foi R = 1000 A linha traccedilada sobre a figura delimita as10 accedilotildees que apresentaram as melhores acuraacutecias no quadrimestre em ques-tatildeo mostradas na cor vermelha Os pontos circulados indicam que as accedilotildeesapresentaram acuraacutecias entre as 10 melhores no quadrimestre 1 e tambeacutem noquadrimestre 2 (a) Representa as acuraacutecias de todas accedilotildees que compotildeem oiacutendice Dow Jones no primeiro quadrimestre (b) Mostra as acuraacutecias obtidasno segundo quadrimestre para todas as accedilotildees do iacutendice Dow Jones (c) e(d) Representam as acuraacutecias obtidas no primeiro e segundo quadrimestresrespectivamente para todas as accedilotildees que compotildeem o iacutendice Ibovespa
55
Se a presenccedila entre as accedilotildees com 10 maiores acuraacutecias for completamente alea-
toacuteria a chance de uma accedilatildeo que estaacute nesta situaccedilatildeo repetir o comportamento no
quadrimestre seguinte eacute 10n
onde n eacute o nuacutemero total de accedilotildees no grupo analisado
Assim o nuacutemero meacutedio de accedilotildees que aparecem em dois quadrimestres consecutivos
entre aqueles com as 10 maiores acuraacutecias eacute 10times 10n
Para as accedilotildees que compotildeem
o iacutendice Dow Jones esse nuacutemero eacute 103
para as accedilotildees que compotildeem o Ibovespa eacute10058
Na figura 14 observamos 3 accedilotildees nessa situaccedilatildeo para o Dow Jones sugerindo
a completa aleatoriedade Jaacute para o Ibovespa a figura 14 mostra 6 accedilotildees nessa
situaccedilatildeo um nuacutemero 348 vezes maior que o esperado indicando que o processo
natildeo deve ser completamente aleatoacuterio Estudos envolvendo um maior nuacutemero de
quadrimestres seriam interessantes para validaccedilatildeo estatiacutestica
O coeficiente de correlaccedilatildeo linear de Pearson ρ foi calculado para mostrar a relaccedilatildeo
entre as acuraacutecias obtidas no quadrimestre 1 e 2 para ambos mercados O coeficiente
ρ obtido quando analisada a correlaccedilatildeo das acuraacutecias no quadrimestre 1 e 2 para
as accedilotildees que compotildeem o Dow Jones foi ρ = minus01493 (p minus valor = 0 4311) Jaacute
para as accedilotildees que compotildeem o Ibovespa a correlaccedilatildeo entre as acuraacutecias obtidas
nos quadrimestres 1 e 2 foi ρ = 07156 (p minus valor = 2 7521 times 10minus10) O resultado
indica que haacute uma correlaccedilatildeo significativa entre as acuraacutecias obtidas para as accedilotildees
do Ibovespa
652 Aplicaccedilatildeo do modelo utilizando a combinaccedilatildeo das 10 accedilotildees com
maiores pesos nos iacutendices Ibovespa e Dow Jones
Na subseccedilatildeo 651 apresentamos as acuraacutecias obtidas com a combinaccedilatildeo de todas
as accedilotildees dos iacutendices no modelo Aqui estamos interessados em investigar o resultado
da combinaccedilatildeo linear apenas das 10 accedilotildees com maiores pesos de participaccedilatildeo nos
iacutendices Para tanto vamos executar o programa utilizando os mesmos paracircmetros
da anaacutelise anterior A tabela 5 mostra os resultados de acuraacutecias obtidos A coluna
denominada rsquoAcuraacutecia Q1rsquo mostra as acuraacutecias obtidas no quadrimestre 1 e a coluna
rsquoAcuraacutecia Q2rsquo mostra as acuraacutecias do quadrimestre 2 Os valores em negrito indicam
que a acuraacutecia aumentou no quadrimestre 2 em relaccedilatildeo ao quadrimestre 1 70 dos
casos do Ibovespa e 60 para o Dow Jones
56
Tabela 5 ndash Acuraacutecias do modelo no primeiro e segundo quadrimestres para a combinaccedilatildeodas 10 accedilotildees com maiores participaccedilotildees nos iacutendices Ibovespa e Dow Jones
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q1 Acuraacutecia Q2 Accedilatildeo Acuraacutecia Q1 Acuraacutecia Q2
1 05417 05630 1 04857 051892 05142 05293 2 04706 049693 05604 05496 3 05142 050544 05445 05770 4 05096 052075 05197 05336 5 04867 050186 05299 05226 6 05369 050507 05089 05354 7 05547 053028 04897 05430 8 04853 049819 05258 05212 9 05322 0540510 06155 06689 10 05113 05022
Nota Os valores em negrito indicam que a acuraacutecia aumentou no segundo quadrimentreem relaccedilatildeo ao primeiro Percebemos que os resultados satildeo melhores no segundo
quadrimestre para as accedilotildees dos dois iacutendices analisados A relaccedilatildeo de melhoria da acuraacuteciafoi de 70 para as accedilotildees do Ibovespa e 60 para as accedilotildees do Dow Jones
Analisando de forma geral as tabelas 4 e 5 natildeo eacute perceptiacutevel se houve ou natildeo
ganhos quando combinadas todas as accedilotildees que compotildeem os iacutendices em relaccedilatildeo a
quando combinamos apenas as 10 accedilotildees com maiores pesos nestes mesmos iacutendices
Para facilitar a anaacutelise construiacutemos a figura 15 que mostra as acuraacutecias obtidas no
primeiro e segundo quadrimestres de 2017 quando combinamos todas as accedilotildees dos
iacutendices Dow Jones e Ibovespa e tambeacutem quando combinamos apenas a 10 accedilotildees
com maiores participaccedilotildees nestes iacutendices O eixo das ordenadas do graacutefico se refere
agraves acuraacutecias obtidas no quadrimestre 2 jaacute o eixo das abscissas se refere agraves acuraacutecias
no quadrimestre 1
57
046
048
05
052
054
056
046 048 05 052 054 056046
048
05
052
054
056 a Q
2
05
06
07
08
05 055 06 065 07 a Q1
05
06
07
08
(c)
(d)(b)
(a)
Figura 15 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 Osresultados satildeo referentes agraves acuraacutecias do modelo para o primeiro e segundoquadrimestres de 2017 aplicado a todas as accedilotildees que compotildeem os iacutendicesDow Jones e Ibovespa e tambeacutem para as 10 accedilotildees com maiores pesos nestesiacutendices Os dados analisados satildeo referentes agraves seacuteries de preccedilos de fechamentocom granularidades de 5 minutos no periacuteodo de 020117 a 310817 (primeiroe segundo quadrimestres de 2017) O tamanho do ajuste utilizado foi R = 1000(a) Representa as acuraacutecias para a combinaccedilatildeo de todas accedilotildees que compotildeem oiacutendice Dow Jones no primeiro e segundo quadrimestres (b) mostra as acuraacuteciasobtidas no primeiro e segundo quadrimestres para a combinaccedilatildeo das 10 accedilotildeesdo iacutendice Dow Jones com maiores participaccedilotildees no iacutendice (c) Representa asacuraacutecias obtidas no primeiro e segundo quadrimestres para a combinaccedilatildeode todas as accedilotildees que compotildeem o iacutendice Ibovespa (d) Mostra as acuraacuteciasdo primeiro e segundo quadrimestres para a combinaccedilatildeo das 10 accedilotildees doIbovespa com maiores pesos no iacutendice
58
Analisando os pontos obtidos na figura 15 natildeo podemos concluir que a combinaccedilatildeo
das 10 accedilotildees com maiores pesos nos iacutendices melhora as acuraacutecias obtidas quando
comparadas com as taxas obtidas combinando todas as accedilotildees que compotildeem os
iacutendices
653 Anaacutelise do desempenho do modelo aplicado agraves accedilotildees de melhor
acuraacutecia no quadrimestre precedente
A tabela 6 mostra as acuraacutecias obtidas para todas as accedilotildees que compotildeem os iacutendices
Ibovespa e Dow Jones As acuraacutecias obtidas satildeo para R = 1000 e estatildeo ordenadas
do maior para a menor valor Destacamos os 10 melhores resultados de a As cores
semelhantes mostram as accedilotildees que participaram do conjunto com os melhores resul-
tados no quadrimestre 1 e tambeacutem apareceram entre as 10 accedilotildees com os melhores
resultados no quadrimestre 2 Os valores em negrito indicam que a accedilatildeo apresentou
maior acuraacutecia no quadrimestre 2 em relaccedilatildeo ao quadrimestre 1 Pela tabela 6 e
figura 14 podemos observar que as 10 melhores acuraacutecias obtidas conjuntamente
em ambos os quadrimestres natildeo satildeo necessariamente as accedilotildees com maiores partici-
paccedilotildees nos iacutendices exceto a accedilatildeo 10 do Ibovespa Isso nos motiva a investigar se
obtemos melhores acuraacutecias combinando no modelo a cada quadrimestre apenas
as 10 accedilotildees que apresentaram melhores resultados no quadrimestre anterior
Os resultados da anaacutelise satildeo mostrados na tabela 7 e comparados a resultados
de acuraacutecias obtidas tambeacutem no mesmo quadrimestre poreacutem utilizando dados de
todas as accedilotildees dos respectivos iacutendices (n = 30 Dow Jones e n = 58 Ibovespa)
Os valores em negrito indicam que a combinaccedilatildeo das 10 accedilotildees eacute melhor quando
comparada agraves acuraacutecias obtidas utilizando todas as accedilotildees dos iacutendices Utilizando o
primeiro quadrimestre para selecionar accedilotildees a investir no segundo quadrimestre natildeo
utilizamos dados futuros na anaacutelise Para as accedilotildees do Ibovespa a meacutedia das acuraacutecias
obtida para a combinaccedilatildeo de todas as accedilotildees foi 0 5737 e para a combinaccedilatildeo das 10
melhores accedilotildees do quadrimestre anterior foi 0 5746 A meacutedia para o iacutendice Dow Jones
foi 0 5019 para a combinaccedilatildeo de todas as accedilotildees e 0 5017 para a combinaccedilatildeo das
10 melhores accedilotildees do quadrimestre anterior Estes valores se referem agrave meacutedia das
acuraacutecias das 10 accedilotildees analisadas Pela proporccedilatildeo dos valores obtida natildeo podemos
concluir que haacute ganhos significativos aplicando esta metodologia
59
Tabela 6 ndash Comparaccedilatildeo das acuraacutecias para todas as accedilotildees dos iacutendices Ibovespa e DowJones no primeiro e segundo quadrimestres
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q1 Accedilatildeo Acuraacutecia Q2 Accedilatildeo Acuraacutecia Q1 Accedilatildeo Acuraacutecia Q2
32 06810 32 07417 7 05341 2 0533952 05844 57 06109 24 05256 20 0531856 05650 10 06053 28 05229 29 0527257 05612 35 05963 27 05221 8 0522910 05541 52 05802 17 05218 27 0522339 05493 11 05596 6 05207 23 0521746 05467 12 05578 4 05207 28 0520434 05458 50 05565 3 05194 10 0515950 05457 37 05521 15 05177 19 0514115 05448 56 05513 19 05174 21 0512733 05413 4 05510 16 05138 3 0512644 05395 51 05494 10 05102 11 0512349 05384 13 05493 9 05097 7 051164 05362 16 05478 23 05089 30 051126 05362 29 05465 11 05086 26 05084
35 05362 38 05430 29 05060 5 0507912 05361 3 05427 20 05048 16 0505719 05350 33 05379 26 05023 4 0504117 05320 31 05353 18 05021 13 0501043 05288 15 05349 5 05016 9 0499422 05270 55 05339 8 05010 14 0498920 05265 2 05329 12 05000 22 0496418 05259 45 05318 1 04912 18 0495141 05229 46 05304 25 04903 1 0494755 05229 54 05303 13 04893 15 0490751 05227 5 05295 21 04843 12 048939 05226 18 05282 14 04839 24 04829
53 05213 6 05268 22 04806 25 0482024 05208 20 05261 30 04710 6 0481221 05207 42 05229 2 04577 17 0479231 05200 49 0522554 05196 53 052248 05187 1 052231 05183 47 05212
47 05181 24 0521013 05147 58 0520529 05141 8 0520326 05141 44 0518928 05137 23 051805 05129 28 0516848 05121 26 0516658 05121 21 0516623 05100 36 0516514 05097 39 0516416 05072 22 0513725 05057 41 0512438 05055 27 051203 05053 34 05097
36 05052 40 0508945 05047 14 0506930 05042 48 0505042 05018 43 0503427 05017 25 0502740 04968 30 0501937 04967 7 049737 04964 19 0496811 04861 17 048512 04833 9 04840
Nota As acuraacutecias estatildeo em ordem decrescente Os 10 melhores resultados estatildeo delimitados na tabela As coresequivalentes indicam que a accedilatildeo tem o valor de acuraacutecia dentre os 10 melhores resultados no quadrimestre 1 e tambeacutemse manteve entre as 10 melhores no quadrimestre 2 Os valores em negrito indicam que aleacutem da accedilatildeo estar entre as 10
melhores nos 2 quadrimestres a acuraacutecia aumentou no segundo quadrimentre
60
Tabela 7 ndash Acuraacutecias do modelo para a combinaccedilatildeo das 10 accedilotildees dos iacutendices Ibovespa eDow Jones com os melhores resultados no primeiro quadrimestre
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q2
n = 58Acuraacutecia Q2n = 10
Accedilatildeo Acuraacutecia Q2n = 30
Acuraacutecia Q2n = 10
32 07418 07707 7 05117 0499652 05802 05800 24 04829 0503256 05514 05438 28 05204 0517457 06110 06050 27 05224 0524310 06053 05811 17 04793 0496039 05165 05174 6 04813 0494146 05304 05326 4 05042 0496634 05098 05253 3 05126 0484250 05565 05545 15 04907 0503415 05349 05363 19 05142 04986
Nota Para Ibovespa na coluna com n = 58 todas as accedilotildees do iacutendice foram utilizadas pelomodelo na coluna com n = 10 somente as accedilotildees com as 10 melhores acuraacutecias no
quadrimeste 1 foram empregadas pelo modelo Analogamente para Dow Jones Os valoresem negrito indicam que a acuraacutecia aumentou no segundo quadrimestre utilizando a
combinaccedilatildeo das 10 melhores accedilotildees no quadrimestre 1 em relaccedilatildeo ao segundoquadrimestre utilizando a combinaccedilatildeo de todas as accedilotildees dos iacutendices Natildeo observamos
ganhos nos resultados quando utilizamos apenas a combinaccedilatildeo das 10 melhores accedilotildees emrelaccedilatildeo ao modelo que utiliza a combinaccedilatildeo de todas as accedilotildees dos iacutendices
61
Diante das acuraacutecias obtidas na tabela 6 investigamos se haacute uma correlaccedilatildeo entre
estes valores de a Para isso calculamos o coeficiente de correlaccedilatildeo linear de Pearson
ρ O resultado do caacutelculo do coeficiente de correlaccedilatildeo entre as acuraacutecias das accedilotildees
do iacutendice Ibovespa obtidas no primeiro e segundo quadrimestre foi ρ = 0 7156
(pminus valor = 2 7521times 10minus10) e para as accedilotildees do iacutendice Dow Jones foi ρ = minus0 1493
Este resultado indica que para as accedilotildees do Ibovespa quando o modelo teve um bom
resultado no quadrimestre ele tende a ter bons resultados no quadrimestre seguinte
Como esperado o mesmo natildeo acontece para as accedilotildees do iacutendice Dow Jones em
que o coeficiente de correlaccedilatildeo ρ = minus0 1493 (p minus valor = 0 4311) indica uma
pequena anti-correlaccedilatildeo dos acertos de tendecircncias A accedilatildeo 32 do iacutendice Ibovespa
apresentou uma acuraacutecia alta em ambos quadrimestres Assim para evitar resultados
tendenciosos ela foi retirada do caacutelculo da correlaccedilatildeo Com a retirada destes valores
o coeficiente de correlaccedilatildeo das acuraacutecias das accedilotildees do iacutendice Ibovespa foi menor
ρ = 0 3894 (pminus valor = 0 0028) mas ainda significante (COHEN 1977)
66 Votaccedilatildeo
Uma votaccedilatildeo entre tendecircncias previstas foi utilizada com o intuito de melhorar a
consistecircncia da acuraacutecia do modelo e aumentar o tamanho da amostra A metodologia
da teacutecnica consiste em fazer vaacuterias previsotildees utilizando diferentes tamanhos de R
e posteriormente fazer a votaccedilatildeo levando em consideraccedilatildeo a direccedilatildeo de tendecircncia
de preccedilos apontada por cada modelo e o tamanho em moacutedulo do retorno previsto
Apenas os ajustes que tecircm previsotildees no conjunto U4 que se referem aos maiores
retornos previstos em moacutedulo entram na votaccedilatildeo Nesta votaccedilatildeo consideramos como
a decisatildeo de tendecircncia prevista a direccedilatildeo apontada pela maioria dos votantes e
empate entre os votantes como sinal para manter a posiccedilatildeo no tempo t + 1 (natildeo
operar)
Podemos variar diversos paracircmetros de entrada na votaccedilatildeo tais como quantidade
de votantes tamanho inicial de R incremento da quantidade de pontos a cada nova
iteraccedilatildeo accedilotildees que participam da combinaccedilatildeo linear e quantidade de votos que
decidem a previsatildeo Nas figuras 16 e 17 mostramos os resultados das acuraacutecias
obtidas para todas as accedilotildees dos iacutendices Dow Jones e Ibovespa no primeiro e segundo
quadrimestres de 2017 Nesta anaacutelise utilizamos 10 votantes um valor inicial de
R = 1000 incremento de 100 pontos a cada nova execuccedilatildeo e a diferenccedila acima de 1
voto jaacute decide direccedilatildeo da tendecircncia prevista que seraacute considerada
A figura 16 mostra os resultados obtidos para a amostra com os dados referentes ao
primeiro quadrimestre de 2017 A curva na cor vermelha eacute referente agraves acuraacutecias a
obtidas sem a votaccedilatildeo utilizando apenas um valor de R = 1000 A curva na cor azul
refere-se agrave meacutedia das acuraacutecias a obtidas utilizando 10 diferentes tamanhos de R
62
com o valor inicial de R = 1000 com incremento de 100 pontos a cada nova execuccedilatildeo
do modelo A curva na cor verde mostra a acuraacutecia a obtida com a votaccedilatildeo entre os
10 diferentes tamanhos de R
1 5 10 15 20 25 30045
05
055
06VotaccedilatildeoMeacutediaSem votaccedilatildeo
1 5 10 15 20 25 30 35 40 45 50 55 58 accedilotildees
045
05
06
07
(a)
(b)
Figura 16 ndash Acuraacutecias obtidas no primeiro quadrimestre de 2017 utilizando Votingmeacutedia e sem votaccedilatildeo A curva na cor vermelha representa a acuraacutecia autilizando apenas um valor de R = 1000 A curva na cor verde mostra aacuraacutecia a utilizando a votaccedilatildeo de 10 diferentes valores de R O valor inicialeacute R = 1000 com incremento de 100 pontos a cada nova execuccedilatildeo A curvaazul define a meacutedia da acuraacutecia a de todos os 10 tamanhos de R utilizados navotaccedilatildeo Os dados analisados satildeo referentes agraves seacuteries de preccedilos de fechamentocom granularidades de 5 minutos no periacuteodo de 020117 a 280417 (primeiroquadrimestre de 2017) (a) Acuraacutecias de todas as accedilotildees que compotildeem o iacutendiceDow Jones Foram realizadas 2200 execuccedilotildees para cada tamanho de R (b)Acuraacutecias obtidas para todas as accedilotildees que compotildeem o iacutendice Ibovespa Paracada tamanho de R realizamos 3300 execuccedilotildees
A figura 17 mostra os resultados obtidos para a amostra composta pelos dados
referentes ao segundo quadrimestre de 2017 Anaacuteloga agrave figura 16 os paracircmetros
utilizados satildeo os mesmos estabelecidos anteriormente
63
1 5 10 15 20 25 30046
048
05
052
054
056
1 5 10 15 20 25 30 35 40 45 50 55 58 Accedilotildees
04
05
06
07
08VotaccedilatildeoMeacutediaSem votaccedilatildeo
(b)
(a)
Figura 17 ndash Acuraacutecias obtidas no segundo quadrimestre de 2017 utilizando votaccedilatildeomeacutedia e sem votaccedilatildeo A curva na cor verde mostra a acuraacutecia a utilizando avotaccedilatildeo entre os 10 diferentes valores de R O valor inicial eacute R = 1000 comincremento de 100 pontos a cada nova execuccedilatildeo A curva azul representa ameacutedia da acuraacutecia a para todos os tamanhos de R utilizados na votaccedilatildeo Acurva em vermelho descreve a acuraacutecia a obtida para um valor de R = 1000Os dados analisados satildeo referentes agraves seacuteries de preccedilos de fechamento comgranularidades de 5 minutos no periacuteodo de 020517 a 310817 (segundoquadrimestre de 2017) (a) Acuraacutecias de todas as accedilotildees que compotildeem o iacutendiceDow Jones Foram realizadas 2700 execuccedilotildees para cada tamanho de R (b)Representam as acuraacutecias obtidas para todas as accedilotildees que compotildeem o iacutendiceIbovespa Para cada valor de R foram realizadas 3300 execuccedilotildees
64
Analisando as figuras 16 e 17 visualmente natildeo percebemos ganhos de acuraacutecia a
quando comparada agrave teacutecnica de votaccedilatildeo com os outros meacutetodos aplicados Como
mencionado anteriormente neste trabalho utilizamos apenas dados com maiores
retornos previstos em moacutedulo que se referem agraves tendecircncias previstas que estatildeo no
conjunto do quarto quartil U4 Assim a vantagem da votaccedilatildeo em relaccedilatildeo agrave utilizaccedilatildeo
de meacutedias ou de um valor fixo de R eacute a possibilidade de aumento na quantidade de
previsotildees uma vez que sem a votaccedilatildeo utilizamos em meacutedia apenas 14
dos dados
para as previsotildees no quarto quartil Por outro ladoa presenccedila de um ou mais votantes
em U4 jaacute eacute suficiente para que a votaccedilatildeo ocorra levando o nuacutemero de previsotildees a
crescer substancialmente
67 Consideraccedilotildees gerais
Na seccedilatildeo 61 investigamos a relaccedilatildeo da variaccedilatildeo do tamanho de R no resultado final
da acuraacutecia a Nesta anaacutelise observamos que para valores maiores de R os valores
de a tendem a aumentar Poreacutem utilizar valores grandes de R estaacute diretamente ligado
a perda de dados da amostra Assim eacute preciso definir uma quantidade de pontos
para o ajuste que apresente uma boa acuraacutecia sem comprometer o volume de dados
Baseados nas figuras 7 e 6 definimos que nas etapas de aplicaccedilatildeo e simulaccedilatildeo a
quantidade de pontos utilizados no ajuste seraacute R = 1000
Na seccedilatildeo 62 investigamos se a quantidade de accedilotildees interfere na acuraacutecia do modelo
A figura 10 sugere uma moderada melhora nos resultados das acuraacutecias em torno da
combinaccedilatildeo de 10 accedilotildees
Na seccedilatildeo 63 analisamos a relaccedilatildeo da acuraacutecia do modelo com a granularidade
dos dados Para as accedilotildees do iacutendice Dow Jones natildeo notamos diferenccedilas quando
combinamos todas as accedilotildees que compotildeem o iacutendice Um leve ganho no resultado foi
observado quando combinamos as 10 accedilotildees com maiores participaccedilotildees no iacutendice
Para as accedilotildees que compotildeem a carteira teoacuterica do Ibovespa a melhor acuraacutecia obtida
foi para os dados com frequecircncia de cotaccedilatildeo de 5 minutos quando combinadas
as 10 accedilotildees com maiores participaccedilotildees no iacutendice Desta forma a amostra com
granularidade de 5 minutos eacute a que seraacute utilizada em aplicaccedilotildees futuras do modelo de
previsatildeo
Na seccedilatildeo 64 investigamos se haacute uma relaccedilatildeo entre as acuraacutecias obtidas e os
expoentes de Hurst das seacuteries analisadas Em geral natildeo encontramos padrotildees
relacionados agraves acuraacutecias e os expoentes H Um caso atiacutepico foi a acuraacutecia e o
expoente de Hurst relacionado agrave accedilatildeo 32 do iacutendice Ibovespa Para esta accedilatildeo o
expoente foi H = 0 2816 e a taxa de acuraacutecia a = 68 10 Este resultado sugere que
para a seacuterie com anti-persistecircncia o modelo obteacutem melhores taxas de acerto Os
65
outros expoentes ficaram na faixa de variabilidade de 0 45 le H le 0 55 Com isso
natildeo podemos afirmar que haacute um padratildeo relacionando as acuraacutecias e os expoentes
de Hurst das seacuteries analisadas
Na seccedilatildeo 65 investigamos se as taxas de acuraacutecia calculadas em um quadrimestre
se mantecircm no quadrimestre seguinte Nas anaacutelises investigamos qual o nuacutemero
das accedilotildees que apareceram entre as 10 melhores acuraacutecias no quadrimestre 1 e
tambeacutem no quadrimestre 2 Na figura 14 observamos que para as accedilotildees do iacutendice
Dow Jones o nuacutemero de accedilotildees que estavam presentes entre as 10 que apresentaram
melhores acuraacutecias nos quadrimestres 1 e 2 foi 3 Este resultado sugere a completa
aleatoriedade Jaacute para as accedilotildees que compotildeem o Ibovespa a figura 14 mostra 6 accedilotildees
nessa condiccedilatildeo indicando que o processo natildeo deve ser completamente aleatoacuterio
Ainda na seccedilatildeo 65 outra anaacutelise foi baseada na quantidade e em quais accedilotildees que
devemos combinar para aplicar o modelo Baseados nas meacutedias das acuraacutecias obtidas
natildeo encontramos grandes variaccedilotildees nos valores quando utilizamos no modelo todas
as accedilotildees quando combinamos as 10 accedilotildees com maiores pesos e ainda quando
utilizamos a combinaccedilatildeo das 10 accedilotildees que apresentaram as melhores acuraacutecias
no quadrimestre anterior Em geral as anaacutelises desta seccedilatildeo nos mostraram que o
modelo tende a manter as taxas de acuraacutecia quando utilizamos diferentes accedilotildees e
quando variamos a sua quantidade As taxas tambeacutem se mantecircm para diferentes
quadrimestres indicando consistecircncia das previsotildees
Na seccedilatildeo 66 desenvolvemos uma teacutecnica de votaccedilatildeo em relaccedilatildeo agrave direccedilatildeo da ten-
decircncia prevista Nessa anaacutelise 10 diferentes valores de R participaram da votaccedilatildeo
Em geral os resultados obtidos com a teacutecnica natildeo foram melhores quando compa-
rados com a meacutedia das acuraacutecias obtida utilizando os 10 valores de R Em meacutedia
os resultados da votaccedilatildeo tambeacutem se equipararam aos resultados obtidos utilizando
um valor uacutenico de R = 1000 A vantagem do uso da teacutecnica estaacute na possibilidade de
aumento do tamanho da amostra
Na proacutexima etapa do trabalho vamos fazer simulaccedilotildees do modelo combinando os
melhores paracircmetros explorados neste capiacutetulo
66
Capiacutetulo 7
Simulaccedilatildeo
No Capiacutetulo 6 exploramos algumas das possibilidades de combinaccedilotildees de paracircmetros
que podem ser utilizadas para ajustar o modelo de previsatildeo de forma a obter uma
melhor acuraacutecia Na seccedilatildeo 61 investigamos a relaccedilatildeo entre a variaccedilatildeo do tamanho de
R e o resultado final da acuraacutecia para definirmos um valor razoaacutevel para ser utilizado
na etapa de aplicaccedilatildeo do modelo Na seccedilatildeo 62 investigamos o quanto o nuacutemero
de accedilotildees utilizadas como entrada para o modelo impactava as acuraacutecias Na seccedilatildeo
63 analisamos a relaccedilatildeo da acuraacutecia do modelo com a granularidade dos dados e
percebemos uma moderada melhora nos resultados para os dados com frequecircncia
de cotaccedilatildeo de 5 minutos Na seccedilatildeo 64 investigamos se haacute uma relaccedilatildeo entre as
acuraacutecias obtidas e os expoentes de Hurst das seacuteries Diante destas possibilidades
ajustamos o modelo de previsatildeo utilizando as combinaccedilotildees de paracircmetros mais
adequadas a cada anaacutelise Natildeo podemos afirmar que a combinaccedilatildeo escolhida eacute a
combinaccedilatildeo oacutetima poreacutem no Capiacutetulo 6 foram os paracircmetros que apresentaram as
melhores acuraacutecias Assim nesta etapa estas satildeo as entradas do modelo que seratildeo
utilizadas na simulaccedilatildeo
Neste capiacutetulo vamos mostrar as estrateacutegias de negociaccedilatildeo baseadas no modelo
que retorna um sinal de compra venda ou natildeo opera apresentado no capiacutetulo 5 Para
calibrar o modelo de previsatildeo utilizamos os paracircmetros explorados no Capiacutetulo 6
Os criteacuterios para definir uma compra ou venda dependem da tendecircncia prevista do
preccedilo de fechamento da accedilatildeo Os dados utilizados para a execuccedilatildeo do modelo de
previsatildeo para gerar o sinal da operaccedilatildeo satildeo os preccedilos tratados X(t) definidos na
seccedilatildeo 51 Na etapa de aplicaccedilatildeo e anaacutelise de ganhos financeiros vamos utilizar os
preccedilos brutos de fechamento x(t) definidos como
x(t) =
x1(t)
x2(t)
xn(t)
(39)
67
onde xk(t) eacute o preccedilo bruto da accedilatildeo k no tempo t
Na proacutexima seccedilatildeo vamos descrever o fluxo das estrateacutegias as bases de dados e as
configuraccedilotildees aplicadas nas simulaccedilotildees Nas seccedilotildees 72 e 73 vamos apresentar as
caracteriacutesticas de cada uma das estrateacutegias bem como os seus resultados obtidos
com a simulaccedilatildeo
71 Visatildeo geral dos modelos de operaccedilatildeo
Para a simulaccedilatildeo desenvolvemos duas estrateacutegias com caracteriacutesticas diferentes
uma que de acordo com o sinal enviado pelo modelo executa a operaccedilatildeo e desfaz
no passo seguinte (modelo de operaccedilatildeo 1 - MO1) e outra que executa a operaccedilatildeo e
desfaz somente quando atingir os valores dos stops definidos (modelo de operaccedilatildeo 2
- MO2) Nesta seccedilatildeo vamos apresentar o fluxo geral das estrateacutegias e nas seccedilotildees 72
e 73 cada uma delas seraacute apresentada de forma detalhada
A simulaccedilatildeo da negociaccedilatildeo no mercado real foi baseada em backtest1 disponibilizado
pelo portal dedicado ao desenvolvimento de algoritmos de investimento (algotrading)
Stratsphera BETA Na plataforma de algotrading as estrateacutegias foram desenvolvidas
utilizando a linguagem de programaccedilatildeo Python numa estrutura baseada em eventos
A plataforma foi descontinuada em Julho de 2019
Durante a simulaccedilatildeo o modelo de previsatildeo utiliza os candles disponiacuteveis ateacute o tempo
t para gerar um sinal indicando a tendecircncia do preccedilo de fechamento no tempo t+ 1
Baseados neste sinal podemos realizar operaccedilotildees de compra ou venda a mercado
De posse deste sinal que utiliza o uacuteltimo preccedilo de fechamento do candle o ideal seria
executar imediatamente a ordem na abertura do proacuteximo candle poreacutem por limitaccedilotildees
da plataforma de simulaccedilatildeo natildeo conseguimos realizar as operaccedilotildees exatamente no
preccedilo de abertura mas sim em um preccedilo aproximado de abertura
qo = po + (pc minus po)ε1 (40)
onde po eacute o preccedilo de abertura do candle pc eacute o preccedilo de fechamento do candle e ε1foi escolhido ε1 = 1
60
Para a estrateacutegia que utiliza fechamento de candle para zerar a posiccedilatildeo (MO1)
consideramos a aproximaccedilatildeo do preccedilo de fechamento
qc = po + (pc minus po)ε2 (41)
com ε2 = 1415
Valores menores de ε1 e maiores de ε2 levavam a operaccedilotildees que natildeo
aconteciam dentro do candle esperado Nas etapas seguintes do trabalho quando
1Execuccedilatildeo de uma estrateacutegia com uso de dados histoacutericos
68
referirmos a preccedilos de abertura e fechamento de candle utilizados em operaccedilotildees
consideraremos estas aproximaccedilotildees aqui definidas
Analogamente aos capiacutetulos anteriores somente retornos previstos que estatildeo no
quarto quartil (ver seccedilatildeo 53) satildeo considerados para a operaccedilatildeo Deste modo se
o preccedilo de fechamento previsto no tempo t + 1 for maior (menor) que o preccedilo real
no tempo t a tendecircncia prevista eacute de alta (baixa) Assim durante a simulaccedilatildeo a
cada novo evento (que corresponde a um novo candle) analisamos se o retorno
previsto para cada valor de R estaacute no quarto quartil e se esta condiccedilatildeo for satisfeita
o sinal correspondente eacute considerado em uma votaccedilatildeo (ver seccedilatildeo 66) De acordo
com o sinal da votaccedilatildeo realizamos uma nova operaccedilatildeo de compra (long) ou venda
descoberta (short) a mercado As posiccedilotildees de cada uma das operaccedilotildees satildeo fechadas
de forma independente
Para fechar as posiccedilotildees de compra ou venda descoberta de cada operaccedilatildeo definimos
dois modelos de operaccedilatildeo o modelo de operaccedilatildeo 1 (MO1) e o modelo de operaccedilatildeo 2
(MO2) O MO1 sempre desfaz a operaccedilatildeo no candle seguinte atraveacutes de uma contra
ordem O MO2 desfaz as posiccedilotildees baseado em stops As caracteriacutesticas de cada uma
das estrateacutegias seratildeo detalhadas nas seccedilotildees 72 e 73
Nas simulaccedilotildees utilizamos 3 tamanhos diferentes de R Para cada valor de R o
modelo gera um sinal de tendecircncia prevista sendo possiacutevel realizar a votaccedilatildeo entre
estes sinais gerados Nas execuccedilotildees seguintes a cada chegada de um novo candle
a janela eacute atualizada com o novo valor e descarta-se o dado mais antigo Os dados
utilizados para a simulaccedilatildeo das estrateacutegias foram preccedilos de abertura e fechamento
das 10 accedilotildees com maior liquidez na Bovespa nos anos de 2017 e 2018 Informaccedilotildees
de volume tambeacutem foram utilizadas para anaacutelise dos experimentos Esta reduccedilatildeo
no nuacutemero de accedilotildees analisadas eacute devida a limitaccedilotildees da plataforma em relaccedilatildeo ao
custo de execuccedilatildeo e tambeacutem pelo fato de diminuir execuccedilotildees parciais devido ao
volume reduzido de candles de accedilotildees com menor liquidez A frequecircncia dos candles
utilizados eacute de 5 minutos Os tamanhos das janelas de dados utilizadas foram R = 500
R = 1000 e R = 1500
Diante de cada novo candle disponiacutevel o modelo utiliza a janela de dados para tratar o
preccedilo conforme a seccedilatildeo 51 e calcular o novo sinal naquele instante para cada valor
de R Uma votaccedilatildeo eacute realizada entre os sinais retornados para cada R Conforme o
resultado obtido a ordem eacute enviada pela plataforma de acordo com o sinal de compra
venda ou natildeo opera retornado pelo modelo (ver seccedilatildeo 66) O modelo prevecirc o preccedilo
de fechamento no tempo t+ 1 por isso o ideal seria realizar a operaccedilatildeo no mesmo
preccedilo que foi utilizado para fazer a previsatildeo poreacutem natildeo eacute possiacutevel executar a ordem
neste preccedilo de fechamento pc(t)2 Desta forma configuramos as funccedilotildees agendadas
2pc(t) coincide com os preccedilos brutos x(t) definidos em 39
69
da plataforma para que o preccedilo de execuccedilatildeo fique o mais proacuteximo possiacutevel do preccedilo
de abertura do candle seguinte po(t+ 1) Como discutido anteriormente a plataforma
natildeo permite a negociaccedilatildeo exatamente com esse preccedilo sendo realizada no preccedilo
q0(t + 1) conforme a equaccedilatildeo 40 Ou seja utilizamos o preccedilo de fechamento no
tempo t para gerar o sinal e realizamos a operaccedilatildeo num preccedilo proacuteximo ao de abertura
po(t+ 1) do candle seguinte
Para uma dada accedilatildeo a estrateacutegia soacute recebe um sinal de compravenda quando
o modelo prevecirc retornos que estatildeo no quarto quartil (veja seccedilatildeo 53) Em caso
contraacuterio o modelo envia um sinal neutro para que natildeo execute operaccedilotildees naquele
momento Para verificar se os retornos previstos estatildeo no quarto quartil utilizamos
uma janela de tamanho Q = 100 pontos Desta forma a primeira operaccedilatildeo soacute poderaacute
ocorrer a partir do (Q + 1)-eacutesimo sinal produzido Antes disso o modelo sempre
retornaraacute sinais neutros Dado o sinal natildeo neutro uma ordem de compra ou venda
descoberta eacute submetida A venda descoberta eacute feita quando o modelo retorna um
sinal indicando que o preccedilo poderaacute cair Neste caso acreditando que o preccedilo da
accedilatildeo iraacute baixar vendemos a accedilatildeo a descoberto e de acordo com o criteacuterio de cada
estrateacutegia compramos a accedilatildeo para repor a venda em tempos seguintes A sequecircncia
da simulaccedilatildeo eacute apresentada na figura 18
Para padronizar utilizamos os mesmos paracircmetros na configuraccedilatildeo da plataforma
para as duas estrateacutegias O capital inicial utilizado em ambas foi de R$1000000 00 A
quantidade de cada uma das accedilotildees negociadas a cada ordem foi 10 vezes o tamanho
do lote padratildeo Na plataforma as accedilotildees soacute satildeo negociadas em lotes padratildeo natildeo
sendo permitidas negociaccedilotildees no mercado fracionaacuterio3 A quantidade de accedilotildees no
lote padratildeo definido na plataforma em alguns casos difere da quantidade definida no
mercado real conforme apresentado nas tabelas 24 e 25 disponiacuteveis no apecircndice
B Como exemplo temos a accedilatildeo do Bradesco (BBDC4) que tem na composiccedilatildeo de
seu lote padratildeo 145 accedilotildees enquanto no mercado real o lote padratildeo desta accedilatildeo eacute
composto por 100 accedilotildees
As configuraccedilotildees de custos satildeo utilizadas para incluir custos transacionais durante
a execuccedilatildeo da estrateacutegia As configuraccedilotildees de custo aplicadas na simulaccedilatildeo foram
baseadas no cenaacuterio brasileiro Aplicamos as taxas cobradas pela Bovespa conforme
a tabela 8 e consideramos as operaccedilotildees atraveacutes de corretoras que oferecem taxas
zero para negociaccedilotildees no mercado agrave vista Os custos transacionais foram aplicados
de acordo com o volume financeiro negociado Para comparaccedilatildeo as simulaccedilotildees foram
realizadas com taxas e sem taxas
No mercado real eacute possiacutevel que as ordens lanccediladas sejam executadas parcialmente
Isso acontece devido ao volume da ordem e agrave liquidez do ativo Na simulaccedilatildeo aqui
3No mercado fracionaacuterio satildeo negociadas fraccedilotildees do lote padratildeo das accedilotildees
70
Tabela 8 ndash Taxas de negociaccedilatildeo e de liquidaccedilatildeo da BOVESPA
Volume daytrade (R$ milhotildees)Negociaccedilatildeo Liquidaccedilatildeo TotalPessoa fiacutesica Pessoa juriacutedica
Ate 4 Ateacute 20 0004245 0020000 0024245De 4 ateacute 125 De 20 ateacute 50 0003000 0020000 0023000
De 125 ateacute 25 De 50 ateacute 250 0000500 0019500 0020000De 25 ateacute 50 De 250 ateacute 500 0000500 0017500 0018000Mais de 50 Mais de 500 0000500 0015500 0016000
Nota Os valores satildeo para operaccedilotildees de day trade e foram obtidos no site da BOVESPAdisponiacutevel em httpwwwb3combrpt_brprodutos-e-servicostarifaslistados-a-vista-e-
derivativosrenda-variaveltarifas-de-acoes-e-fundos-de-investimentoa-vista
descrita configuramos para que o volume da ordem lanccedilada seja executado totalmente
na simulaccedilatildeo Poreacutem em alguns casos em accedilotildees com menor liquidez o volume do
candle disponiacutevel seraacute menor que o tamanho da ordem submetida e neste caso a
ordem seraacute executada parcialmente ateacute o limite maacuteximo do candle disponiacutevel Por
isso para evitarmos estas execuccedilotildees parciais utilizamos as accedilotildees com maior liquidez
na Bovespa De fato as ordens que submetemos tecircm volume bem menor do que o
dos candles Portanto acreditamos que a aproximaccedilatildeo que usamos (volume total da
ordem negociado) natildeo leva a importantes distorccedilotildees
A plataforma permite alocar o capital parado durante a estrateacutegia em uma aplicaccedilatildeo
tal como CDI4 Nas simulaccedilotildees definimos que o capital parado natildeo seraacute remune-
rado Com isso evitamos interferecircncia em nossos resultados de remuneraccedilotildees natildeo
advindas da estrateacutegia
Nas proacuteximas seccedilotildees vamos apresentar as duas estrateacutegias diferentes No modelo
de operaccedilatildeo 1 (MO1) vamos abrir a posiccedilatildeo de compra ou venda no instante de
tempo analisado e fechar a posiccedilatildeo no instante seguinte Jaacute no modelo de operaccedilatildeo 2
(MO2) uma ordem de compra ou venda eacute enviada e executada e a posiccedilatildeo referente
a esta ordem soacute seraacute zerada quando o stop definido for atingido
Para ilustrar as etapas das estrateacutegias desenvolvemos a figura 18 que apresenta as
principais fases da execuccedilatildeo Na etapa de configuraccedilatildeo dos paracircmetros definimos os
dados que seratildeo utilizados na simulaccedilatildeo tais como a frequecircncia dos candles e as
accedilotildees escolhidas Nesta etapa tambeacutem configuramos os custos operacionais capital
que seraacute alocado para a execuccedilatildeo e as variaacuteveis de controle de risco da estrateacutegia
dentre outras configuraccedilotildees possiacuteveis
Na coleta inicial de dados uma janela de dados histoacutericos de tamanho R eacute arma-
zenada para o caacutelculo da primeira matriz inicial Estes dados satildeo enviados para o
4Certificados de Depoacutesitos Interbancaacuterios satildeo tiacutetulos emitidos para a realizaccedilatildeo de operaccedilotildees de empreacutes-timo ou captaccedilatildeo de recursos financeiros entre os bancos
71
modelo de previsatildeo (MP) onde satildeo tratados Com a matriz de dados tratados X eacute
possiacutevel executar o modelo e gerar um sinal de previsatildeo Este sinal eacute aplicado de
acordo com cada estrateacutegia No modelo de operaccedilatildeo MO1 ao receber o sinal uma
posiccedilatildeo de compra ou venda eacute aberta o status da ordem eacute atualizado e a ordem
anterior se existir posiccedilatildeo aberta eacute zerada atraveacutes de uma contra ordem Jaacute na
estrateacutegia MO2 os stops satildeo calculados e a operaccedilatildeo eacute aberta Nesta estrateacutegia as
operaccedilotildees satildeo zeradas quando atingem os valores de stop loss ou stop gain Todo o
procedimento eacute repetido a cada chegada de um novo candle
72
MP
MO2
MO1
Configuraccedilatildeo
de
paracircmetros
Zera posiccedilatildeo
Calcula stops
Abre operaccedilatildeo
Gera sinal
Abre Posiccedilatildeo
Tratamento dos
dadosNovo candle
Coleta inicial
de dados
Atualiza estado
do sistema
Figura 18 ndash Fluxograma das estrateacutegias Principais fases de execuccedilatildeo do modelo deoperaccedilatildeo 1 (MO1) e do modelo de operaccedilatildeo 2 (MO2) Na etapa de configuraccedilatildeode paracircmetros satildeo definidas as caracteriacutesticas gerais das simulaccedilotildees Na etapade coleta inicial de dados uma sequecircncia de tamanho R de dados histoacutericosdas accedilotildees eacute armazenada para o caacutelculo da primeira matriz No modelo deprevisatildeo (MP) os dados satildeo tratados e enviados para que o modelo gere umsinal de previsatildeo de tendecircncia Para MO1 dado o sinal de previsatildeo natildeo neutrouma posiccedilatildeo de compravenda eacute aberta o estado do sistema eacute atualizado e aposiccedilatildeo anterior eacute zerada Jaacute em MO2 o valor do stop eacute calculado e a operaccedilatildeoeacute aberta associada aos valores de stop gain e stop loss A cada novo dadodisponiacutevel (novo candle) o modelo de previsatildeo eacute computado e todo o processoeacute repetido
73
Para quantificar o desempenho das estrateacutegias utilizamos os indicadores calculados
pela plataforma durante a execuccedilatildeo das simulaccedilotildees A descriccedilatildeo completa de cada
uma destes indicadores foi apresentada na seccedilatildeo 411 Os principais indicadores
utilizados foram
Retorno acumulado que mostra o retorno obtido com a estrateacutegia ao final da
execuccedilatildeo Eacute dado pela razatildeo entre o capital final possuiacutedo e o inicial investido
Volatilidade eacute o indicador retornado pela plataforma que representa a volatilidade da
estrateacutegia anualizada considerando os retornos diaacuterios da mesma
Sharpe eacute o iacutendice que indica a relaccedilatildeo do risco e retorno de um investimento Quanto
maior o Sharpe maior a expectativa de retorno frente ao risco associado Utiliza como
benchmark um investimento livre de risco Na simulaccedilatildeo utilizamos como benchmark
o CDI
Sortino eacute semelhante ao iacutendice Sharpe e avalia a relaccedilatildeo entre risco e retorno de
uma estrateacutegia poreacutem leva em consideraccedilatildeo apenas a volatilidade dos retornos
negativos
Max drawdown mostra a maior perda que a estrateacutegia obteve durante a execuccedilatildeo
Beta eacute o indicador que mostra a correlaccedilatildeo entre a estrateacutegia e um benchmark
medindo o quanto o crescimentodecrescimento da estrateacutegia segue o benchmark
Alpha eacute o paracircmetro que mostra o quanto a estrateacutegia se destacou positivamente dos
retornos retratados pelo benchmark
Retorno anual esperado eacute o indicador que estima o retorno que a estrateacutegia alcan-
ccedilaraacute no periacuteodo de um ano mantendo a mesma performance
Estabilidade mostra a estabilidade da estrateacutegia baseada nos retornos acumulados
PNL indica o ganho ou perda financeira ao final da execuccedilatildeo da estrateacutegia
VAR eacute utilizado para calcular o risco da estrateacutegia Na plataforma este paracircmetro
estima o pior caso esperado de retorno diaacuterio da simulaccedilatildeo
Taxas representa os custos operacionais da estrateacutegia tais como corretagem emolu-
mentos e outras tarifas de serviccedilos aplicadas ao mercado acionaacuterio brasileiro Taxas
de aluguel natildeo foram consideradas uma vez que a estrateacutegia eacute desenvolvida no
intraday5 e as posiccedilotildees satildeo zeradas no mesmo dia
72 Modelo de operaccedilatildeo 1
A estrateacutegia MO1 consiste em comprar ou vender a descoberto conforme o sinal
retornado pelo modelo e desfazer (zerar) a posiccedilatildeo no passo seguinte de acordo com
5Operaccedilotildees realizadas dentro de um mesmo dia
74
a frequecircncia do candle analisado Para esta estrateacutegia desenvolvemos trecircs funccedilotildees de
agendamento6 uma para manipulaccedilatildeo dos dados e execuccedilatildeo do modelo outra para
desfazer as posiccedilotildees abertas no mercado e por fim uma funccedilatildeo de agendamento
para emitir ordens de posicionamento (compra ou venda) de acordo com o sinal
gerado pelo modelo
Neste modelo de operaccedilatildeo aleacutem da simulaccedilatildeo eacute possiacutevel tambeacutem calcular as acu-
raacutecias da forma que foram apresentadas no capiacutetulo 6 Deste modo na proacutexima
subseccedilatildeo vamos apresentar as acuraacutecias obtidas para os mesmos dados e periacuteodos
utilizados na simulaccedilatildeo do modelo
721 Acuraacutecias
As acuraacutecias obtidas com o modelo apresentadas no capiacutetulo 6 satildeo referentes a
preccedilos de fechamento dos candles Os resultados que laacute apresentamos utilizam a
matriz de preccedilos ateacute o tempo t para gerar um sinal e encontrar os preccedilos previstos
X(t + 1) Consideramos para o caacutelculo de tendecircncia prevista a diferenccedila do preccedilo
previsto X(t+ 1) e o preccedilo real X(t) Aqui analisamos a acuraacutecia de duas formas
uma eacute idecircntica agrave anterior comparando a tendecircncia prevista agravequela observada atraveacutes
da diferenccedila entre os preccedilos de fechamento X(t) e X(t+ 1) chamaremos esta de
acuraacutecia canocircnica A outra eacute de acordo com a simulaccedilatildeo mais realiacutestica em que de
posse do preccedilo de fechamento do candle X(t) eacute possiacutevel calcular um sinal utilizando
este valor e imediatamente lanccedilar uma ordem de acordo com o sinal poreacutem o preccedilo
de execuccedilatildeo seraacute qo(t+ 1) que eacute um valor proacuteximo da abertura do candle seguinte
Desta forma a acuraacutecia deveraacute ser calculada comparando-se a tendecircncia prevista
com o movimento observado entre qo(t + 1) e X(t + 1) Estes resultados seratildeo
denominados acuraacutecias efetivas
Nas tabelas 9 e 10 mostramos as acuraacutecias obtidas para R = 500 R = 1000
R = 1500 e tambeacutem para a votaccedilatildeo unacircnime entre estes valores de R para o ano de
2017 e 2018 respectivamente Esses valores satildeo referentes a acuraacutecias canocircnicas
Os valores apresentados nas tabelas 11 e 12 satildeo referentes agraves acuraacutecias efetivas
obtidas nos anos de 2017 e 2018 respectivamente Como na simulaccedilatildeo anterior aqui
tambeacutem utilizamos os seguintes valores de R como paracircmetros de entrada para o
modelo R = 1500 R = 1000 e R = 500 Tambeacutem apresentamos a votaccedilatildeo unacircnime
entre esses valores de R
Analisando os resultados percebemos que as acuraacutecias efetivas geralmente satildeo
menores quando comparadas agraves acuraacutecias canocircnicas
6Funccedilotildees programadas para serem executadas em intervalos preacute-determinados a cada novo evento
75
Tabela 9 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespa noano de 2017
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 055176541 054323459 053798481 05496368VALE5 053415179 054329485 053480018 05384045CIEL3 053849399 054848801 054806465 05534425VALE3 052433407 052550201 051997615 05267777ITUB4 055874726 05566846 054563297 05615032PETR4 058868605 057385475 057413249 05831128ABEV3 056385379 055507608 055918367 05668191BOVA11 054358257 054148385 053963893 05485689BBAS3 053731644 052841136 053358886 05343546PETR3 054584775 054169374 053303011 05469478
Tabela 10 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespano ano de 2018
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 05248441 05222335 05313253 05270455ITUB4 053228346 053066878 052536956 05364042ITUB3 07219697 071792261 069898219 07209546ABEV3 052848723 052844997 052051169 05241737PETR4 052412925 050901468 051598078 05126012BBAS3 052238209 052155772 053148111 05242525BOVA11 054383243 053680922 053006939 05438518B3SA3 054016106 053573623 053500714 05414768VALE3 049833301 049735864 049960427 04964061MGLU3 052293755 052034095 051935298 05264673
Tabela 11 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespa noano de 2018
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 05011914 05024945 05049741 05296443VALE5 05531525 05955037 06322361 05145472CIEL3 04749896 04713191 04787458 05386266VALE3 04914488 05031373 04957248 05077800ITUB4 04987131 05083433 05004837 05428696PETR4 04947859 04978012 04975523 05332230ABEV3 04814815 04783004 04835861 05285027BOVA11 05052568 05092074 05058312 05167801BBAS3 04971075 04975282 04996000 05235765PETR3 04963441 05061648 05031515 05144113
76
Tabela 12 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespa noano de 2018
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 05101960 05039117 05081028 05101540ITUB4 05006803 05002930 05037490 05204274ITUB3 05900638 05841450 05702323 05326117ABEV3 04933448 04994650 04991361 05103865PETR4 05015291 04919239 04924980 04957188BBAS3 04973493 04922655 04955735 05166485BOVA11 05018457 05005853 04940293 05096904B3SA3 04980726 05030328 05012077 05233708VALE3 04958454 04913661 04944735 04910852MGLU3 04899507 04966571 04910714 05047889
As acuraacutecias obtidas indicam na maioria das vezes que o modelo eacute diferente de
um processo totalmente aleatoacuterio Mas somente as acuraacutecias natildeo indicam retorno
financeiro positivo pelo modelo Outras variaacuteveis devem ser consideradas tais como
taxas volatilidade e liquidez Um exemplo de accedilatildeo em que o modelo apresentou
uma acuraacutecia consideraacutevel foi a CPFE3 tanto no capiacutetulo 6 quanto para os dados
utilizados neste capiacutetulo para a simulaccedilatildeo (anos de 2017 e 2018) Poreacutem no momento
da simulaccedilatildeo este ativo apresentou problemas nas execuccedilotildees das ordens e contra
ordens devido agrave sua baixa liquidez Quando lanccedilamos a ordem de compra de 1000
accedilotildees e em seguida a contra ordem de venda da mesma quantidade em alguns
casos as ordens natildeo foram totalmente executadas (execuccedilatildeo parcial) Percebemos
que isso acontece quando o volume do candle naquele instante eacute menor que o
tamanho definido da ordem Este resultado sugere que apenas as acuraacutecias natildeo
satildeo as melhores variaacuteveis para representar o sucesso do modelo Informaccedilotildees como
liquidez volume de negociaccedilatildeo e volatilidade do ativo tambeacutem devem ser levadas
em consideraccedilatildeo Deste modo para evitarmos ordens parcialmente executadas
utilizamos na simulaccedilatildeo apenas as 10 accedilotildees com maior liquidez na Bovespa Os
resultados da simulaccedilatildeo para estas accedilotildees seratildeo apresentados na proacutexima subseccedilatildeo
722 Simulaccedilatildeo
Nesta subseccedilatildeo vamos apresentar a simulaccedilatildeo do modelo de operaccedilatildeo 1 (MO1)
utilizando as accedilotildees com maior liquidez na Bovespa Para analisar o retorno financeiro
do MO1 realizamos esta simulaccedilatildeo em dois cenaacuterios um que natildeo considera taxas
operacionais e outro em que utilizam-se os custos praticados pela Bovespa apresen-
tados na tabela 8 Para ambas as simulaccedilotildees consideramos taxa de corretagem7 zero
Este benefiacutecio eacute oferecido por algumas corretoras de valores que isentam desta taxa
7A taxa de corretagem eacute um valor cobrado pelas corretoras de valores para cada operaccedilatildeo de compra ouvenda de accedilotildees e outros ativos na Bolsa
77
de compra e venda de accedilotildees Os resultados da simulaccedilatildeo sem custos operacionais
para todo o ano de 2017 e tambeacutem no ano de 2018 satildeo apresentados nas tabelas
13 e 14 respectivamente Os indicadores obtidos quando consideramos as taxas
praticadas pela Bovespa nos mesmos periacuteodos satildeo apresentados nas tabelas 15 e
16
Tabela 13 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas ano de 2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown1015 2506 1117 102 -046Alpha Beta Retorno anual esperado Estabilidade PNL
1134 0 1036 097 R$ 1116888Taxa VaR Meacutedia caixa estrateacutegia (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -008 102121547 (1401887) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo MO1 sem taxas para o periacuteodo de 2017
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
Tabela 14 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas no ano de 2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown693 1593 1581 238 -147
Alpha Beta Retorno anual esperado Estabilidade PNL1646 -001 1648 098 R$ 15806609
Taxa VaR Meacutedia Caixa estrateacutegia (R$) Taxa de custoacutedia Taxa de aluguelR$000 -021 103123246 (3217683) R$000 R$000Nota Indicadores resultantes para a simulaccedilatildeo MO1 sem taxas para o periacuteodo de 2018
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
Tabela 15 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacionais para oano de 2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown-1928 -1928 -4326 225 -4326Alpha Beta Retorno anual esperado Estabilidade PNL
-4420 001 -4334 1 R$ -4326082Taxa VaR Meacutedia caixa estrateacutegia (R$) Taxa de custoacutedia Taxa de aluguel
R$ 5442970 -039 88914684 (637626) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo MO1 com taxas para o periacuteodo de 2017
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
Os valores dos indicadores apresentados nas tabelas 13 1415 e 16 satildeo obtidos
com a simulaccedilatildeo que utiliza a combinaccedilatildeo de todas as 10 accedilotildees para gerar o sinal e
78
Tabela 16 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacionais para oano de 2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown-992 -1015 -7030 687 -7031Alpha Beta Retorno anual esperado Estabilidade PNL
-7116 -001 -6815 1 R$ -70295405Taxa VaR Meacutedia Caixa estrateacutegia Taxa de custoacutedia Taxa de aluguel
R$ 86102015 -104 83370919 (9464573) R$000 R$000Nota Indicadores resultantes para a simulaccedilatildeo MO1 com taxas para o periacuteodo de 2018
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
posteriormente realiza operaccedilotildees com as accedilotildees nas quais o modelo envia um sinal
natildeo neutro O retorno obtido nesta situaccedilatildeo eacute o retorno acumulado ra entre todas
estas accedilotildees
Na simulaccedilatildeo sem aplicar taxas o retorno acumulado ra foi positivo no ano de 2017 e
2018 Jaacute na simulaccedilatildeo em que aplicamos taxas transacionais o retorno acumulado
ra foi negativo em ambos os periacuteodos analisados Isso exemplifica o quanto as taxas
impactam os retornos financeiros
O resultado do indicador sharpe que mostra a relaccedilatildeo entre risco e retorno de
um investimento quando comparado a um investimento sem risco foi negativo em
ambos os periacuteodos analisados para a simulaccedilatildeo aplicando taxas transacionais Jaacute as
estrateacutegias sem taxas os iacutendices apresentaram valores positivos indicando que haacute
uma relaccedilatildeo positiva entre risco e retorno da estrateacutegia
Quando avaliada a relaccedilatildeo risco e retorno da estrateacutegia levando em consideraccedilatildeo
apenas a volatilidade negativa os resultados obtidos para o indicador sortino foram
positivos para as simulaccedilotildees sem taxas e quando inseridos os custos transacionais
os resultados do indicador foram negativos em ambos os periacuteodos
Os maiores percentuais de perdas da estrateacutegia durante as execuccedilotildees retratada pelo
indicador Max drawdown foram obtidos para as estrateacutegias simuladas com taxas
sendo minus43 26 no ano de 2017 e minus70 31 no ano de 2018 Jaacute para as estrateacutegias
sem taxas os Max drawdown obtidos foram minus0 46 no ano de 2017 e minus1 47 no
ano de 2018
Os piores casos esperados de retornos diaacuterios da estrateacutegia estimado pelo indicador
VAR foram obtidos para as simulaccedilotildees com taxas No anos de 2017 o valor obtido foi
minus0 39 e no ano de 2018 o valor foi minus1 04 Para as simulaccedilotildees sem taxas o valor
foi minus0 08 no ano de 2017 e minus0 21 no ano de 2018 Analisando as simulaccedilotildees
com taxas e sem taxas percebemos que os piores casos para ambas as estrateacutegias
foram obtidos no ano de 2018 Neste mesmo periacuteodo a volatilidade anualizada da
79
estrateacutegia considerando os desvios dos retornos diaacuterios foi maior que em 2017 Isto
nos sugere que em periacuteodos de maior volatilidade diaacuteria os piores casos dos retornos
diaacuterios tendem a ser maiores do que em periacuteodos de menor volatilidade
O resultado do indicador Beta que mostra a correlaccedilatildeo do desempenho negativo e
positivo da estrateacutegia em relaccedilatildeo a um benchmark no ano de 2018 foi negativo para
a estrateacutegia executada sem taxas operacionais e tambeacutem para a estrateacutegia com taxas
No ano de 2017 o resultado de Beta para a estrateacutegia com taxas foi positivo e para a
simulaccedilatildeo sem taxas o valor de Beta foi zero
Os resultados do indicador Alpha que retorna o valor que representa o quanto a
estrateacutegia se destacou em relaccedilatildeo ao desempenho da economia (representado por
um benchmark) para as simulaccedilotildees referentes aos anos de 2017 e 2018 foram
positivos para as estrateacutegias em que natildeo aplicamos taxas operacionais Jaacute para as
estrateacutegias com taxas inseridas os resultados foram negativos em ambos os periacuteodos
O indicador de retorno anual esperado mostra o resultado estimado que a estrateacutegia
alcanccedilaraacute no periacuteodo de 1 ano Os resultados para as simulaccedilotildees sem taxas foram
positivos para ambos os periacuteodos Jaacute para as simulaccedilotildees com taxas os resultados
dos retornos estimados foram negativos para os anos de 2017 e 2018
Para as simulaccedilotildees com taxas o resultado do indicador de estabilidade da estrateacutegia
baseado no coeficiente de determinaccedilatildeo R2 dos retornos acumulados foi igual a 1
para os anos de 2017 e 2018 Para as simulaccedilotildees sem taxas os resultados foram
0 97 e 0 98 para os anos de 2017 e 2018 respectivamente
Como esperado o indicador PNL que mostra o resultado financeiro (lucro ou prejuiacutezo)
apoacutes a execuccedilatildeo da estrateacutegia para ambas as simulaccedilotildees aplicando taxas foram
negativos Jaacute para as simulaccedilotildees sem considerar taxas operacionais os resultados
para este indicador foram positivos em ambos os periacuteodos
A meacutedia de caixa da estrateacutegia ficou proacutexima do valor total de capital inicial configurado
A pouca alocaccedilatildeo de capital foi proporcionada pelo fato de que as posiccedilotildees nesta
simulaccedilatildeo satildeo zeradas no instante (candle) seguinte
Os custos referentes agrave taxa de custoacutedia8 e de aluguel de accedilotildees natildeo se aplicam nas
simulaccedilotildees uma vez que as posiccedilotildees satildeo zeradas no mesmo dia
Na maioria das vezes o modelo apresentou acuraacutecias com valores superiores a um
modelo aleatoacuterio mas ainda assim quando inserimos taxas o mesmo natildeo apresentou
um retorno financeiro consideraacutevel Isso nos motivou a investigar as estatiacutesticas dos
preccedilos e custos de execuccedilatildeo da estrateacutegia As taxas de negociaccedilatildeo liquidaccedilatildeo e
corretagem satildeo responsaacuteveis por diminuiacuterem o retorno Para explorarmos as carac-
8Eacute uma taxa cobrada pela manutenccedilatildeo de posiccedilatildeo de accedilotildees na bolsa de valores
80
teriacutesticas dos dados uma anaacutelise estatiacutestica dos preccedilos na amostra completa e nos
tempos com negociaccedilatildeo foi realizada e seraacute apresentada na proacutexima subseccedilatildeo
723 Anaacutelise estatiacutestica de resultados financeiros relativos ao MO1
Para o modelo de operaccedilatildeo 1 que zera a posiccedilatildeo no fechamento do candle eacute
possiacutevel verificar estatisticamente se os resultados obtidos estatildeo de acordo com o
que podemos esperar da estrateacutegia Ateacute aqui utilizamos a combinaccedilatildeo de todas as
10 accedilotildees para gerar o sinal e depois executamos a simulaccedilatildeo operando com todas
as accedilotildees de acordo com o sinal retornado pelo modelo Como um dos resultados
da simulaccedilatildeo eacute obtido um rendimento total agregado ra (referido como retorno
acumulado na seccedilatildeo (71) Aqui para analisarmos as estatiacutesticas do rendimento de
cada accedilatildeo continuamos usando a combinaccedilatildeo de todas as accedilotildees para gerar o sinal
poreacutem empregamos apenas uma accedilatildeo por vez para fazer as operaccedilotildees e calcular o
rendimento da estrateacutegia ltk obtido para cada accedilatildeo k Tal rendimento seraacute comparado
com o rendimento esperado das operaccedilotildees cujo caacutelculo eacute descrito a seguir
Para cada accedilatildeo durante a simulaccedilatildeo eacute possiacutevel observar η retornos9 ∆x(t) no
intervalo analisado com (t = 1 η) Como o modelo natildeo opera em todos os
passos de tempo uma vez que a operaccedilatildeo depende de um sinal natildeo neutro enviado
ele iraacute atuar em um subconjunto dos η retornos Para cada valor de t o modelo
apresenta uma probabilidade po de operar naquele dado candle Assumimos aqui que
a probabilidade que haja sinal natildeo neutro em tal candle natildeo depende de t Dado um
sinal natildeo neutro a probabilidade de que o modelo acerte a previsatildeo eacute pa e de que
erre eacute pe = 1minus pa
Consideremos que na simulaccedilatildeo foram realizadas m le η operaccedilotildees Tomando
aleatoriamente uma dessas operaccedilotildees ela pode se referir a qualquer um dos retornos
∆x(t) com probabilidade uniforme 1η Jaacute a probabilidade de qual tal operaccedilatildeo seja
referente a ∆x(t) e que a previsatildeo a ela relacionada seja acertada (errada) eacute paη
(peη)
Durante a simulaccedilatildeo se o modelo acerta a previsatildeo de tendecircncia o resultado finan-
ceiro eacute acrescido do valor do retorno Se ele erra eacute decrescido de forma equivalente
Assim se o retorno ∆x(t) de moacutedulo |∆x(t)| for escolhido para operar ele pode pro-
duzir uma variaccedilatildeo |∆x(t)| ou minus |∆x(t)| no resultado (considerando-se neste ponto
que a operaccedilatildeo se refere a uma accedilatildeo apenas e natildeo a um lote de accedilotildees) Portanto
para cada operaccedilatildeo escolhida aleatoriamente no conjunto de todas as operaccedilotildees a
probabilidade de que o retorno ∆x(t) tenha sido escolhido e que tenha levado a uma
variaccedilatildeo |∆x(t)| (minus |∆x(t)|) eacute paη (peη)
9Retornos reais entre cada um dos candles no periacuteodo da simulaccedilatildeo
81
Definamos uma variaacutevel aleatoacuteria M que pode assumir valores no conjunto
|∆x(t)| minus |∆x(t)| com probabilidade paη associada aos valores |∆x(t)| e peη
aos valores minus |∆x(t)| A variaacutevel M corresponde agrave variaccedilatildeo do resultado financeiro
de uma operaccedilatildeo escolhida aleatoriamente no conjunto das operaccedilotildees
Suponhamos que tomamos uma por uma as operaccedilotildees disponiacuteveis no conjunto ateacute
esgotaacute-lo e que somamos as variaccedilotildees correspondentes Tal soma coincide com a
variaccedilatildeo total dasm operaccedilotildees ou seja o resultado final da estrateacutegia aplicada agravequela
accedilatildeo especiacutefica A variaacutevel aleatoacuteria a ela associada eacute SM =msumj=1
Mj Consideraremos
no que segue que as Mj satildeo independentes e identicamente distribuiacutedas com
distribuiccedilatildeo igual agrave de M De fato isto eacute uma aproximaccedilatildeo do cenaacuterio real uma vez
que ao retirarmos um retorno do conjunto a distribuiccedilatildeo do mesmo muda
A meacutedia e a variacircncia de M satildeo respectivamente
microM =
ηsumi=1
paη|∆x(t)|+
ηsumi=1
peη
(minus |∆x(t)|) =
(2pa minus 1
η
) ηsumi=1
|∆x(t)| (42)
e
σ2M =
ηsumi=1
paη
(|∆x(t)| minus microM)2 +
ηsumi=1
peη
(minus |∆x(t)| minus microM)2 (43)
=
(pa + peη
)( ηsumi=1
|∆x(t)|2 +
ηsumi=1
micro2M
)minus 2microM
(pa minus peη
) ηsumi=1
|∆x(t)|
=1
η
ηsumi=1
|∆x(t)|2 minus micro2M
onde usamos pa + pe = 1 Assumindo a independecircncia entre os diferentes Mj a
meacutedia e a variacircncia de SM satildeo respectivamente
microSM= mmicroM (44)
e
σ2SM
= mσ2M (45)
Consideremos que as operaccedilotildees satildeo realizadas em lotes de tamanho λ de accedilotildees
Desta forma o valor esperado do rendimento financeiro referente agraves m operaccedilotildees
pode ser escrito como
microM =
(λ
(2pa minus 1
η
) ηsumi=1
|∆x(t)|
)m (46)
A variacircncia por sua vez
σ2M =
(λ2
η
ηsumi=1
|∆x(t)|2 minus micro2M
)m (47)
82
Para investigarmos se estatisticamente os rendimentos ltk efetivamente obtidos para
cada accedilatildeo k estatildeo de acordo com o que poderiacuteamos esperar do modelo analisamos a
partir da acuraacutecia e do retorno ∆x(t) o valor esperado de tais rendimentos As meacutedias
satildeo dadas por microM seguidas de seus desvios σM Para o caacutelculo da variaccedilatildeo das
operaccedilotildees utilizamos duas amostras a amostra que conteacutem o conjunto com todos
retornos ∆x(t) do periacuteodo analisado e a amostra que conteacutem somente os retornos
∆x(t) em que t coincide com os tempos em que o modelo operou Os resultados com
as meacutedias (desvios) calculadas (os) nas 2 amostras e os dados dos rendimentos ltkobtidos com o modelo de operaccedilatildeo 1 nos anos de 2017 e 2018 satildeo apresentados nas
tabelas 17 e 18 Os valores obtidos satildeo tambeacutem apresentados nas figuras 19 e 20
Tabela 17 ndash Rendimentos do modelo de operaccedilatildeo 1 no ano de 2017
2017 ltk Amostra completa microM (σM ) Amostra com negociaccedilatildeo microM (σM )BBDC4 1709317 2182192 (543764) 2632716 (634321)VALE5 1400752 937155 (507952) 1217775 (647243)CIEL3 1219486 2088778 (423495) 2717477 (545393)VALE3 472209 943961 (880760) 1141890 (1046772)ITUB4 234494 3064458 (504063) 3680701 (595252)PETR4 1019821 1190426 (257648) 1344799 (282312)ABEV3 966856 962073 (250578) 1179246 (310227)BOVA11 110868 149747 (67775) 171738 (74792)BBAS3 1642988 1688565 (534599) 2024818 (637786)PETR3 281642 577413 (286412) 679861 (334579)
Nota Na variaacutevel ltk apresentamos o rendimento referente a cada accedilatildeo k Em microM (σM )estatildeo os valores referentes agrave meacutedia (desvio) do retorno esperado de cada accedilatildeo Os valoresforam obtidos utilizando o caacutelculo de retornos esperados na amostra completa e na amostra
em tempos com negociaccedilatildeo
A figura 19 mostra os rendimentos esperados e os efetivamente obtidos com a
simulaccedilatildeo no ano de 2017 para a amostra completa e para os tempos com negociaccedilatildeo
Jaacute a figura 20 mostra resultados anaacutelogos para o ano de 2018
83
0
1
2
3
4104
M M M
k
0 2 4 6 8 10
Accedilotildees
0
1
2
3
4
5Ret
orno
s
104
Figura 19 ndash Rendimentos esperados e os efetivamente obtidos ltk para o ano de 2017para a amostra completa e a amostra com negociaccedilatildeo Os resultados apre-sentados satildeo referentes aos rendimentos esperados e os desvios calculadosnos tempos com negociaccedilatildeo durante a simulaccedilatildeo no ano de 2017 No quadro1 mostramos os resultados referentes agrave amostra completa no quadro 2 es-tatildeo plotados os resultados obtidos com a amostra referente a periacuteodos comnegociaccedilatildeo Os pontos na cor vermelha representam a meacutedia dos rendimen-tos efetivamente obtidos na simulaccedilatildeo os pontos verdes mostram as meacutediasdos rendimentos esperados e os pontos em azul representam o rendimentoesperado plusmn os desvios
84
Tabela 18 ndash Retornos do modelo de operaccedilatildeo 1 no ano de 2018
2018 ltk Amostra completa microM (σM ) Amostra com negociaccedilatildeo microM (σM )ABEV3 610898 435344 (299979) 507860 (348669)BOVA11 -1708 128245 (95594) 144797 (106773)MGLU3 4245592 1674092 (2915445) 2289244 (3870177)ITUB4 2587075 2247439 (765528) 2613596 (893825)PETR4 217876 -27632 (488172) -317157 (569206)BBAS3 1473077 1658255 (727962) 1999888 (874414)ITUB3 3786326 1245687 (472640) 1632559 (565428)VALE3 -625568 -1061141 (874929) -1251794 (1052079)BBDC4 1786022 943903 (663568) 1097792 (792768)B3SA3 1727016 1698116 (537150) 1997159 (627890)
Nota Na variaacutevel ltk apresentamos o rendimento referente a cada accedilatildeo k Em microM (σM )estatildeo os valores referentes agrave meacutedia (desvio) do retorno esperado de cada accedilatildeo Os valoresforam obtidos utilizando o caacutelculo de retornos esperados na amostra completa e na amostra
em tempos com negociaccedilatildeo
85
-2
0
2
4
6104
M M M
k
0 2 4 6 8 10Accedilotildees
-5
0
5
10Ret
orno
s
104
Figura 20 ndash Rendimentos esperados e os efetivamente obtidos ltk para o ano de 2018para a amostra completa e a amostra com negociaccedilatildeo Os resultados apre-sentados satildeo referentes aos rendimentos esperados e os desvios calculadosnos tempos com negociaccedilatildeo durante a simulaccedilatildeo no ano de 2018 No qua-dro 1 mostramos os resultados referentes agrave amosta completa no quadro 2estatildeo plotados os resultados obtidos com a amostra referente a periacuteodos comnegociaccedilatildeo Os pontos na cor vermelha representam a meacutedia dos rendimen-tos efetivamente obtidos na simulaccedilatildeo os pontos verdes mostram as meacutediasdos rendimentos esperados e os pontos em azul representam o rendimentosesperado plusmn os desvios
86
De acordo com os resultados apresentados nas tabelas 17 e 18 e tambeacutem nas figuras
19 e 20 podemos observar que 82 5 dos rendimentos financeiros ltk das accedilotildees
estatildeo dentro faixa de variaccedilatildeo da meacutedia do retorno esperado microM plusmn os desvios σM(33 casos em 40 observaccedilotildees) Tal resultado indica que eacute possiacutevel ter-se uma ideia
do resultado da aplicaccedilatildeo de um modelo de operaccedilatildeo a partir do conhecimento de
sua acuraacutecia e dos retornos absolutos meacutedios
724 Consideraccedilotildees sobre MO1
Neste modelo a cada passo de tempo analisamos se haacute posiccedilotildees em aberto e
fechamos a operaccedilatildeo com ordens a mercado Em alguns casos a ordem desfeita era
imediatamente refeita devido ao sinal enviado pelo modelo Este processo gerou um
nuacutemero de operaccedilotildees maior que o necessaacuterio para a aplicaccedilatildeo do modelo Assim a
simulaccedilatildeo gerou no ano de 2017 um nuacutemero de 97209 operaccedilotildees e no ano de 2018 o
total de 91733 operaccedilotildees Esta quantidade elevada de operaccedilotildees estaacute relacionado agrave
ordens e contra ordens que podem ser executadas em um mesmo instante de tempo
mas natildeo apenas a isso Sendo um modelo de operaccedilatildeo baseado em negociaccedilotildees
de curta duraccedilatildeo o ganho proveniente da acuraacutecia alcanccedilada eacute pequeno em relaccedilatildeo
agraves taxas Por outro lado o MO1 eacute mais controlaacutevel pois conhecendo as acuraacutecias
o retorno meacutedio do ativo e as taxas praticadas no mercado eacute possiacutevel definir a
partir de qual niacutevel o modelo se torna rentaacutevel A partir deste ponto neste tipo de
estrateacutegia o risco eacute menor uma vez que desfazemos rapidamente a posiccedilatildeo ficando
pouco tempo alocados no ativo diminuindo assim o risco de exposiccedilatildeo a grandes
oscilaccedilotildees de mercado Isto acontece pelo fato de que toda operaccedilatildeo eacute desfeita no
passo seguinte antes de abrir novas posiccedilotildees Outra vantagem eacute em relaccedilatildeo ao valor
reduzido de capital necessaacuterio para se manter alocado nas operaccedilotildees Desta forma
concluiacutemos que o MO1 natildeo gera bons resultados no cenaacuterio de taxas e acuraacutecias que
apresentamos Contudo para taxas menores e acuraacutecias maiores pode constituir-se
um modelo interessante devido ao baixo risco que apresenta bem como ao reduzido
capital necessaacuterio
73 Modelo de operaccedilatildeo 2
Nesta estrateacutegia quando o modelo de previsatildeo gera um sinal natildeo neutro operaccedilotildees
de compra ou venda satildeo abertas no preccedilo qo(t+ 1) que eacute o preccedilo mais proacuteximo ao de
abertura po(t+ 1) do candle seguinte disponiacutevel (ver equaccedilatildeo 40) Estas operaccedilotildees
satildeo zeradas apenas quando o preccedilo atinge um valor de stop gain (Sg) ou stop loss
(Sl) Neste modelo de operaccedilatildeo eacute possiacutevel limitar as perdas e ganhos das operaccedilotildees
de forma que as posiccedilotildees satildeo zeradas no momento que o preccedilo atinge um ganho ou
perda determinados independente do tempo No modelo definido se o preccedilo natildeo
87
atingir nenhum stop no periacuteodo da simulaccedilatildeo a posiccedilatildeo eacute fechada no uacuteltimo tempo
da amostra
Para esta estrateacutegia desenvolvemos na plataforma apenas uma funccedilatildeo de agenda-
mento que manipula os dados executa o modelo e lanccedila as ordens ao mercado de
acordo com o sinal de compra ou venda
Os valores dos stops foram inspirados na metodologia apresentada em (GARCIA
et al 2020) Aqui adaptamos para que os valores de uma meacutedia relativa sejam
calculados em uma janela deslizante precedente ao dado analisado Os stops satildeo
definidos com base no moacutedulo do retorno meacutedio de cada accedilatildeo calculado na janela de
dados Q que tambeacutem eacute utilizada para caacutelculo do quartil no periacuteodo precedente ao
instante analisado Esta metodologia eacute utilizada para evitar o uso de dados futuros no
caacutelculo Os valores dos stops foram definidos como
Sl = qo(t+ 1)minus κl
(|∆x|(t)x(t)
)qo(t+ 1) (48)
e
Sg = qo(t+ 1) + κg
(|∆x|(t)x(t)
)qo(t+ 1) (49)
onde x(t) eacute o preccedilo de fechamento no tempo t qo(t + 1) eacute o preccedilo de abertura da
posiccedilatildeo κl = 10 e κg = 20 satildeo paracircmetros escolhidos Jaacute |∆x|(t) eacute a meacutedia dos
moacutedulos dos retornos na janela de tamanho Q dada por
|∆x|(t) =1
Q
tminus1sumτ=tminusQ
∆x(τ) (50)
Estes valores foram definidos considerando a variaccedilatildeo de cada accedilatildeo Assim a cada
instante de tempo o valor do stop varia tanto pela mudanccedila da janela de dados pelo
preccedilo x(t) e tambeacutem pelo preccedilo de abertura de cada operaccedilatildeo qo(t+ 1)
Nesta estrateacutegia como as operaccedilotildees levam mais passos de tempo para serem
zeradas aqui a alocaccedilatildeo de capital durante a execuccedilatildeo foi muito maior que no modelo
de operaccedilatildeo 1 Em todos os periacuteodos analisados o valor financeiro em caixa ficou
em algum momento da execuccedilatildeo totalmente alocado
Analogamente agrave seccedilatildeo anterior para mostrar o efeito das taxas no retorno financeiro
aqui tambeacutem simulamos em dois cenaacuterios Em um deles natildeo aplicamos taxas de
negociaccedilatildeo Na outra estrateacutegia utilizamos as taxas praticadas pela Bovespa que
foram apresentadas na tabela 8
88
Os resultados das simulaccedilotildees sem taxas para o ano de 2017 e 2018 satildeo apresenta-
dos nas tabelas 19 e 20 respectivamente Nestes resultados natildeo consideramos a
remuneraccedilatildeo do capital parado no decorrer da estrateacutegia
Para mostrar a consistecircncia do modelo em diferentes periacuteodos executamos as es-
trateacutegias em todos os quadrimestres do ano de 2017 e 2018 Esta simulaccedilatildeo em
diferentes periacuteodos eacute para evitar a super otimizaccedilatildeo (overfitting) do modelo A super
otimizaccedilatildeo acontece quando a estrateacutegia depois de vaacuterios ajustes funciona muito
bem no periacuteodo analisado poreacutem em outros periacuteodos os resultados natildeo se repetem
tendo um resultado pior Os paracircmetros perfeitos satildeo encontrados para aquele periacuteodo
e soacute funcionam bem naquela amostra Uma forma de testar a estrateacutegia eacute simulando
em periacuteodos diferentes para o teste de validaccedilatildeo Por isso aplicamos a estrateacutegia em
6 diferentes quadrimestres
Os resultados da simulaccedilatildeo para o ano de 2017 com taxas praticadas no mercado
satildeo apresentados na tabela 21 Para o ano de 2018 os resultados satildeo mostrados na
tabela 22 Nestes resultados tambeacutem natildeo consideramos a remuneraccedilatildeo do capital
parado no decorrer da estrateacutegia Como taxa de negociaccedilatildeo utilizamos o maior valor
de taxa de negociaccedilatildeo da Bovespa para day trade apresentado na tabela 8 Como
analisamos vaacuterios periacuteodos o nuacutemero de tabelas e consequentemente o nuacutemero de
indicadores resultantes das simulaccedilotildees eacute grande portanto vamos fazer uma anaacutelise
geral dos resultados
Os valores dos indicadores apresentados nas tabelas 19 20 21 e 22 satildeo obtidos
com a simulaccedilatildeo da estrateacutegia que utiliza a combinaccedilatildeo de todas as 10 accedilotildees para
gerar o sinal e negocia apenas com as accedilotildees em que o modelo retorna um sinal natildeo
neutro indicando uma operaccedilatildeo naquele instante O retorno obtido nesta situaccedilatildeo eacute o
retorno acumulado ra
Nas simulaccedilotildees quando aplicamos a estrateacutegia sem inserir taxas os resultados dos
retornos acumulados ra foram positivos em todos os periacuteodos dos anos de 2017 e
2018 analisados Para a simulaccedilatildeo utilizando taxas aplicadas ao cenaacuterio brasileiro
todos os periacuteodos analisados tambeacutem apresentaram retorno acumulado positivo
com exceccedilatildeo do quadrimestre 1 de 2018 Considerando-se todo o ano de 2017 a
estrateacutegia rendeu 28 5 e o desempenho do Ibovespa foi 20 09 Jaacute no ano de
2018 inteiro o desempenho da estrateacutegia foi 28 94 e o Ibovespa apresentou um
rendimento de 15 03 Todas as taxas anuais de crescimento do Ibovespa desde
o ano de 1968 satildeo apresentadas na tabela 22 anexada ao capiacutetulo C A taxa de
crescimento apresentada refere-se agrave taxa meacutedia de variaccedilatildeo do iacutendice composta
anualmente entre dois periacuteodos (BMampFBOVESPA 2019)
Os resultados do indicador alpha que representa o quanto a estrateacutegia se destacou
em relaccedilatildeo ao desempenho da economia (representado por um benchmark) foram
89
positivos para as simulaccedilotildees em todos os periacuteodos dos anos de 2017 e 2018
O indicador de retorno anual esperado que mostra o resultado estimado que a
estrateacutegia alcanccedilaraacute no periacuteodo de 1 ano foi positivo em todos os periacuteodos analisados
O indicador PNL que mostra o resultado financeiro (lucro ou prejuiacutezo) apoacutes a execuccedilatildeo
da estrateacutegia foi positivo para os periacuteodos analisados exceto no primeiro quadrimestre
de 2018
A meacutedia de caixa desta estrateacutegia eacute menor que a estrateacutegia anterior No decorrer da
simulaccedilatildeo em alguns instantes o capital ficou completamente alocado nas operaccedilotildees
A maior alocaccedilatildeo de capital foi proporcionada pelo fato de que as posiccedilotildees nesta
simulaccedilatildeo satildeo zeradas apenas quando os stops satildeo alcanccedilados
Os indicadores sharpe e sortino foram positivos em todos os periacuteodos analisados
Os maiores percentuais de perdas da estrateacutegia durante as execuccedilotildees retratados
pelo indicador Max Drawdown foram observados para as estrateacutegias simuladas com
taxas no ano de 2018 O primeiro quadrimestre de 2018 apresentou uma perda de
minus21 68 corroborando o fato de ser o uacutenico periacuteodo de retorno negativo De acordo
com o indicador de volatilidade este periacuteodo tambeacutem apresentou grandes variaccedilotildees
nos retornos diaacuterios
Para mostrar os retornos obtidos com MO2 elaboramos a figura 21 Nela apresenta-
mos os retornos obtidos com MO2 na simulaccedilatildeo com taxas e sem taxas operacionais
e tambeacutem o iacutendice sharpe associado a cada periacuteodo
90
2017 Q1 Q2 Q3-02
0
02
04
06
08Sem taxasCom taxas
2018 Q1 Q2 Q3
Periacuteodo
-02
0
02
04
06
08
Ret
orno
2017 Q1 Q2 Q3
0
2
4
6
8
2018 Q1 Q2 Q3
0
2
4
6
8
Sha
rpe
(a) (c)
(d)(b)
Figura 21 ndash Retornos e riscos do modelo de operaccedilatildeo 2 Os resultados satildeo referentesaos retornos da simulaccedilatildeo com MO2 Os periacuteodos analisados foram os anosde 2017 e 2018 e tambeacutem os seus quadrimestres As barras nas cores rochasrepresentam os resultados para as simulaccedilotildees sem considerar taxas operacio-nais Jaacute as barras amarelas correspondem aos resultados obtidos aplicandoas taxas operacionais Os valores referentes ao ano de 2017 e 2018 indicamque a simulaccedilatildeo foi executada em todo o periacuteodo Os valores representadospor Q1 Q2 e Q3 correspondem agrave simulaccedilatildeo executada nos quadrimestres 1 2e 3 respectivamente (a) Retornos acumulados ra para os dois cenaacuterios (comtaxas e sem taxas) no ano de 2017 (b) Retornos acumulados ra no periacuteododo ano de 2018 (c) Valores dos indicadores de risco Sharpe associados acada periacuteodo da simulaccedilatildeo no ano de 2017 (d) Iacutendices Sharpe obtidos para asexecuccedilotildees no periacuteodo do ano de 2018
91
Tabela 19 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de 2017
2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown657 128 5678 876 -605
Alpha Beta Retorno anual esperado Estabilidade PNL6168 -005 5757 097 R$ 5678240
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -078 64393516 (30624023) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
235 427 1165 1159 -605Alpha Beta Retorno anual esperado Estabilidade PNL
4576 -007 272 059 R$ 1164811Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -11 48641798 (23030791) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown535 1604 1904 92 -258
Alpha Beta Retorno anual esperado Estabilidade PNL7827 -026 4921 087 R$ 1904128
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -081 57881234 (23758755) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
614 1145 2026 964 -313Alpha Beta Retorno anual esperado Estabilidade PNL814 0 5921 092 R$ 2026282Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -084 51876029 (25483795) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) e
loss Sl (equaccedilatildeo 48) e sem taxas para o periacuteodo de 2017 para as 10 accedilotildees com maiorliquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e as
operaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
92
Tabela 20 ndash Resultados da simulaccedilatildeo utilizando stop gain Sg (equaccedilatildeo 49) e loss Sl (equa-ccedilatildeo 48) sem taxas para o ano de 2018
2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown356 622 6809 2060 -1695
Alpha Beta Retorno anual esperado Estabilidade PNL8077 -016 7335 084 R$ 6808514
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -198 49907873 (3584272) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
165 264 838 1828 -1605Alpha Beta Retorno anual esperado Estabilidade PNL
4658 -028 3015 016 R$ 838228Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -181 34022838 (25116093) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown17 257 1362 2102 -998
Alpha Beta Retorno anual esperado Estabilidade PNL4235 -017 3566 07 R$ 1361668
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -206 47088196 (24412598) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
344 625 2894 2507 -1419Alpha Beta Retorno anual esperado Estabilidade PNL
15673 -016 8618 053 R$ 2893581Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -236 42943842 (31200691) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) e
loss Sl (equaccedilatildeo 48) e sem taxas para o periacuteodo de 2018 para as 10 accedilotildees com maiorliquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e as
operaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
93
Tabela 21 ndash Resultados da simulaccedilatildeo utilizando stops com taxas para o ano de 2017
2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown317 557 285 925 -876
Alpha Beta Retorno anual esperado Estabilidade PNL3209 -006 2931 092 R$ 2850080
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 2655792 -089 52251856 (25794512) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
009 016 329 1194 -876Alpha Beta Retorno anual esperado Estabilidade PNL
1446 -008 113 0 R$ 329094Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 837962 -12 45107409 (22338608) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown281 71 1102 915 -361
Alpha Beta Retorno anual esperado Estabilidade PNL4552 -026 257 066 R$ 1102081
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 786141 -086 54523754 (23077241) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
305 509 1115 974 -398Alpha Beta Retorno anual esperado Estabilidade PNL
4109 0 2973 074 R$ 1115101Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 892833 -091 47685863 (24334232) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) eloss Sl (equaccedilatildeo 48) e aplicando taxas para o periacuteodo de 2017 para as 10 accedilotildees com maior
liquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e asoperaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
94
Tabela 22 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de 2018
2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown153 257 2894 2280 -2286
Alpha Beta Retorno anual esperado Estabilidade PNL4015 -022 3494 057 R$ 2894068
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 3984469 -228 35930005 (28150524) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown-047 -07 -413 1923 -2168Alpha Beta Retorno anual esperado Estabilidade PNL16 -031 -913 002 R$ -412633Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 1254255 -201 29946591 (23861408) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown047 069 489 2143 -1107
Alpha Beta Retorno anual esperado Estabilidade PNL1263 -018 10 016 R$ 489178
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 948899 -216 43434458 (23167973) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
184 315 1606 2586 -176Alpha Beta Retorno anual esperado Estabilidade PNL861 -019 477 027 R$ 1606190Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 1270134 -253 38207694 (29001582) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) eloss Sl (equaccedilatildeo 48) e aplicando taxas para o periacuteodo de 2018 para as 10 accedilotildees com maior
liquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e asoperaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
95
74 Consideraccedilotildees finais
Os dois modelos de operaccedilatildeo descritos tecircm caracteriacutesticas diferentes e apresentam
vantagens e desvantagens em relaccedilatildeo ao outro O modelo de operaccedilatildeo 1 que zera a
posiccedilatildeo no tempo seguinte antes de abrir novas operaccedilotildees tem a vantagem de que o
tempo de permanecircncia na posiccedilatildeo eacute muito pequeno diminuindo o risco de exposiccedilatildeo
a grandes oscilaccedilotildees do mercado Poreacutem o excessivo nuacutemero de operaccedilotildees leva a
taxas operacionais elevadas inviabilizando a execuccedilatildeo em mercados reais Por outro
lado o MO1 eacute mais controlaacutevel e nos daacute uma ideia de qual o patamar de taxas a
partir do qual torna-se rentaacutevel Jaacute o modelo de operaccedilatildeo 2 tem um nuacutemero menor de
operaccedilotildees em contrapartida o risco associado agrave estrateacutegia eacute maior uma vez que
a operaccedilatildeo soacute eacute zerada quando atinge um valor de stop O nuacutemero de operaccedilotildees
em MO1 foi 97209 em 2017 e 91733 em 2018 enquanto o nuacutemero de operaccedilotildees de
MO2 em todo o ano de 2017 foi 9534 no ano de 2018 a quantidade de operaccedilotildees de
MO2 foi 9238 O nuacutemero de execuccedilotildees em MO2 ficou em torno de 10 em relaccedilatildeo
ao nuacutemero de operaccedilotildees realizadas em MO1
Analisando os resultados das simulaccedilotildees percebemos que os melhores resultados
dos rendimentos foram obtidos com a estrateacutegia 2 Embora MO2 tenha se mostrado
mais lucrativo o modelo de operaccedilatildeo 1 praticamente natildeo apresenta risco Com relaccedilatildeo
a MO2 como mitigaccedilatildeo do risco temos o fato de que os valores de stop loss satildeo
pequenos Percebemos isso analisando a equaccedilatildeo 48 Uma vez que x(t) eacute o preccedilo de
fechamento e qo(t+ 1) eacute o preccedilo de abertura de posiccedilatildeo no candle seguinte podemos
observar que qo(t+1)x(t)
sim= 1 Assim o stop loss eacute aproximadamente
Sl sim= qo(t+ 1)minus κl(|∆x|
)(t) (51)
Uma vez que escolhemos κl = 10 o valor da perda maacutexima por operaccedilatildeo satildeo
significativamente menores que o valor da accedilatildeo Durante a simulaccedilatildeo para o caacutelculo
do stop utilizamos a janela de dados Q precedente ao tempo investigado para calcular
uma meacutedia dos moacutedulos dos retornos naquela janela definida como(|∆x|
)(t) Aqui
para analisar relaccedilatildeo entre os valores dos stops e os preccedilos das accedilotildees utilizamos
as seacuteries de fechamento referentes a todo o periacuteodo da simulaccedilatildeo e calculamos a
meacutedia dos moacutedulos dos retornos definida por |∆pc| e a meacutedia dos preccedilos de cada
accedilatildeo definida por pc Assim supondo |∆pc| sim=(|∆x|
)(t) podemos considerar a
aproximaccedilatildeo apresentada na equaccedilatildeo 51 com isso percebemos que os valores dos
stops satildeo substancialmente menores que os valores das accedilotildees A tabela 23 mostra
as meacutedias dos moacutedulos dos retornos |∆pc| meacutedias de preccedilos pc e as razotildees pc|∆pc|
Por outro lado como mitigaccedilatildeo do risco tambeacutem podemos considerar o fato de traba-
lharmos com uma carteira de accedilotildees diversificada Em uma evoluccedilatildeo do trabalho seria
96
interessante desenvolver um modelo de controle de risco utilizando as correlaccedilotildees
entre as accedilotildees
Em relaccedilatildeo agrave alocaccedilatildeo de capital o risco no modelo de operaccedilatildeo 2 eacute maior pois em
todas as simulaccedilotildees em algum momento o capital disponiacutevel zerou Jaacute no modelo
de operaccedilatildeo 1 durante a simulaccedilatildeo utilizamos em meacutedia apenas 20 do capital
disponiacutevel Poreacutem em todas as simulaccedilotildees o modelo de operaccedilatildeo 2 apresentou
melhores resultados que o modelo de operaccedilatildeo 1
Tabela 23 ndash Meacutedia de preccedilos e retornos das accedilotildees
2017|∆pc| pc
pc|∆pc|
BBDC4 002558665 2187134354 000117VALE5 003627768 2887922779 0001256CIEL3 002340959 1953467112 0001198VALE3 004188494 2950070746 000142ITUB4 002380873 2314603021 0001029PETR4 001766138 1399935784 0001262ABEV3 001726891 1814834573 0000952BOVA11 004623921 6587925137 0000702BBAS3 003640741 2898630173 0001256PETR3 002058712 1523066685 0001352
2018|∆pc| pc
pc|∆pc|
ABEV3 00216501 1924430907 0001125BOVA11 00701715 7894486398 0000889MGLU3 021140572 11969484777 0001766ITUB4 003648753 2954197693 0001235PETR4 003357403 2018010619 0001664BBAS3 00510998 3443680947 0001484ITUB3 002432655 2547002471 0000955VALE3 006316666 4901690744 0001289BBDC4 00367708 2628898962 0001399B3SA3 003739952 2353833938 0001589
Nota Os valores satildeo referentes agrave meacutedia dos moacutedulos dos retornos |∆pc| meacutedia dos preccedilospc de cada accedilatildeo e as razotildees pc
|∆pc| Seacuteries de preccedilos de fechamentos relativos aos periacuteodos
em que executamos a simulaccedilatildeo (2017 e 2018) foram utilizadas
97
Capiacutetulo 8
Conclusatildeo
O trabalho teve o objetivo de desenvolver um modelo baseado em um sistema de
equaccedilotildees diferenciais lineares aplicado ao mercado acionaacuterio O intuito foi contribuir
para a compreensatildeo da dinacircmica dos preccedilos no mercado financeiro e auxiliar na
decisatildeo de compra e venda das accedilotildees listadas na Bovespa Para tal nos apoiamos
na lacuna deixada pela hipoacutetese de mercado eficiente
Como parte do desenvolvimento do trabalho inicialmente realizamos uma pesquisa
bibliograacutefica Nesta autores importantes defendem que os mercados satildeo eficientes
e que as seacuteries de preccedilos passados natildeo trazem informaccedilotildees de preccedilos futuros
Na contramatildeo da teoria claacutessica outros autores mostram que os mercados natildeo
satildeo tatildeo eficientes em termos de equiliacutebrio de preccedilos e que as seacuteries apresentam
alguma memoacuteria e um certo niacutevel de correlaccedilatildeo Tendo em vista estas possibilidades
e acreditando que o mercado de accedilotildees brasileiro tambeacutem apresenta resiacuteduos de
ineficiecircncia elaboramos um modelo para ajudar na compreensatildeo da dinacircmica do
mercado de accedilotildees Para tal desenvolvemos um modelo baseado em um sistema de
equaccedilotildees diferencias lineares com o objetivo de prever tendecircncias de preccedilos das
accedilotildees
No capiacutetulo 5 apresentamos a formulaccedilatildeo do modelo baseado em um sistema de
equaccedilotildees diferenciais lineares e a sua adaptaccedilatildeo para um novo modelo de ajuste de
pontos bem como a definiccedilatildeo de um modelo de previsatildeo de tendecircncia de preccedilos
Diante das seacuteries de dados dos ativos calculamos as matrizes de coeficientes A(t)
Para verificar a variaccedilatildeo de tais matrizes em t calculamos a distacircncia entre as matrizes
obtidas em tempos adjacentes O resultado da anaacutelise foi que agrave medida em que
aumentamos o valor deR as distacircncias das matrizes calculadas em tempos seguintes
diminuiacuteam Este resultado nos sugere que as matrizes A(t) satildeo boas estimativas para
A(t+ 1) podendo assim serem utilizadas como paracircmetro no modelo de previsatildeo
No capiacutetulo 6 exploramos algumas das possibilidades de combinaccedilatildeo de paracircmetros
e dados para ajustar o modelo de previsatildeo de forma a obter melhores resultados de
98
acuraacutecia As anaacutelises foram realizadas utilizando diferentes valores de R diferentes
nuacutemeros de accedilotildees vaacuterias granularidades das seacuteries de dados expoente de Hurst e
tambeacutem a votaccedilatildeo entre os valores de R Nesta parte do trabalho tambeacutem investiga-
mos o niacutevel de eficiecircncia em dois tipos de mercados com caracteriacutesticas diferentes
por meio da anaacutelise dos resultados de acuraacutecias As anaacutelises foram realizadas utili-
zando as accedilotildees dos iacutendices Dow Jones e Ibovespa e os resultados apontaram que
as melhores taxas de acuraacutecias foram obtidas no mercado brasileiro indicando uma
certa ineficiecircncia
Como resultado da exploraccedilatildeo do modelo definimos os paracircmetros satisfatoacuterios dentro
do cenaacuterio explorado Como mencionamos anteriormente natildeo podemos afirmar que
os paracircmetros definidos satildeo os oacutetimos Para tal afirmaccedilatildeo seria necessaacuterio um estudo
mais elaborado utilizando teacutecnicas de otimizaccedilatildeo
Na investigaccedilatildeo foram considerados os paracircmetros que retornaram as melhores taxas
de acuraacutecias do modelo na previsatildeo de tendecircncia dos preccedilos das accedilotildees Quando
analisamos os resultados dos diferentes valores de R observamos que para valores
maiores de R as acuraacutecias a tendem a aumentar Assim para as anaacutelises que
utilizaram apenas uma janela para o ajuste o valor definido foi R = 1000 Jaacute para
anaacutelises aplicando a votaccedilatildeo os valores dos paracircmetros definidos foram R = 500
R = 1000 e R = 1500
Quando analisamos os resultados obtidos de a em relaccedilatildeo agrave quantidade de accedilotildees
utilizadas na combinaccedilatildeo das seacuteries de entrada para o modelo percebemos uma
moderada melhora nos valores em torno da combinaccedilatildeo de 10 accedilotildees (ver figura 10)
Na anaacutelise da relaccedilatildeo entre a acuraacutecia do modelo e a granularidade dos dados os
melhores resultados foram obtidos para a frequecircncia de cotaccedilatildeo de 5 minutos
Quando analisamos a associaccedilatildeo entre as acuraacutecias obtidas e os expoentes de
Hurst H das seacuteries em geral natildeo encontramos padrotildees relevantes relacionados agraves
acuraacutecias e tais expoentes Um padratildeo atiacutepico foi encontrado para a accedilatildeo CPFE3
em que o expoente de Hurst da seacuterie correspondente tem o valor baixo (H = 0 28)
enquanto que o valor da acuraacutecia para esta accedilatildeo eacute relevante (a = 68 10) Calculando
os coeficientes de correlaccedilatildeo linear de Pearson ρ entre as acuraacutecias obtidas em cada
quadrimestre e os expoentes de Hurst calculados nos respectivos periacuteodos os valores
obtidos de ρ foram negativos em todos os casos Os valores mais significativos
foram obtidos para as accedilotildees do Ibovespa Estes resultados indicam que haacute uma
anti-correlaccedilatildeo entre as acuraacutecias obtidas e os expoentes H das seacuteries analisadas
A outra exploraccedilatildeo do modelo foi baseada na votaccedilatildeo em relaccedilatildeo agrave direccedilatildeo da
tendecircncia prevista utilizando 10 diferentes valores de R Os resultados natildeo apontaram
ganhos significativos em relaccedilatildeo agrave utilizaccedilatildeo de apenas o valor R = 1000 A vantagem
do uso da teacutecnica de votaccedilatildeo estaacute na possibilidade de aumento do tamanho da
99
amostra uma vez que teremos mais sinais natildeo neutros retornados pelo modelo
(retornos previstos no quarto quartil)
Nesta parte do trabalho tambeacutem investigamos a consistecircncia dos resultados apli-
cando o modelo de previsatildeo em diferentes periacuteodos Os resultados sugeriram que
o modelo manteacutem consistecircncia nos diferentes quadrimestres em relaccedilatildeo agraves accedilotildees
que apresentaram melhores acuraacutecias e tambeacutem em relaccedilatildeo aos seus valores de
acuraacutecias
Dessa maneira os paracircmetros definidos para a simulaccedilatildeo foram baseados nesse
capiacutetulo de exploraccedilatildeo do modelo Estas anaacutelises foram importantes para ajudar
na definiccedilatildeo da quantidade de accedilotildees frequecircncia de cotaccedilatildeo e tamanho da janela
de dados que foram utilizadas na simulaccedilatildeo Como resultado as seacuteries utilizadas
foram as com frequecircncia de cotaccedilatildeo de 5 minutos das 10 accedilotildees com maior liquidez
na Bovespa A votaccedilatildeo entre os sinais obtidos com diferentes tamanhos de R foi
utilizada como sinal de tendecircncia Nesta exploraccedilatildeo tambeacutem observamos que os
melhores resultados foram obtidos no mercado brasileiro sendo este o definido para a
simulaccedilatildeo O mercado emergente escolhido para a simulaccedilatildeo foi devido agrave expectativa
de que o modelo tenha melhor desempenho neste cenaacuterio
No capiacutetulo 7 desenvolvemos duas estrateacutegias de negociaccedilatildeo baseadas no modelo
apresentado no capiacutetulo 5 Em ambas as estrateacutegias se o modelo envia um sinal
natildeo neutro as operaccedilotildees satildeo abertas de acordo com a tendecircncia do preccedilo prevista
(alta ou baixa) No modelo de operaccedilatildeo 1 (MO1) as operaccedilotildees satildeo fechadas a cada
passo de tempo (cada candle) com ordens a mercado No modelo de operaccedilatildeo 2
(MO2) as operaccedilotildees satildeo fechadas de acordo com os valores dos stops defindos
nas equaccedilotildees 48 e 49 Ambos os modelos de negociaccedilatildeo apresentaram custos de
processamento baixos sendo possiacutevel a execuccedilatildeo em frequecircncias de dados menores
Para quantificar o efeito dos custos operacionais as estrateacutegias foram simuladas sem
considerar taxas e tambeacutem aplicando taxas operacionais
O modelo de operaccedilatildeo 1 quando executado aplicando taxas natildeo obteve um retorno
financeiro satisfatoacuterio Sendo um modelo de operaccedilatildeo baseado em negociaccedilotildees de
curta duraccedilatildeo o ganho proveniente da acuraacutecia alcanccedilada eacute pequeno em relaccedilatildeo agraves
taxas Poreacutem este modelo foi importante para a anaacutelise estatiacutestica dos dados nos
periacuteodos utilizados na simulaccedilatildeo Tambeacutem foi um modelo importante para a anaacutelise
das acuraacutecias e o retorno acumulado De fato que as acuraacutecias por si soacute natildeo satildeo
bons indicadores de sucesso de um modelo Outras variaacuteveis devem ser levadas em
consideraccedilatildeo tais como liquidez volume e volatilidade do ativo
O MO1 eacute mais controlaacutevel pois conhecendo as acuraacutecias o retorno meacutedio do ativo
e as taxas praticadas no mercado eacute possiacutevel definir em qual niacutevel o modelo se
torna rentaacutevel A partir deste ponto o risco eacute menor uma vez que nesta estrateacutegia
100
desfazemos as posiccedilotildees a cada passo de tempo natildeo ficando expostos a grandes
oscilaccedilotildees do mercado O valor financeiro investido para se manter alocado nas
posiccedilotildees tambeacutem eacute menor A desvantagem eacute em relaccedilatildeo ao elevado nuacutemero de
operaccedilotildees realizadas gerando altas taxas operacionais
Dessa maneira concluiacutemos que o MO1 natildeo gera bons resultados no cenaacuterio de taxas
e acuraacutecias que apresentamos Contudo para taxas menores e acuraacutecias maiores
pode constituir-se um modelo interessante devido ao baixo risco que apresenta bem
como ao reduzido capital necessaacuterio
O modelo de operaccedilatildeo 2 apresentou um retorno financeiro interessante mesmo no
contexto real considerando os custos operacionais da Bovespa o modelo ainda
apresentou resultados consistentes nos periacuteodos analisados (resultados positivos
em cinco quadrimestres e negativo em apenas um) Estes resultados nos sugerem
indiacutecios em direccedilatildeo a desvios da hipoacutetese de mercado eficiente A vantagem do MO2
eacute o nuacutemero reduzido de operaccedilotildees Como mitigaccedilatildeo do risco deste modelo podemos
considerar o fato de trabalharmos com uma carteira diversificada de accedilotildees (10 accedilotildees
mais negociadas na Bovespa nos anos de 2017 e 2018) Tambeacutem como amenizaccedilatildeo
de risco podemos considerar a escolha de valores de stop loss pequenos em relaccedilatildeo
aos preccedilos das accedilotildees Assim os valores das perdas maacuteximas por operaccedilatildeo satildeo
significativamente menores que os valores das accedilotildees limitando as perdas caso a
operaccedilatildeo seja fechada com stop loss (ver tabela 23)
Diante dos resultados o modelo de operaccedilatildeo 2 apresentou maiores ganhos e se apre-
sentou como uma alternativa promissora como estrateacutegia de operaccedilatildeo em mercados
reais Poreacutem apesar de MO2 ter se mostrado mais rentaacutevel durante a simulaccedilatildeo natildeo
podemos afirmar que pode ser utilizado como ferramenta de decisatildeo para operaccedilotildees
em mercado real O modelo deve ser submetido em outros intervalos em outras situa-
ccedilotildees de mercado e tambeacutem levando em consideraccedilatildeo outras variaacuteveis para que se
possa obter consistecircncia estabilidade e com isso aumentar os retornos financeiros
Assim este trabalho natildeo tem por finalidade apresentar uma ferramenta de negociaccedilatildeo
finalizada para ser aplicada no mercado real
Durante o trabalho detectamos resiacuteduos de ineficiecircncia nas seacuteries de preccedilos ana-
lisadas Estes resiacuteduos possibilitam oportunidades de arbitragem Isto nos levou a
acreditar que eacute possiacutevel fazer inferecircncia do preccedilo futuro baseando-se em dados passa-
dos Assim os resultados aqui apresentados apontam na direccedilatildeo de explicitar desvios
da Hipoacutetese de Mercado Eficiente no mercado brasileiro Dadas estas oportunidades
e a importacircncia do tema estudado considera-se que muito haacute ainda que percorrer no
campo da investigaccedilatildeo nesta aacuterea sendo portanto um campo feacutertil para trabalhos
futuros
101
81 Trabalhos Futuros
Dentre as inuacutemeras possibilidades de futuras investigaccedilotildees destacamos as seguintes
propostas
ndash Ateacute este ponto do trabalho sugerimos que nossos dados podem ser descritos
por um modelo de regressatildeo multidimensional Poreacutem eacute preciso testar a ade-
quaccedilatildeo do modelo como tal com rigor estatiacutestico Lembremos que a violaccedilatildeo
das premissas natildeo invalida o modelo pois ateacute o momento estamos interessados
principalmente nos resultados de acerto de previsatildeo de tendecircncia
ndash Utilizar teacutecnicas de otimizaccedilatildeo para auxiliar na escolha de paracircmetros oacutetimos
para aplicar ao modelo de previsatildeo
ndash Calcular valores de stop gain e stop loss por meio de teacutecnicas de otimizaccedilatildeo
ndash Desenvolver um modelo de controle de risco com criteacuterios de otimizaccedilatildeo de
carteiras para minimizar o risco das estrateacutegias
ndash Utilizar o modelo em combinaccedilatildeo com outros indicadores
ndash Testar o modelo em negociaccedilatildeo de contratos em ambiente de mercados futuros
tais como commodities (agriacutecola1 mineral2) moedas (doacutelar e euro) e iacutendices
(Bovespa e SampP 500)
1Soja milho trigo e cafeacute2Petroacuteleo mineacuterio de ferro e ouro
102
Referecircncias
AGUIRRE L Introduccedilatildeo agrave Identificaccedilatildeo de Sistemas ndash Teacutecnicas Lineares e Natildeo-Lineares Aplicadas a Sistemas Reais Editora UFMG 2007 ISBN 9788570415844Disponiacutevel em lthttpsbooksgooglecombrbooksid=f9IwE7Ph0fYCgt Citado 3vezes nas paacuteginas 8 31 e 113
AL-KHAZALI O M PYUN C S KIM D Are exchange rate movements predictablein asia-pacific markets evidence of random walk and martingale difference processesInternational Review of Economics amp Finance Elsevier v 21 n 1 p 221ndash2312012 Citado 2 vezes nas paacuteginas 1 e 14
ALLEZ R BOUCHAUD J-P Individual and collective stock dynamics intra-dayseasonalities New Journal of Physics IOP Publishing v 13 n 2 p 025010 2011Citado na paacutegina 5
ALONSO-RIVERA A CRUZ-AKEacute S VENEGAS-MARTIacuteNEZ F Impact of monetarypolicy on financial markets efficiency and speculative bubbles A non-linear entropy-based approach 2014 Citado na paacutegina 14
ANATOLYEV S GOSPODINOV N Modeling financial return dynamics via decompo-sition Journal of Business amp Economic Statistics Taylor amp Francis 2012 Citadona paacutegina 4
ATSALAKIS G K V Surveying stock market forecasting techniques - part i Conven-tional methods Computation optimization in economics and finance researchcompendium p 49ndash104 01 2013 Citado 2 vezes nas paacuteginas 4 e 17
ATSALAKIS G S VALAVANIS K P Surveying stock market forecasting techniquesndashpart ii Soft computing methods Expert Systems with Applications Elsevier v 36n 3 p 5932ndash5941 2009 Citado 2 vezes nas paacuteginas 4 e 17
BARKOULAS J T BAUM C F Long-term dependence in stock returns EconomicsLetters Elsevier v 53 n 3 p 253ndash259 1996 Citado 2 vezes nas paacuteginas 1 e 14
BELAIRE-FRANCH J OPONG K K Testing for random walk in euro exchange ratesusing the subsampling approach Applied Economics Letters Taylor amp Francis v 17n 12 p 1145ndash1151 2010 Citado 2 vezes nas paacuteginas 1 e 14
BMampFBOVESPA Metodologia do iacutendice Bovespa 2015 Disponiacutevel em lthttpwwwb3combrpt_brmarket-data-e-indicesindicesindices-amplosibovespahtmgt Citadona paacutegina 21
BMampFBOVESPA Taxa meacutedia de crescimento Ibovespa 2019 Disponiacute-vel em lthttpwwwb3combrpt_brmarket-data-e-indicesindicesindices-amplosindice-ibovespa-ibovespa-estatisticas-historicashtmgt Citado 2 vezes nas paacuteginas89 e 121
BMampFBOVESPA Histoacuterico pessoas fiacutesicas 2020 Disponiacutevel em lthttpwwwb3combrpt_brmarket-data-e-indicesservicos-de-dadosmarket-dataconsultasmercado-a-vistahistorico-pessoas-fisicasgt Citado na paacutegina 2
103
BMampFBOVESPA Negociaccedilatildeo- Segmento BMampFBOVESPA 2020 Dis-poniacutevel em lthttpwwwb3combrpt_brregulacaoestrutura-normativaregulamentos-e-manuaisnegociacaohtmgt Citado na paacutegina 21
BORDO M D LANDON-LANE J Does expansionary monetary policy causeasset price booms some historical and empirical evidence [Sl] 2013 Citadona paacutegina 14
BRUNNERMEIER M K Information leakage and market efficiency Review of Finan-cial Studies Soc Financial Studies v 18 n 2 p 417ndash457 2005 Citado 3 vezesnas paacuteginas 1 2 e 14
CAGINALP G Does the market have a mind of its own and does it get carried awaywith excess cash The Journal of Psychology and Financial Markets Taylor ampFrancis v 3 n 2 p 72ndash75 2002 Citado na paacutegina 19
CAGINALP G DESANTIS M A paradigm for quantitative behavioral finance Ameri-can Behavioral Scientist Sage Publications v 55 n 8 p 1014ndash1034 2011 Citado3 vezes nas paacuteginas 1 14 e 19
CAGINALP G ERMENTROUT G A kinetic thermodynamics approach to the psycho-logy of fluctuations in financial markets Applied Mathematics Letters v 3 n 4 p17 ndash 19 1990 ISSN 0893-9659 Citado 2 vezes nas paacuteginas 2 e 16
CAGINALP G PORTER D SMITH V Momentum and overreaction in experimentalasset markets International Journal of Industrial Organization Elsevier v 18 n 1p 187ndash204 2000 Citado na paacutegina 19
CAJUEIRO D O TABAK B M The hurst exponent over time testing the assertionthat emerging markets are becoming more efficient Physica A Statistical Mechanicsand its Applications Elsevier v 336 n 3 p 521ndash537 2004 Citado 6 vezes naspaacuteginas 1 5 14 17 19 e 52
CARBONE A CASTELLI G STANLEY H E Time-dependent hurst exponentin financial time series Physica A Statistical Mechanics and its ApplicationsElsevier v 344 n 1-2 p 267ndash271 2004 Citado 2 vezes nas paacuteginas 16 e 19
CHARLES A DARNEacute O KIM J H Exchange-rate return predictability and theadaptive markets hypothesis Evidence from major foreign exchange rates Journal ofInternational Money and Finance Elsevier v 31 n 6 p 1607ndash1626 2012 Citado2 vezes nas paacuteginas 1 e 14
CHEN P-w HUANG H-c SU Y-c The central bank in market efficiency The caseof taiwan Pacific-Basin Finance Journal Elsevier v 29 p 239ndash260 2014 Citadona paacutegina 14
CHEN Z et al Effect of nonstationarities on detrended fluctuation analysis Physicalreview E Statistical nonlinear and soft matter physics v 65 p 041107 05 2002Citado na paacutegina 48
CHEVAPATRAKUL T Return sign forecasts based on conditional risk Evidence fromthe uk stock market index Journal of Banking amp Finance Elsevier v 37 n 7 p2342ndash2353 2013 Citado na paacutegina 4
104
CHORDIA T ROLL R SUBRAHMANYAM A Liquidity and market efficiency Jour-nal of Financial Economics Elsevier v 87 n 2 p 249ndash268 2008 Citado 3 vezesnas paacuteginas 1 2 e 14
CHOUDHRY T JAYASEKERA R Comparison of efficiency characteristics betweenthe banking sectors of us and uk during the global financial crisis of 2007ndash2011International Review of Financial Analysis Elsevier v 25 p 106ndash116 2012 Citado2 vezes nas paacuteginas 1 e 14
CHOUDHRY T JAYASEKERA R Market efficiency during the global financial crisisEmpirical evidence from european banks Journal of international Money andFinance Elsevier v 49 p 299ndash318 2014 Citado 2 vezes nas paacuteginas 1 e 14
CHUNG D HRAZDIL K Liquidity and market efficiency A large sample studyJournal of Banking amp Finance Elsevier v 34 n 10 p 2346ndash2357 2010 Citado 2vezes nas paacuteginas 2 e 14
COHEN J Statistical power analysis for the behavioral sciences [Sl] New YorkAcademic Press 1977 Citado 2 vezes nas paacuteginas 52 e 62
CURME C STANLEY H E VODENSKA I Coupled network approach to predic-tability of financial market returns and news sentiments International Journal ofTheoretical and Applied Finance World Scientific v 18 n 07 p 1550043 2015Citado 2 vezes nas paacuteginas 1 e 14
FAN Y et al The effect of investor psychology on the complexity of stock market Ananalysis based on cellular automaton model Computers amp Industrial EngineeringElsevier v 56 n 1 p 63ndash69 2009 Citado na paacutegina 16
FENG L et al Linking agent-based models and stochastic models of financial marketsProceedings of the National Academy of Sciences National Acad Sciences v 109n 22 p 8388ndash8393 2012 Citado na paacutegina 1
GARCIA M et al Forecast model for financial time series An approach basedon harmonic oscillators Physica A Statistical Mechanics and its ApplicationsElsevier p 124365 2020 Citado 2 vezes nas paacuteginas 17 e 88
GRECH D MAZUR Z Can one make any crash prediction in finance using thelocal hurst exponent idea Physica A Statistical Mechanics and its ApplicationsElsevier v 336 n 1 p 133ndash145 2004 Citado 2 vezes nas paacuteginas 1 e 14
HEALY P M PALEPU K G Information asymmetry corporate disclosure and thecapital markets A review of the empirical disclosure literature Journal of accountingand economics Elsevier v 31 n 1 p 405ndash440 2001 Citado 3 vezes nas paacuteginas1 2 e 14
HOMMES C KOPAacuteNYI-PEUKER A SONNEMANS J Bubbles crashes and infor-mation contagion in large-group asset market experiments Experimental EconomicsSpringer p 1ndash20 2020 Citado na paacutegina 16
HU K et al Effect of trends on detrended fluctuation analysis Phys Rev E AmericanPhysical Society v 64 p 011114 Jun 2001 Disponiacutevel em lthttpslinkapsorgdoi101103PhysRevE64011114gt Citado na paacutegina 48
105
KAHNEMAN D et al Noise How to overcome the high hidden cost of inconsistentdecision making Harvard Business Review v 94 p 38ndash46 2016 Citado na paacutegina16
KAHNEMAN D TVERSKY A Prospect theory An analysis of decision under riskEconometrica Journal of the econometric society JSTOR v 47 n 2 p 263ndash2911979 Citado 3 vezes nas paacuteginas 2 14 e 15
KATUSIIME L SHAMSUDDIN A AGBOLA F W Foreign exchange market effici-ency and profitability of trading rules Evidence from a developing country Internatio-nal Review of Economics amp Finance Elsevier v 35 p 315ndash332 2015 Citado 2vezes nas paacuteginas 1 e 14
LAZAR D TODEA A FILIP D Martingale difference hypothesis and financial crisisEmpirical evidence from european emerging foreign exchange markets EconomicSystems Elsevier v 36 n 3 p 338ndash350 2012 Citado 2 vezes nas paacuteginas 1 e 14
LIM K-P BROOKS R D KIM J H Financial crisis and stock market efficiencyEmpirical evidence from asian countries International Review of Financial AnalysisElsevier v 17 n 3 p 571ndash591 2008 Citado na paacutegina 14
LIU S Transaction costs and market efficiency Evidence from commission deregu-lation The Quarterly Review of Economics and Finance Elsevier v 50 n 3 p352ndash360 2010 Citado na paacutegina 14
MALKIEL B G FAMA E F Efficient capital markets A review of theory and empiricalwork The journal of Finance Wiley Online Library v 25 n 2 p 383ndash417 1970Citado na paacutegina 1
MANTEGNA R N STANLEY H E Introduction to econophysics correlationsand complexity in finance [Sl] Cambridge university press 1999 Citado 2 vezesnas paacuteginas 13 e 14
MEI D et al Forecasting stock market volatility Do realized skewness and kurtosishelp Physica A Statistical Mechanics and its Applications v 481 p 153ndash1592017 Citado na paacutegina 18
MERKLE C MUumlLLER-DETHARD J WEBER M Closing a mental account Therealization effect for gains and losses Experimental Economics Springer p 1ndash272020 Citado na paacutegina 16
MONTGOMERY D C Design and analysis of experiments [Sl] John Wiley ampSons 2008 Citado na paacutegina 42
NAMETALA C et al Uma estrateacutegia automatizada de investimento por meio de redesneurais artificiais e preditores economeacutetricos In Anais Principais do XII SimpoacutesioBrasileiro de Sistemas de Informaccedilatildeo Porto Alegre RS Brasil SBC 2016 p 152ndash159 ISSN 0000-0000 Disponiacutevel em lthttpssolsbcorgbrindexphpsbsiarticleview5957gt Citado 2 vezes nas paacuteginas 2 e 18
NELSON D M PEREIRA A C OLIVEIRA R A de Stock marketrsquos price movementprediction with lstm neural networks In IEEE 2017 International joint conferenceon neural networks (IJCNN) [Sl] 2017 p 1419ndash1426 Citado na paacutegina 18
106
NTIM C G et al On the efficiency of the global gold markets International Reviewof Financial Analysis Elsevier v 41 p 218ndash236 2015 Citado 2 vezes nas paacuteginas1 e 14
NYBERG H Forecasting the direction of the us stock market with dynamic binaryprobit models International Journal of Forecasting Elsevier v 27 n 2 p 561ndash5782011 Citado na paacutegina 4
OLIVEIRA F A de NOBRE C N ZARATE L E Applying artificial neural networksto prediction of stock price and improvement of the directional prediction indexndashcasestudy of petr4 petrobras brazil Expert Systems with Applications Elsevier v 40n 18 p 7596ndash7606 2013 Citado na paacutegina 17
PASQUARIELLO P ZAFEIRIDOU C Political uncertainty and financial market qualityRoss School of Business Paper n 1232 2014 Citado na paacutegina 14
PENG C-K et al Mosaic organization of dna nucleotides Phys Rev E AmericanPhysical Society v 49 p 1685ndash1689 Feb 1994 Citado na paacutegina 48
PODOBNIK B et al Fractionally integrated process for transition economics PhysicaA Statistical Mechanics and its Applications Elsevier v 362 n 2 p 465ndash4702006 Citado 2 vezes nas paacuteginas 1 e 14
POumlNKAuml H Predicting the direction of us stock markets using industry returns Empiri-cal Economics Springer p 1ndash30 2014 Citado na paacutegina 4
RAFFERTY M TOMLJANOVICH M Central bank transparency and market efficiencyAn econometric analysis Journal of Economics and Finance Springer v 26 n 2p 150ndash161 2002 Citado na paacutegina 14
RECHENTHIN M STREET W N Using conditional probability to identify trends inintra-day high-frequency equity pricing Physica A Statistical Mechanics and itsApplications Elsevier v 392 n 24 p 6169ndash6188 2013 Citado na paacutegina 17
RESENDE C C de et al Investigating market efficiency through a forecasting modelbased on differential equations Physica A Statistical Mechanics and its Applica-tions v 474 n C p 199ndash212 2017 Citado 6 vezes nas paacuteginas 1 8 10 28 31e 35
ROSS S A Information and volatility The no-arbitrage martingale approach to timingand resolution irrelevancy The Journal of Finance Wiley Online Library v 44 n 1 p1ndash17 1989 Citado 3 vezes nas paacuteginas 1 2 e 14
SAMUELSON P A Proof that properly anticipated prices fluctuate randomly[Sl sn] 1965 41ndash45 p Citado 2 vezes nas paacuteginas 1 e 13
SHARMA C BANERJEE K A study of correlations in the stock market PhysicaA Statistical Mechanics and its Applications Elsevier v 432 p 321ndash330 2015Citado na paacutegina 14
SHILLER R J Do stock prices move too much to be justified by subsequentchanges in dividends [Sl] National Bureau of Economic Research CambridgeMass USA 1980 421ndash436 p Citado na paacutegina 1
SHILLER R J FISCHER S FRIEDMAN B M Stock prices and social dynamicsBrookings papers on economic activity JSTOR v 1984 n 2 p 457ndash510 1984Citado 2 vezes nas paacuteginas 2 e 14
107
TVERSKY A KAHNEMAN D Loss Aversion in Riskless Choice A Reference-Dependent Model The Quarterly Journal of Economics v 106 n 4 p 1039ndash106111 1991 ISSN 0033-5533 Disponiacutevel em lthttpsdoiorg1023072937956gt Citado2 vezes nas paacuteginas 15 e 16
ZUNINO L et al Inefficiency in latin-american market indices The European PhysicalJournal B Springer v 60 n 1 p 111ndash121 2007 Citado 3 vezes nas paacuteginas 1 5e 14
108
Apecircndices
APEcircNDICE A ndash Estimaccedilatildeo da matriz
de coeficientes pelo meacutetodo dos
miacutenimos quadrados
Seja a relaccedilatildeo
x (t) = Ax (tminus 1) (52)
onde
x (t) =
X1 (t)
X2 (t)
Xn (t)
e A =
a11 a12 middot middot middot a1n
a21 a22 middot middot middot a2n
an1 an2 middot middot middot ann
(53)
Esta equaccedilatildeo pode ser escrita na forma
Xi (t) =(ai1 ai2 middot middot middot ain
)
X1 (tminus 1)
X2 (tminus 1)
Xn (tminus 1)
i = 1 2 middot middot middot n (54)
ou equivalentemente
Xi (t) =(X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
)
ai1
ai2
ain
(55)
110
Consideremos muacuteltiplas observaccedilotildees para cada Xi (t)
Xi (t) =(X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
)
ai1
ai2
ain
Xi (tminus 1) =(X1 (tminus 2) X2 (tminus 2) middot middot middot Xn (tminus 2)
)
ai1
ai2
ain
Xi (tminusN + 1) =(X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
)
ai1
ai2
ain
(56)
Observe que estamos assumindo que o vetor de paracircmetros natildeo muda dentro da
faixa de tempos analisada Estas equaccedilotildees podem ser escritas na formaXi (tminusN + 1)
Xi (tminus 1)
Xi (t)
=
X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
middot middot middot
X1 (tminus 2) X2 (tminus 2) Xn (tminus 2)
X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
ai1
ai2
ain
(57)
Se N gt n temos para cada valor fixo de i mais equaccedilotildees que valores de aij
(j = 1 2 middot middot middot n) para estimar Eacute natural entatildeo que ao estimarmos os paracircmetros aijcometamos erros Definindo os vetores de paracircmetros estimados e de erros (resiacuteduos)
na forma
ai=
ai1
ai2
ain
e ξi =
ξi (t)
ξi (tminus 1)
ξi (tminusN + 1)
i = 1 2 middot middot middot n (58)
respectivamente a relaccedilatildeo (57) torna-se
111
Xi (tminusN + 1)
Xi (tminus 1)
Xi (t)
=
X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
middot middot middot
X1 (tminus 2) X2 (tminus 2) Xn (tminus 2)
X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
ai1
ai2
ain
+
ξi (tminusN + 1)
ξi (tminus 1)
ξi (t)
(59)
Numa forma compacta
yi = Xai + ξi (60)
onde
yi =
Xi (tminusN + 1)
Xi (tminus 1)
Xi (t)
X=
X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
middot middot middot
X1 (tminus 2) X2 (tminus 2) Xn (tminus 2)
X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
e i = 1 2 middot middot middot n
Calculando a transposta em ambos os lados da equaccedilatildeo (59) encontramos
(Xi (tminusN + 1) middot middot middot Xi (t)
)=
(ai1 ai2 middot middot middot ain
)
X1 (tminusN) middot middot middot X1 (tminus 1)
X2 (tminusN) middot middot middot X2 (tminus 1)
Xn (tminusN) middot middot middot Xn (tminus 1)
+(ξi (tminusN + 1) middot middot middot ξi (t)
) (61)
112
Agregando as equaccedilotildees acima vaacutelidas para i = 1 2 middot middot middot n chegamos aX1 (tminusN + 1) middot middot middot X1 (t)
X2 (tminusN + 1) middot middot middot X2 (t)
Xn (tminusN + 1) middot middot middot Xn (t)
=
a11 middot middot middot a1n
a21 middot middot middot a2n
an1 middot middot middot ann
X1 (tminusN) middot middot middot X1 (tminus 1)
X2 (tminusN) middot middot middot X2 (tminus 1)
Xn (tminusN) middot middot middot Xn (tminus 1)
+
ξ1 (tminusN + 1) middot middot middot ξ1 (t)
ξ2 (tminusN + 1) middot middot middot ξ2 (t)
ξn (tminusN + 1) middot middot middot ξn (t)
(62)
Explicitando a matriz de erros
ξ1 (tminusN + 1) middot middot middot ξ1 (t)
ξ2 (tminusN + 1) middot middot middot ξ2 (t)
ξn (tminusN + 1) middot middot middot ξn (t)
=
X1 (tminusN + 1) middot middot middot X1 (t)
X2 (tminusN + 1) middot middot middot X2 (t)
Xn (tminusN + 1) middot middot middot Xn (t)
(63)
minus
a11 middot middot middot a1n
a21 middot middot middot a2n
an1 middot middot middot ann
X1 (tminusN) middot middot middot X1 (tminus 1)
X2 (tminusN) middot middot middot X2 (tminus 1)
Xn (tminusN) middot middot middot Xn (tminus 1)
Notemos que para i fixo os resiacuteduos ξi (τ) (τ = t tminus 1 middot middot middot tminusN + 1) soacute dependem
dos coeficientes aij (j = 1 2 middot middot middot n) Assim podemos encontrar os valores dos aijque minimizam a soma dos quadrados dos ξi (τ)
Si =tsum
τ=tminusN+1
(ξi (τ))2 (64)
para cada valor de i de forma independente A soma dos quadrados de todos os
resiacuteduos
S =nsumi=1
Si (65)
seraacute minimizada utilizando-se os aij calculados para todos os valores de i Buscare-
mos entatildeo a minimizaccedilatildeo dos Si separadamente Conforme descrito em (AGUIRRE
2007) a matriz que realiza essa minimizaccedilatildeo eacute dada pela equaccedilatildeo
ai =(XTX
)minus1XTyi (66)
113
Definindo a matriz
M =(XTX
)minus1XT =
M11 M12 middot middot middot M1N
M21 M22 middot middot middot M2N
Mn1 Mn2 middot middot middot MnN
(67)
podemos escreverai1
ai2
ain
=
M11 M12 middot middot middot M1N
M21 M22 middot middot middot M2N
Mn1 Mn2 middot middot middot MnN
Xi (tminusN + 1)
Xi (tminus 1)
Xi (t)
i = 1 2 middot middot middot n
(68)
relaccedilatildeo que pode ser colocada na formaa11 middot middot middot an1
a12 middot middot middot an2
a1n middot middot middot ann
=
M11 middot middot middot M1N
M21 middot middot middot M2N
Mn1 middot middot middot MnN
X1 (tminusN + 1) middot middot middot Xn (tminusN + 1) middot middot middot
X1 (tminus 1) Xn (tminus 1)
X1 (t) middot middot middot Xn (t)
(69)
Observe que a matriz representada no lado esquerdo da equaccedilatildeo acima eacute a matriz
transposta da matriz A correspondente ao valor estimado para A que minimiza a
soma dos quadrados dos resiacuteduos Definamos
XN (t) =
X1 (tminusN + 1) middot middot middot X1 (tminus 1) X1 (t)
X2 (tminusN + 1) middot middot middot X2 (tminus 1) X2 (t)
Xn (tminusN + 1) middot middot middot Xn (tminus 1) Xn (t)
(70)
para escrevermos a equaccedilatildeo (69) como
AT =(XTX
)minus1XTXT
N (t) (71)
Observando que
X= XTN (tminus 1) (72)
obtemos a seguinte expressatildeo para A
A =(XN (t) XT
N (tminus 1)) (
XN (tminus 1) XTN (tminus 1)
)minus1 (73)
114
APEcircNDICE B ndash Tabelas lotes padratildeo
das accedilotildees
Tabela 24 ndash Tabela da quantidade de accedilotildees que compotildeem o lote padratildeo de negociaccedilatildeo nomercado real e na plataforma de simulaccedilatildeo no ano de 2017
Empresa Coacutedigo de negociaccedilatildeo Lote na plataforma Lote BovespaVale on VALE3 100 100Itauacute pn ITUB4 150 100Vale pn VALE5 100 100
Bradesco pn BBDC4 145 100Fundo Ibovespa BOVA11 10 10
Ambev on ABEV3 100 100Petrobras pn PETR4 100 100
Cielo on CIEL3 120 100Petrobras on PETR3 100 100
Banco do Brasil on BBAS3 100 100Nota Apresentamos o lote padratildeo de negociaccedilatildeo definido no mercado real e tambeacutem naplataforma de simulaccedilatildeo As informaccedilotildees satildeo referentes agraves 10 accedilotildees com maior liquidez noano de 2017 Os dados destacados na cor azul referem-se agraves accedilotildees que natildeo compotildeem alista das 10 accedilotildees com maior liquidez no ano de 2018 Jaacute os dados em destaque na cor
verde referem-se agraves accedilotildees que tecircm o lote padratildeo de negociaccedilatildeo no mercado real diferentedo lote de negociaccedilatildeo definido na plataforma O coacutedigo pn eacute referente as accedilotildees
preferencias e on as accedilotildees ordinaacuterias das empresas Os dados de negociaccedilatildeo das accedilotildeesestatildeo disponiacuteveis em lthttpwwwb3combrpt_brmarket-data-e-indices
servicos-de-dadosmarket-dataconsultasmercado-a-vistalotes-de-negociacaogt
115
Tabela 25 ndash Tabela da quantidade de accedilotildees que compotildeem o lote padratildeo de negociaccedilatildeo nomercado real e na plataforma de simulaccedilatildeo no ano de 2018
Empresa Coacutedigo de negociaccedilatildeo Lote na plataforma Lote BovespaVale on VALE3 100 100Itauacute pn ITUB4 150 100B3 on B3SA3 100 100
Bradesco pn BBDC4 145 100Fundo Ibovespa BOVA11 10 10
Ambev on ABEV3 100 100Petrobras pn PETR4 100 100
Magazine Luiza on MGLU3 100 100Itauacute on ITUB3 150 100
Banco do Brasil on BBAS3 100 100Nota Apresentamos o lote padratildeo de negociaccedilatildeo definido no mercado real e tambeacutem naplataforma de simulaccedilatildeo As informaccedilotildees satildeo referentes agraves 10 accedilotildees com maior liquidez noano de 2018 Os dados destacados na cor azul referem-se agraves accedilotildees que natildeo compotildeem alista das 10 accedilotildees com maior liquidez no ano de 2017 Jaacute os dados em destaque na cor
verde referem-se agraves accedilotildees que tecircm o lote padratildeo de negociaccedilatildeo no mercado real diferentedo lote de negociaccedilatildeo definido na plataforma O coacutedigo pn eacute referente as accedilotildees
preferencias e on as accedilotildees ordinaacuterias das empresas Os dados de negociaccedilatildeo das accedilotildeesestatildeo disponiacuteveis emlthttpwwwb3combrpt_brmarket-data-e-indices
servicos-de-dadosmarket-dataconsultasmercado-a-vistalotes-de-negociacaogt
116
Anexos
ANEXO A ndash Tabela de accedilotildees que
participaram da carteira teoacuterica do
Ibovespa no primeiro quadrimestre de
2017
118
Tabela 26 ndash Composiccedilatildeo da carteira teoacuterica do Ibovespa no primeiro quadrimestre de 2017
Virada do Ibovespa para Janeiro a Abril de 2017COacuteDIGO ACcedilAtildeO TIPO PARTICIPACcedilAtildeO ()
ITUB4 ITAUUNIBANCO PN EDJ N1 10681BBDC4 BRADESCO PN EJ N1 77402ABEV3 AMBEV SA ON EJ 71825PETR4 PETROBRAS PN 60083PETR3 PETROBRAS ON 45918VALE5 VALE PNA N1 45442VALE3 VALE ON N1 3776BRFS3 BRF SA ON NM 37215BBAS3 BRASIL ON NM 34462ITSA4 ITAUSA PN EJ N1 31492BVMF3 BMFBOVESPA ON EJ NM 29414UGPA3 ULTRAPAR ON NM 27619CIEL3 CIELO ON NM 25919BBSE3 BBSEGURIDADE ON NM 19019KROT3 KROTON ON NM 18728VIVT4 TELEF BRASIL PN EJ 18181JBSS3 JBS ON NM 17712BBDC3 BRADESCO ON EJ N1 16499LREN3 LOJAS RENNER ON NM 14737CCRO3 CCR SA ON NM 13755RADL3 RAIADROGASIL ON NM 12199EMBR3 EMBRAER ON NM 11756CTIP3 CETIP ON EJ NM 11596
SANB11 SANTANDER BR UNT 11399EQTL3 EQUATORIAL ON EJ NM 10802HYPE3 HYPERMARCAS ON NM 10534SBSP3 SABESP ON NM 09795GGBR4 GERDAU PN N1 09264BRKM5 BRASKEM PNA N1 09068LAME4 LOJAS AMERIC PN 0893WEGE3 WEG ON NM 0884PCAR4 PACUCAR-CBD PN N1 08504CPFE3 CPFL ENERGIA ON NM 08192KLBN11 KLABIN SA UNT N2 07869FIBR3 FIBRIA ON NM 07324EGIE3 ENGIE BRASIL ON NM 07139BRML3 BR MALLS PAR ON NM 06907CSNA3 SID NACIONAL ON 06527CMIG4 CEMIG PN EJ N1 06394TIMP3 TIM PART SA ON NM 06333ELET3 ELETROBRAS ON N1 05955CSAN3 COSAN ON NM 05843SUZB5 SUZANO PAPEL PNA N1 05522RENT3 LOCALIZA ON EJ NM 05095ESTC3 ESTACIO PART ON ED NM 04868MULT3 MULTIPLAN ON N2 04651RUMO3 RUMO LOG ON NM 04619QUAL3 QUALICORP ON NM 04229NATU3 NATURA ON NM 03964BRAP4 BRADESPAR PN EJ N1 03292ENBR3 ENERGIAS BR ON EJ NM 03119MRVE3 MRV ON NM 03022GOAU4 GERDAU MET PN N1 02877CPLE6 COPEL PNB N1 02765SMLE3 SMILES ON EJ NM 02552CYRE3 CYRELA REALT ON NM 02516MRFG3 MARFRIG ON NM 021USIM5 USIMINAS PNA N1 01975ECOR3 ECORODOVIAS ON NM 0164
Adaptado do site BMampFBOVESPA
119
ANEXO B ndash Tabela de accedilotildees que
participaram da carteira teoacuterica do
Dow Jones no primeiro quadrimestre
de 2017
Tabela 27 ndash Composiccedilatildeo do iacutendice Dow Jones no primeiro quadrimestre de 2017
NUacuteMERO ACcedilAtildeO COacuteDIGO PARTICIPACcedilAtildeO ()1 Boeing BA 7282 Goldman Sachs GS 7183 3M MMM 6414 UnitedHealth Group UNH 6055 Apple AAPL 5006 Home Depot HD 4827 McDonalds MCD 4818 IBM IBM 4409 Johnson amp Johnson JNJ 414
10 Travelers TRV 40411 United Technologies UTX 36412 Caterpillar CAT 35513 Chevron CVX 34414 Disney DIS 31915 Visa A V 31416 JPMorgan Chase JPM 29117 Procter amp Gamble PG 28618 American Express AXP 26619 Wal Mart WMT 25320 Dupont DD 25321 ExxonMobil XOM 24922 Microsoft MSFT 22523 Merck MRK 19424 NIKE B NKE 18625 Verizon Communications VZ 15026 Coca-Cola KO 14227 Intel INTC 11428 Pfizer PFE 10429 Cisco Systems CSCO 09830 General Electric GE 080
Adaptado do site wwwindexarbcom
120
ANEXO C ndash Tabela das taxas anuais
de crescimento do Ibovespa
Reproduzimos neste anexo a tabela das taxas anuais de crescimento do Ibovespa
desde o ano de 1968 A taxa de crescimento refere-se agrave taxa meacutedia de variaccedilatildeo do
iacutendice composta anualmente entre dois periacuteodos disponiacutevel em (BMampFBOVESPA
2019)
121
TX
_M
ED
IA_1968
TA
XA
MEacute
DIA
DE
CR
ES
CIM
EN
TO
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
IBO
VE
SP
A
AN
UA
L
1968
00
0000000021
1969
1647
00
0000000055
1970
1023
546
00
0000000085
1971
1058
815
1130
00
0000000181
1972
484
223
88
(444
)00
0000000101
1973
384
177
75
(237
)48
00
0000000105
1974
381
212
141
(74
)196
365
00
0000000144
1975
376
234
180
18
245
357
349
00
0000000194
1976
359
235
190
59
244
317
294
240
00
0000000241
1977
364
256
219
111
275
340
331
322
410
00
0000000340
1978
328
230
196
101
234
275
253
222
214
45
00
0000000355
1979
348
260
232
150
276
319
310
301
321
279
566
00
0000000556
1980
356
276
252
180
296
336
331
328
350
331
503
442
00
0000000801
1981
404
332
314
252
370
417
424
437
480
499
690
756
1138
00
0000001714
1982
420
353
338
283
395
440
450
465
506
526
677
716
872
639
00
0000002808
1983
601
544
544
503
646
722
767
827
931
1035
1325
1567
2111
2753
7593
00
0000024133
1984
728
679
689
659
817
911
976
1062
1197
1340
1677
1980
2573
3241
5822
4415
00
00001307
1985
839
798
816
796
965
1071
1151
1253
1408
1574
1928
2250
2824
3423
5157
4212
4016
00
00006555
1986
813
773
788
767
919
1011
1077
1160
1283
1408
1673
1886
2239
2520
3261
2373
1662
412
00
0000926
1987
785
746
758
737
875
954
1009
1076
1176
1273
1478
1624
1858
2000
2385
1682
1122
380
349
00
0001249
1988
1042
1015
1044
1039
1212
1325
1415
1526
1680
1841
2140
2392
2775
3095
3770
3240
2989
2696
4978
25
495
00
0033082
1989
1269
1252
1296
1306
1507
1648
1768
1913
2111
2323
2692
3022
3508
3949
4795
4426
4429
4537
7731
21
214
17
625
00
061615
1990
1330
1316
1364
1376
1576
1716
1836
1980
2172
2376
2723
3028
3464
3844
4547
4210
4177
4210
6220
11
630
7720
3083
00
25157
1991
1580
1577
1640
1669
1898
2067
2216
2396
2632
2886
3299
3676
4204
4688
5532
5312
5451
5728
8193
13
853
11
248
8932
23
159
06
0777
1992
1742
1746
1819
1857
2100
2283
2447
2642
2896
3169
3602
4000
4546
5048
5891
5724
5908
6232
8494
13
027
10
965
9324
15
417
10
156
67
805
1993
2092
2112
2209
2269
2557
2781
2989
3236
3554
3900
4432
4937
5619
6273
7328
7302
7706
8327
11
214
16
634
15
255
14
711
23
621
23
855
54
372
3754
52
1994
2254
2281
2385
2454
2753
2988
3208
3467
3797
4155
4696
5208
5890
6539
7561
7558
7959
8556
11
135
15
609
14
366
13
786
19
397
18
277
24
340
10
596
43
539
2
1995
2113
2133
2222
2278
2541
2743
2927
3142
3414
3703
4138
4534
5053
5520
6251
6149
6332
6615
8183
10
671
9381
8418
10
131
8171
7591
2384
(13
)42
990
0
1996
2042
2058
2139
2189
2429
2611
2774
2963
3200
3449
3822
4151
4578
4946
5520
5383
5471
5622
6729
8383
7241
6335
7088
5498
4676
1657
272
638
70
399
4
1997
1966
1978
2051
2093
2313
2476
2620
2786
2993
3206
3526
3801
4153
4444
4897
4741
4767
4834
5637
6784
5794
4989
5326
4060
3320
1283
328
540
448
101
965
0
1998
1821
1828
1889
1922
2115
2253
2373
2510
2680
2852
3112
3326
3599
3811
4146
3973
3943
3937
4480
5224
4385
3692
3774
2787
2163
784
117
164
(18
)(3
35
)67
843
0
1999
1811
1817
1876
1907
2090
2222
2334
2462
2620
2779
3017
3211
3455
3641
3934
3766
3725
3705
4162
4772
4026
3409
3446
2599
2061
890
315
412
344
295
1519
170
916
0
2000
1712
1714
1766
1791
1956
2072
2169
2279
2415
2549
2752
2911
3111
3255
3487
3319
3258
3212
3554
4000
3352
2813
2787
2082
1624
698
232
288
213
144
500
(107
)152
592
0
2001
1622
1621
1666
1686
1836
1939
2024
2119
2236
2350
2524
2657
2822
2935
3121
2956
2883
2822
3084
3420
2852
2377
2320
1722
1327
566
176
211
140
74
260
(109
)(1
10
)135
775
0
2002
1535
1532
1571
1586
1723
1814
1887
1970
2071
2168
2318
2428
2566
2654
2803
2644
2564
2493
2697
2954
2452
2032
1958
1443
1099
459
126
148
82
20
135
(130
)(1
41
)(1
70
)112
684
0
2003
1517
1513
1550
1565
1694
1781
1850
1927
2021
2111
2250
2350
2475
2553
2686
2534
2455
2384
2563
2786
2325
1940
1867
1400
1087
504
199
228
179
139
268
68
134
280
973
222
363
0
2004
1464
1459
1493
1505
1626
1705
1767
1836
1921
2001
2126
2213
2322
2387
2500
2354
2274
2201
2350
2535
2116
1766
1690
1272
990
471
197
222
179
144
253
89
145
245
525
178
261
962
5
2005
1421
1415
1446
1456
1569
1642
1699
1762
1839
1911
2024
2101
2198
2252
2350
2210
2131
2058
2185
2340
1957
1636
1560
1181
924
454
204
228
189
160
256
118
170
253
437
227
277
334
559
4
2006
1383
1376
1405
1413
1520
1587
1640
1697
1768
1833
1936
2005
2091
2137
2223
2089
2011
1939
2048
2182
1829
1532
1457
1110
873
444
214
237
202
178
265
146
195
268
409
260
303
329
444
737
1
2007
1352
1345
1372
1379
1479
1543
1591
1645
1710
1770
1865
1927
2005
2045
2121
1992
1916
1845
1941
2058
1730
1453
1381
1060
841
443
230
252
222
201
283
179
227
294
415
302
346
382
436
638
861
0
2008
1272
1263
1286
1290
1382
1439
1481
1527
1584
1635
1717
1770
1835
1865
1927
1803
1728
1656
1734
1827
1528
1276
1203
913
714
359
166
181
150
126
187
91
119
156
222
110
94
39
(8
1)
(412
)375
503
1
2009
1260
1251
1273
1277
1365
1419
1459
1503
1557
1605
1683
1731
1792
1819
1876
1758
1684
1615
1686
1772
1489
1251
1181
909
720
385
202
219
191
172
234
149
182
224
294
207
212
197
155
36
827
685
884
1
2010
1217
1208
1227
1230
1313
1363
1399
1439
1488
1531
1602
1645
1699
1721
1771
1657
1585
1517
1579
1653
1389
1167
1099
846
670
359
189
204
177
159
214
136
163
199
255
176
176
157
117
28
359
10
693
048
1
2011
1166
1156
1174
1175
1252
1298
1331
1366
1410
1449
1513
1550
1597
1614
1657
1548
1477
1411
1463
1526
1280
1073
1007
772
609
322
163
175
149
130
178
105
127
154
197
124
117
92
50
(29
)148
(90
)(1
81
)567
540
8
2012
1132
1121
1137
1138
1211
1254
1283
1316
1357
1392
1451
1484
1527
1540
1578
1473
1405
1340
1386
1441
1210
1014
951
730
576
307
158
169
144
127
170
103
122
146
184
119
111
89
54
(09
)129
(39
)(6
2)
74
609
520
8
2013
1089
1077
1092
1091
1160
1199
1226
1256
1292
1323
1377
1406
1444
1454
1487
1386
1319
1256
1296
1343
1127
943
881
675
530
279
139
148
124
107
145
82
98
118
148
88
78
55
21
(35
)65
(69
)(9
4)
(47
)(1
55
)515
071
6
2014
1054
1043
1056
1054
1119
1156
1180
1207
1241
1269
1319
1345
1379
1386
1415
1318
1253
1192
1226
1268
1063
890
830
636
499
262
130
138
115
98
133
74
88
105
132
76
67
46
15
(34
)49
(61
)(7
8)
(41
)(9
4)
(29
)500
074
1
2015
1017
1005
1017
1014
1075
1109
1132
1156
1187
1213
1258
1281
1311
1316
1341
1247
1185
1125
1155
1191
998
834
776
593
464
241
116
122
100
84
115
60
72
86
109
57
47
26
(0
3)
(47
)21
(74
)(9
0)
(65
)(1
07
)(8
3)
(133
)433
499
6
2016
1001
989
1000
998
1056
1089
1110
1133
1162
1186
1229
1251
1279
1283
1305
1215
1154
1096
1124
1157
972
815
759
584
461
247
127
134
113
98
129
77
90
104
127
80
72
55
31
(07
)61
(18
)(2
3)
12
(03
)54
97
389
602
272
8
2017
976
964
974
971
1027
1058
1078
1099
1126
1148
1188
1207
1233
1236
1256
1169
1109
1053
1078
1108
932
782
728
561
443
240
125
131
112
97
126
77
89
103
124
80
72
57
35
02
63
(07
)(0
9)
23
13
60
91
224
79
649
840
6
Paacutegin
a 1
Figu
ra22
ndashTa
xas
anua
isde
cres
cim
ento
doIb
oves
pade
sde
1968
122
Abstract
The classical economic theory argues that markets are efficient that prices move towards a
long-term equilibrium and that there is no possibility of arbitrage To investigate this Efficient
Market Hypothesis (EMH) we defined a model for forecasting trends in financial asset
returns based on a discretized coupled linear differential equation system In this model
we consider that the relationship between stock price deviations from a price considered
fair provides information on the dynamics of stocks prices Such deviations are calculated
using the logarithmic difference between actual and fair prices modeled by an exponential
moving average To compare an emerging and a developed market we applied the model
to the Brazilian and North American stock exchanges The consistency of the model was
investigated by comparing results in different periods of four months The relationship
between model accuracy and Hurst exponent was studied The execution parameters of the
model such as the fitting window number of assets and frequency of data sampling are
explored in order to find a combination that presents relevant accuracy rates Hypothesis
tests were applied to the forecast results to investigate whether the model has a success
rate different than a completely random process Given the parameters explored we chose
a set that presented satisfactory results and applied the model in a realistic simulation
of the market using an algotrading platform In the simulation we defined two operating
models for the trading strategies MO1 and MO2 In MO1 the operations are opened
according to the signal sent by the predictor and closed at the closing of the same candle
For MO2 operations are closed using stops The results were compared taking into account
performance indicators such as risk of exposure to the market financial return operating
rates and allocated capital
Keywords Differential Equations Stock market Financial Series Efficient Market Hypothe-
sis Trend Forecasting Realistic Simulation Hurst exponent Forecasting Model
vi
Lista de Figuras
Figura 1 ndash Histoacuterico de perfil dos investidores pessoas fiacutesicas na Bovespa 4
Figura 2 ndash Organizaccedilatildeo do trabalho 12
Figura 3 ndash Candles do WINZ20 23
Figura 4 ndash Comparaccedilatildeo de preccedilos brutos meacutedias moacuteveis e preccedilos tratados 29
Figura 5 ndash Distribuiccedilatildeo das distacircncias entre as matrizes A em tempos adjacentes 33
Figura 6 ndash Acuraacutecia meacutedia para todas as n accedilotildees que compotildeem os iacutendices Dow
Jones e Ibovespa 39
Figura 7 ndash Acuraacutecia meacutedia para as 10 accedilotildees com maiores participaccedilotildees no
Ibovespa E Dow Jones 41
Figura 8 ndash Exemplo de um formato de um boxplot 43
Figura 9 ndash Boxplot da Acuraacutecia para todas as accedilotildees que compotildeem os iacutendices
Dow Jones e Ibovespa 44
Figura 10 ndash Acuraacutecia meacutedia para diferentes valores de n accedilotildees que compotildeem as
carteiras do Ibovespa e Dow Jones 46
Figura 11 ndash Expoente de Hurst para todas accedilotildees que compotildeem os iacutendices Dow
Jones e Ibovespa 49
Figura 12 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que com-
potildeem os iacutendices Dow Jones e Ibovespa Q1 50
Figura 13 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que com-
potildeem os iacutendices Dow Jones e Ibovespa Q2 51
Figura 14 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 55
Figura 15 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 58
Figura 16 ndash Acuraacutecias obtidas no primeiro quadrimestre de 2017 utilizando vota-
ccedilatildeo meacutedia e sem votaccedilatildeo 63
Figura 17 ndash Acuraacutecias obtidas no segundo quadrimestre de 2017 utilizando vota-
ccedilatildeo meacutedia e sem votaccedilatildeo 64
Figura 18 ndash Fluxograma das estrateacutegias 73
Figura 19 ndash Rendimentos esperados e os efetivamente obtidos para o ano de 2017 84
Figura 20 ndash Rendimentos esperados e os efetivamente obtidos para o ano de 2018 86
Figura 21 ndash Retornos e riscos do modelo de operaccedilatildeo 2 91
Figura 22 ndash Taxas anuais de crescimento do Ibovespa 122
vii
Lista de Tabelas
Tabela 1 ndash Perfil dos investidores pessoa fiacutesica na Bovespa 3
Tabela 2 ndash Coeficientes angulares (β) e os correspondentes coeficientes de
determinaccedilatildeo (r2) 40
Tabela 3 ndash Acuraacutecia do modelo aplicado a diferentes granularidades de tempo
para R = 500 47
Tabela 4 ndash Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo quadri-
mestres para as accedilotildees dos iacutendices Ibovespa e Dow Jones 54
Tabela 5 ndash Acuraacutecias do modelo no primeiro e segundo quadrimestres para a
combinaccedilatildeo das 10 accedilotildees com maiores pesos 57
Tabela 6 ndash Comparaccedilatildeo das acuraacutecias para todas as accedilotildees dos iacutendices Ibo-
vespa e Dow Jones 60
Tabela 7 ndash Acuraacutecias do modelo para as 10 accedilotildees dos iacutendices Ibovespa e Dow
Jones com os melhores a 61
Tabela 8 ndash Taxas de negociaccedilatildeo e de liquidaccedilatildeo da BOVESPA 71
Tabela 9 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2017 76
Tabela 10 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2018 76
Tabela 11 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2018 76
Tabela 12 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do
Ibovespa no ano de 2018 77
Tabela 13 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas ano de 2017 78
Tabela 14 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas no ano de 2018 78
Tabela 15 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacio-
nais para o ano de 2017 78
Tabela 16 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacio-
nais para o ano de 2018 79
Tabela 17 ndash Rendimentos do MO1 no ano de 2017 83
Tabela 18 ndash Rendimentos do MO1 no ano de 2018 85
Tabela 19 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de
2017 92
Tabela 20 ndash Resultados da simulaccedilatildeo utilizando stop gain Sg (equaccedilatildeo 49) e loss
Sl (equaccedilatildeo 48) sem taxas para o ano de 2018 93
Tabela 21 ndash Resultados da simulaccedilatildeo utilizando stops com taxas para o ano de
2017 94
viii
Tabela 22 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de
2018 95
Tabela 23 ndash Meacutedia de preccedilos e retornos das accedilotildees 97
Tabela 24 ndash Lotes padratildeo no mercado real e na plataforma de simulaccedilatildeo no ano
de 2017 115
Tabela 25 ndash Lotes padratildeo no mercado real e na plataforma de simulaccedilatildeo no ano
de 2017 116
Tabela 26 ndash Composiccedilatildeo da carteira teoacuterica do Ibovespa 119
Tabela 27 ndash Composiccedilatildeo do iacutendice Dow Jones 120
ix
Lista de Abreviaturas e Siglas
HME Hipoacutetese de mercado eficiente
MO1 Modelo de operaccedilatildeo 1
MO2 Modelo de operaccedilatildeo 2
DFA Detrended fluctuation analysis
DMA Detrending moving average
x
Lista de Siacutembolos e Variaacuteveis
a Acuraacutecia do modelo
ρ Coeficiente de correlaccedilatildeo de Pearson
σ Desvio padratildeo
ε Erro associado
R Quantidade de pontos utilizados no ajuste
a Acuraacutecia meacutedia do modelo
σa Desvio padratildeo da acuraacutecia meacutedia
H Expoente de Hurst
Q Tamanho da janela para calculo de quartis
u4 Representa os dados do quarto quartil
n Nuacutemero de accedilotildees
nr Nuacutemero de retornos
N Nuacutemero de execuccedilotildees (previsotildees)
Nc Nuacutemero de execuccedilotildees (previsotildees) corretas
d Distacircncia
β Coeficiente angular da reta
r2 Coeficiente de determinaccedilatildeo
S Tamanho da janela para calcular meacutedia moacutevel
x Preccedilo bruto
qo Aproximaccedilatildeo para o preccedilo de abertura do candle
qc Aproximaccedilatildeo para o preccedilo de fechamento do candle
x Preccedilo justo
X Preccedilo tratado
xi
T Tendecircncia
ra Retorno (rendimento) acumulado
ra Retorno acumulado para o conjunto de accedilotildees
λ Quantidade de accedilotildees negociadas
∆x Retorno bruto da accedilatildeo
∆X Retorno tratado da accedilatildeo
∆x Retorno previsto bruto da accedilatildeo
∆X Retorno pervisto tratado da accedilatildeo
Sg Stop gain
Sl Stop loss
xii
Sumaacuterio
1 ndash Introduccedilatildeo 1
11 Objetivos 6
12 Organizaccedilatildeo do trabalho 7
2 ndash Delineamento Metodoloacutegico 8
21 Levantamento bibliograacutefico 8
22 Definiccedilatildeo do modelo 8
23 Dados utilizados 8
24 Tratamento dos dados 9
25 Exploraccedilatildeo do modelo 10
26 Simulaccedilatildeo 11
27 Avaliaccedilatildeo dos resultados do modelo 11
3 ndash Trabalhos relacionados 13
31 Hipoacutetese de Mercado Eficiente 13
32 Financcedilas comportamentais 15
33 Trabalhos aplicados em previsatildeo 16
34 Expoente de Hurst 18
4 ndash Fundamentaccedilatildeo teoacuterica 20
41 Fundamentaccedilatildeo teoacuterica em financcedilas 20
411 Indicadores utilizados nas estrateacutegias 24
5 ndash Modelos 27
51 Tratamento dos dados 27
52 Ajuste linear do dados 28
53 Modelo de previsatildeo 32
6 ndash Exploraccedilatildeo do modelo de previsatildeo 37
61 Variaccedilotildees do tamanho de R 37
62 Variaccedilotildees da quantidade de accedilotildees 45
63 Variaccedilatildeo da granularidade 47
64 Anaacutelise da acuraacutecia em funccedilatildeo do expoente de Hurst das seacuteries 48
65 Acuraacutecias em quadrimestres diferentes 52
651 Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo quadri-
mestres de 2017 52
xiii
652 Aplicaccedilatildeo do modelo utilizando a combinaccedilatildeo das 10 accedilotildees com
maiores pesos nos iacutendices Ibovespa e Dow Jones 56
653 Anaacutelise do desempenho do modelo aplicado agraves accedilotildees de melhor
acuraacutecia no quadrimestre precedente 59
66 Votaccedilatildeo 62
67 Consideraccedilotildees gerais 65
7 ndash Simulaccedilatildeo 67
71 Visatildeo geral dos modelos de operaccedilatildeo 68
72 Modelo de operaccedilatildeo 1 74
721 Acuraacutecias 75
722 Simulaccedilatildeo 77
723 Anaacutelise estatiacutestica de resultados financeiros relativos ao MO1 81
724 Consideraccedilotildees sobre MO1 87
73 Modelo de operaccedilatildeo 2 87
74 Consideraccedilotildees finais 96
8 ndash Conclusatildeo 98
81 Trabalhos Futuros 102
Referecircncias 103
Apecircndices 109
APEcircNDICE A ndash Estimaccedilatildeo da matriz de coeficientes pelo meacutetodo dos miacutenimos
quadrados 110
APEcircNDICE B ndash Tabelas lotes padratildeo das accedilotildees 115
Anexos 117
ANEXO A ndash Tabela de accedilotildees que participaram da carteira teoacuterica do Ibovespa
no primeiro quadrimestre de 2017 118
ANEXO B ndash Tabela de accedilotildees que participaram da carteira teoacuterica do Dow Jones
no primeiro quadrimestre de 2017 120
ANEXO C ndash Tabela das taxas anuais de crescimento do Ibovespa 121
xiv
Capiacutetulo 1
Introduccedilatildeo
A teoria econocircmica claacutessica defende que natildeo eacute possiacutevel obter informaccedilotildees de dados
baseando-se em informaccedilotildees passadas que levem a ganhos fora do padratildeo do mercado
(SAMUELSON 1965) Seus teoacutericos defendem que os mercados seriam assim eficientes
e que os preccedilos caminham em direccedilatildeo a um ponto de equiliacutebrio no longo prazo Esta
discussatildeo inclui a definiccedilatildeo da hipoacutetese de mercado eficiente (HME) (MALKIEL FAMA
1970 SHILLER 1980) Tal hipoacutetese considera que natildeo haacute possibilidades de arbitragem
que o mercado descobre o preccedilo correto dos ativos natildeo sendo possiacutevel ganhos acima
da meacutedia sem correr riscos acima da meacutedia Considera tambeacutem que os investidores
satildeo racionais e que toda informaccedilatildeo relevante eacute disponiacutevel e absorvida imediatamente
pelo mercado (MALKIEL FAMA 1970) No entanto um grande nuacutemero de analistas do
mercado especuladores e investidores fundamentalistas ou teacutecnicos estatildeo em busca de
tais informaccedilotildees (FENG et al 2012)
Investigaccedilotildees empiacutericas sobre a eficiecircncia do mercado tecircm sido realizadas em muitos con-
textos utilizando diversas ferramentas estatiacutesticas (BARKOULAS BAUM 1996 GRECH
MAZUR 2004 CAJUEIRO TABAK 2004 ZUNINO et al 2007 CHORDIA ROLL SU-
BRAHMANYAM 2008 BELAIRE-FRANCH OPONG 2010 CAGINALP DESANTIS 2011
CHARLES DARNEacute KIM 2012 AL-KHAZALI PYUN KIM 2012 LAZAR TODEA FILIP
2012 CHOUDHRY JAYASEKERA 2012 CHOUDHRY JAYASEKERA 2014 KATUSIIME
SHAMSUDDIN AGBOLA 2015 NTIM et al 2015 CURME STANLEY VODENSKA 2015
PODOBNIK et al 2006 RESENDE et al 2017) Pesquisas mostram que o mercado natildeo eacute
tatildeo eficiente em termos de absorccedilatildeo de informaccedilatildeo nem toda informaccedilatildeo relevante estaacute
disponiacutevel aos investidores (ROSS 1989 HEALY PALEPU 2001 BRUNNERMEIER 2005)
No estudo realizado por (CAJUEIRO TABAK 2004) os expoentes de Hurst das seacuteries
de paiacuteses desenvolvidos estatildeo bem proacuteximos de 0 5 Jaacute os valores obtidos para paiacuteses
emergentes se distanciam mais deste valor indicando que mercados emergentes satildeo
menos eficientes que mercados desenvolvidos A ineficiecircncia dos mercados emergentes
dentre outros fatores pode estar relacionada agrave baixa liquidez do mercado (CHORDIA ROLL
1
SUBRAHMANYAM 2008 CHUNG HRAZDIL 2010) e ao fluxo de informaccedilatildeo (ROSS 1989
HEALY PALEPU 2001 BRUNNERMEIER 2005) Tambeacutem haacute pesquisas no campo de
financcedilas comportamentais onde o comportamento natildeo racional eacute estudado em detalhes
(KAHNEMAN TVERSKY 1979 SHILLER FISCHER FRIEDMAN 1984) Em (CAGINALP
ERMENTROUT 1990) os autores desenvolveram um modelo utilizando equaccedilotildees dife-
renciais que incorpora o aspecto emocional dos investidores em um mercado financeiro
teoacuterico Indicam que fatores psicoloacutegicos satildeo capazes de influenciar a estabilidade dos
preccedilos evidenciando desvios da hipoacutetese de mercado eficiente
Algoritmos de automatizaccedilatildeo de estrateacutegias e operaccedilotildees tambeacutem tecircm sido foco de vaacuterias
pesquisas na aacuterea Muitos desses trabalhos utilizam redes neurais artificiais para a constru-
ccedilatildeo dos modelos de previsatildeo Em (NAMETALA et al 2016) os autores desenvolveram uma
estrateacutegia automatizada que combina redes neurais artificiais e preditores economeacutetricos
para gerar sinais de compra ou venda por meio de um modelo de negociaccedilatildeo incorporado
ao algoritmo
Pesquisas nestas aacutereas de automatizaccedilatildeo caracterizaccedilatildeo e modelagem de mercados
constituem-se relativamente novas e promissoras pois com o surgimento de novas tec-
nologias e diversas plataformas de negociaccedilatildeo o nuacutemero de pessoas atuando na bolsa
tem aumentado significativamente O cadastro de CPFs na Bolsa brasileira teve um grande
avanccedilo sendo que em maio de 2020 este nuacutemero chegou agrave marca de 2483286 O aumento
pode ainda estar relacionado dentre outros fatores agrave ampla divulgaccedilatildeo e tambeacutem agrave redu-
ccedilatildeo da taxa de juros do paiacutes tornando a renda variaacutevel uma atrativa fonte de investimento
As pessoas fiacutesicas representam 98 86 do total de investidores sendo destes 75 05
homens e 23 81 mulheres O valor investido pelas pessoas fiacutesicas eacute de 303 63 bilhotildees
de reais Ainda de acordo com o relatoacuterio disponibilizado pela Bolsa a maior parte dos
investimentos estaacute concentrada no estado de Satildeo Paulo Os dados com os nuacutemeros de
investidores bem como os valores por estado satildeo mostrados na tabela 1 que foi adaptada
de (BMampFBOVESPA 2020a)
A figura 1 apresenta a evoluccedilatildeo da distribuiccedilatildeo da participaccedilatildeo de homens e mulheres no
total de investidores pessoa fiacutesica na bolsa brasileira A curva azul corresponde aos CPFs
relacionados ao sexo masculino que em todo o periacuteodo apresentado se manteve acima
da curva vermelha que representa a participaccedilatildeo das mulheres na bolsa Para ambos
os perfis percebemos um aumento significativo dos investidores a partir do ano de 2018
Segundo dados da Bovespa (BMampFBOVESPA 2020a) o nuacutemero de CPFs cadastrados na
bolsa brasileira dobrou em 2019 saltando de 813291 para 1681033 O criteacuterio de contagem
considera o CPF cadastrado em cada agente de custoacutedia ou seja pode contabilizar o
mesmo investidor caso ele possua conta em mais de um corretora Entretanto este aumento
no nuacutemero de pessoas eacute bem relevante
2
Tabela 1 ndash Perfil dos investidores pessoa fiacutesica na Bovespa
EstadoContas Valor (R$ bilhotildees)
Homens Mulheres Total Homens Mulheres TotalSP 725848 245265 971113 11615 3426 15042 4954RJ 204690 70602 275292 3536 1212 4748 1564MG 182502 54644 237146 2538 424 2962 975RS 108117 30292 138409 1246 360 1606 529SC 91315 25268 116583 789 206 995 328PR 118032 33968 152000 1071 284 1355 446BA 59552 18373 77925 511 110 622 205DF 65687 23372 89059 620 119 739 243ES 39356 11092 50448 295 058 352 116PE 42806 12570 55376 280 075 355 117CE 36110 10321 46431 224 069 292 096GO 44555 13562 58117 222 046 268 088PB 16386 4761 21147 075 017 093 031MT 20172 5841 26013 113 020 133 044MS 17871 4995 22866 128 016 144 047PA 19571 6147 25718 101 022 123 041RN 17016 4454 21470 090 017 107 035AM 12893 4137 17030 075 014 088 029MA 13847 4135 17982 073 012 085 028AL 10212 2863 13075 047 008 055 018SE 9966 2801 12767 050 010 060 020PI 8512 2456 10968 039 007 046 015RO 7805 2339 10144 034 008 042 014AP 1921 616 2537 008 001 009 003AC 2557 802 3359 011 003 014 004RR 2204 712 2916 008 001 009 003TO 5693 1702 7395 017 003 020 006
Total 1885196 598090 2483286 23817 6546 30363Nota Os dados apresentados satildeo referentes ao perfil dos investidores pessoa fiacutesica naBovespa em 29052020 Os resultados foram segmentados por estados e mostram os
nuacutemeros de contas de pessoas fiacutesicas na Bovespa bem como o saldo financeiro Acontagem dos CPFs de investidores satildeo por agente de custoacutedia Adaptado do site de
serviccedilos da Bovespa Histoacuterico de perfil dos investidores pessoas fiacutesicas de Maio de 2020disponiacutevel em lthttpwwwb3combrpt_brmarket-data-e-indicesservicos-de-dados
market-dataconsultasmercado-a-vistahistorico-pessoas-fisicasgt
3
2002 2004 2006 2008 2010 2012 2014 2016 2018 2020
Anos
0
05
1
15
2
25
Con
tas
106
HomensMulheresTotal
Figura 1 ndash Histoacuterico de perfil dos investidores pessoas fiacutesicas na Bovespa Representaa evoluccedilatildeo do nuacutemero de investidores na Bovespa entre os anos de 2002 a 2020A curva na cor azul corresponde ao nuacutemero de CPFs de investidores do sexomasculino a curva na cor vermelha representa a evoluccedilatildeo da participaccedilatildeo demulheres na Bolsa e a curva na cor verde mostra o total de pessoas fiacutesicas aolongo do periacuteodo
Nem todos os agentes atuantes no mercado tecircm retornos positivos e muitos acabam fracas-
sando e desistindo do mercado uma vez que a renda variaacutevel depende de diversos fatores
tais como gerenciamento de risco definiccedilatildeo de estrateacutegia e ateacute mesmo controle emocional
Desta forma as estrateacutegias automatizadas podem facilitar o ingresso neste cenaacuterio de
grandes oscilaccedilotildees e incertezas com mais assertividade e precisatildeo nas operaccedilotildees Isto nos
incentiva a pesquisar e desenvolver ferramentas que auxiliem na tomada de decisatildeo
Neste contexto motivados pela lacuna deixada pela hipoacutetese de mercado eficiente sugerida
por modelos interessados na previsatildeo de dinacircmicas de mercados (ATSALAKIS K 2013
ATSALAKIS VALAVANIS 2009) e por modelos empenhados na previsatildeo do sinal de
retornos de ativos (NYBERG 2011 ANATOLYEV GOSPODINOV 2012 CHEVAPATRAKUL
2013 POumlNKAuml 2014) propomos tambeacutem um modelo de previsatildeo Este eacute baseado em um
sistema de equaccedilotildees diferenciais lineares acopladas Discretizando o sistema obtemos um
modelo que se assemelha a um modelo de regressatildeo linear multivariado
Neste modelo consideramos que os desvios dos preccedilos brutos das accedilotildees em relaccedilatildeo a um
preccedilo justo satildeo os fatores importantes na nossa anaacutelise Tais desvios seratildeo denominados
4
preccedilos tratados De fato sabemos que existem modelos para precificaccedilatildeo de ativos poreacutem
neste trabalho vamos utilizar meacutedias moacuteveis exponenciais como aproximaccedilatildeo para o preccedilo
justo Assim o preccedilo considerado justo seraacute denominado preccedilo de referecircncia O preccedilo
tratado seraacute dado pela diferenccedila logariacutetmica entre o preccedilo bruto e o preccedilo de referecircncia
Na investigaccedilatildeo utilizamos dados de todas as accedilotildees que compotildeem os iacutendices Dow Jones e
Ibovespa no ano de 2017 O Dow Jones eacute um iacutendice do mercado americano que representa
a negociaccedilatildeo das 30 maiores empresas de capital aberto negociadas neste mercado O
Ibovespa eacute o iacutendice composto em meacutedia por 58 accedilotildees negociadas na bolsa de valores
de Satildeo Paulo Para compor a carteira teoacuterica do Ibovespa as accedilotildees tecircm que atender a
criteacuterios estabelecidos pela BMampFBOVESPA1 relativos agrave liquidez volume de negociaccedilatildeo
participaccedilatildeo nos pregotildees de negociaccedilatildeo e outros As seacuteries utilizadas satildeo compostas por
dados de candles intraday2 onde maiores correlaccedilotildees satildeo esperadas (ALLEZ BOUCHAUD
2011) O iacutendice Ibovespa foi escolhido por ser de um mercado de paiacutes emergente onde
a ineficiecircncia tende a ser mais evidenciada possibilitando assim maiores oportunidades
de sucesso na previsatildeo de tendecircncias de retornos (CAJUEIRO TABAK 2004 ZUNINO et
al 2007) O mercado Americano foi escolhido para contrastar com este cenaacuterio e tambeacutem
devido agrave sua importacircncia
Os paracircmetros do modelo satildeo explorados de forma a definir-se uma combinaccedilatildeo ideal
que apresente resultados relevantes de acuraacutecia na previsatildeo de tendecircncia de retornos das
accedilotildees Nosso objetivo eacute mostrar que o modelo de previsatildeo de tendecircncia apresenta uma
taxa de acuraacutecia superior a um processo totalmente aleatoacuterio Para validar estes resultados
realizaremos anaacutelises estatiacutesticas A hipoacutetese de pesquisa a ser testada eacute que a acuraacutecia
do modelo eacute diferente de 0 5 evidenciando desvio da hipoacutetese de mercado eficiente
Diante dos paracircmetros definidos durante a exploraccedilatildeo do modelo vamos desenvolver
duas estrateacutegias de negociaccedilatildeo e aplicaacute-las no mercado real atraveacutes de uma plataforma
de simulaccedilatildeo Os resultados seratildeo comparados levando em consideraccedilatildeo as variaacuteveis
envolvidas na simulaccedilatildeo tais como risco de exposiccedilatildeo ao mercado retorno financeiro
taxas operacionais e capital alocado
Um problema desafiador que surge no acircmbito das pesquisas em mercados financeiros eacute a
possibilidade de se utilizar teacutecnicas e modelos matemaacuteticos para representar a dinacircmica
dos movimentos dos preccedilos O problema torna-se mais complexo quando envolve teacutecnicas
de previsatildeo de tais valores poreacutem um grande nuacutemero de agentes do mercado estatildeo em
busca destas informaccedilotildees Assim nosso problema neste trabalho eacute desenvolver um modelo
matemaacutetico-computacional para a previsatildeo de tendecircncia de preccedilos no mercado de accedilotildees
brasileiro e no mercado americano
1Bolsa de Valores Mercadorias e Futuros de Satildeo Paulo2Dados dentro de um periacuteodo regular da bolsa (dia)
5
Nesta perspectiva este trabalho Justifica-se como complementaccedilatildeo de outros estudos
que envolvem a combinaccedilatildeo de ferramentas estatiacutesticas redes neurais artificiais e outras
abordagens aplicadas para a modelagem de mercado de accedilotildees podendo assim ser
utilizado em pesquisas futuras
11 Objetivos
Este trabalho tem como objetivo geral apresentar um modelo de previsatildeo de tendecircncias de
preccedilos das accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa buscando oportunidades
em desvios da hipoacutetese de mercado eficiente A pesquisa iraacute contribuir para a compreensatildeo
da dinacircmica dos mercados de accedilotildees
Na decomposiccedilatildeo do objetivo geral destacam-se alguns dentre os principais objetivos
especiacuteficos
bull Desenvolver um modelo capaz de prever tendecircncias de preccedilos com taxas de acertos
superiores a um processo totalmente aleatoacuterio
bull Testar o niacutevel de eficiecircncia de dois mercados com caracteriacutesticas diferentes A investi-
gaccedilatildeo seraacute por meio da anaacutelise de resultados obtidos para Dow Jones e Ibovespa
bull Explorar o modelo de previsatildeo de tendecircncia com o objetivo de encontrar paracircmetros
que retornem os melhores resultados
bull Desenvolver estrateacutegias de negociaccedilatildeo aplicadas ao mercado real em periacuteodos
diferentes utilizando tais paracircmetros
De forma especiacutefica a principal contribuiccedilatildeo deste trabalho eacute favorecer a compreensatildeo
da dinacircmica do mercado de accedilotildees Jaacute sob o ponto de vista social diante do aumento do
nuacutemero de agentes atuando na Bolsa de valores e da queda na taxa de juros podemos
dizer que o mercado de renda variaacutevel tem se tornado atrativo para novos investimentos
impactando assim a forma como as pessoas aplicam as suas economias Por isso eacute
importante verificar a Hipoacutetese de Mercado Eficiente neste cenaacuterio
Neste contexto o modelo de operaccedilatildeo implementado depois de adaptado e validado tam-
beacutem pode contribuir para operaccedilotildees em outros cenaacuterios tais como mercados futuros(doacutelar
e iacutendices) e commodities3 (por exemplo milho feijatildeo cafeacute soja)
3Satildeo produtos de qualidade e caracteriacutesticas uniformes que funcionam como mateacuteria-prima produzidosem escala e que podem ser estocados sem perda de qualidade Seu preccedilo eacute definido de acordo com a ofertae demanda americana
6
12 Organizaccedilatildeo do trabalho
A tese estaacute estruturada em 8 capiacutetulos dois apecircndices e trecircs anexos
No capiacutetulo 1 que eacute o presente capiacutetulo apresentamos a introduccedilatildeo do trabalho Aqui satildeo
introduzidas as etapas e caracteriacutesticas do desenvolvimento da pesquisa
No capiacutetulo 2 descrevemos o delineamento da pesquisa o planejamento do modelo a
exploraccedilatildeo do modelo e a definiccedilatildeo dos dados utilizados nas anaacutelises
No capiacutetulo 3 apresentamos uma breve revisatildeo bibliograacutefica dos trabalhos referentes ao
tema da pesquisa
No capiacutetulo 4 descrevemos alguns conceitos necessaacuterios para a compreensatildeo do trabalho
e as ferramentas computacionais utilizadas
No capiacutetulo 5 apresentamos a formulaccedilatildeo do tratamento dos dados a apresentaccedilatildeo de um
modelo baseado em um sistema de equaccedilotildees diferenciais lineares e a sua adaptaccedilatildeo para
um novo modelo de ajuste de pontos bem como a definiccedilatildeo de um modelo de previsatildeo de
tendecircncia de preccedilos
No capiacutetulo 6 eacute apresentada a exploraccedilatildeo do modelo Neste analisamos os paracircmetros de
entrada com o objetivo de encontrar a combinaccedilatildeo que apresente as melhores acuraacutecias
do modelo na previsatildeo de tendecircncia dos preccedilos
No capiacutetulo 7 mostramos as estrateacutegias de negociaccedilatildeo aplicadas no mercado real Para
a simulaccedilatildeo utilizamos o modelo que retorna um sinal de compra venda ou natildeo opera
apresentado no capiacutetulo 5 Para calibrar o modelo de previsatildeo utilizamos os paracircmetros
explorados no Capiacutetulo 6
No capiacutetulo 8 descrevemos a conclusatildeo bem como os passos futuros do trabalho
O apecircndice A complementa a tese com a descriccedilatildeo da forma de estimar a matriz de
coeficientes por meio da teacutecnica de otimizaccedilatildeo matemaacutetica dos miacutenimos quadrados Jaacute o
apecircndice B conteacutem a tabela de lotes padratildeo de negociaccedilatildeo das accedilotildees na Bovespa
Os anexos A B e C mostram respectivamente a tabela das accedilotildees que participaram da
carteira teoacuterica do Ibovespa no primeiro quadrimestre de 2017 a tabela das accedilotildees que
participaram da carteira teoacuterica do iacutendice Dow Jones tambeacutem no primeiro quadrimestre de
2017 e a tabela das taxas anuais de crescimento do Ibovespa
7
Capiacutetulo 2
Delineamento Metodoloacutegico
Neste capiacutetulo vamos apresentar o delineamento da pesquisa o planejamento a exploraccedilatildeo
do modelo simulaccedilatildeo bem como a definiccedilatildeo dos dados utilizados nas anaacutelises
21 Levantamento bibliograacutefico
A etapa de levantamento bibliograacutefico tem como objetivo contextualizar a pesquisa dentro
do conjunto de atividades cientiacuteficas relacionadas a modelos de previsatildeo desenvolvidos
para o mercado de accedilotildees
22 Definiccedilatildeo do modelo
A definiccedilatildeo do modelo seraacute apresentada no capiacutetulo 5 O modelo de previsatildeo foi definido
baseando-se em um sistema de equaccedilotildees diferenciais lineares acopladas (RESENDE et al
2017) Este sistema foi discretizado de forma a se aproximar de um modelo de regressatildeo
linear multivariado De fato natildeo esperamos que um modelo linear seja capaz de representar
a dinacircmica do mercado financeiro Poreacutem a violaccedilatildeo ou natildeo das premissas de adequaccedilatildeo
a um modelo de regressatildeo natildeo inviabiliza o trabalho uma vez que o objetivo principal deste
eacute prever tendecircncias de preccedilos de accedilotildees A matriz de coeficientes do modelo obtida ateacute o
tempo t seraacute determinada com base em manipulaccedilotildees algeacutebricas expostas por (AGUIRRE
2007) e seraacute utilizada como instrumento para a previsatildeo da tendecircncia dos preccedilos no tempo
t+ 1 Trabalhamos aqui com a hipoacutetese de linearidade local na vizinhanccedila de t
23 Dados utilizados
Para a definiccedilatildeo e exploraccedilatildeo do modelo utilizamos preccedilos de fechamento das accedilotildees que
participaram da composiccedilatildeo da carteira teoacuterica dos iacutendices Dow Jones e Ibovespa com
frequecircncias de 5 10 15 20 e 30 minutos no primeiro e segundo quadrimestres de 2017
8
Na seccedilatildeo 63 vamos analisar todas estas granularidades de tempo e definir a amostra que
apresentar melhores resultados As seacuteries de dados utilizadas foram obtidas na plataforma
Bloomberg 1
Alteraccedilotildees na composiccedilatildeo da carteira do Ibovespa denominadas viradas satildeo realizadas a
cada quadrimestre As inclusotildees e exclusotildees de accedilotildees no iacutendice satildeo realizadas nos meses
de Janeiro Maio e Setembro utilizando como base o uacuteltimo dia de pregatildeo do mecircs anterior
A tabela 26 anexo A mostra as accedilotildees que participaram da carteira teoacuterica do Ibovespa no
primeiro quadrimestre de 2017 02012017 a 28042017 As accedilotildees estatildeo ordenadas de
acordo com a maior porcentagem de participaccedilatildeo no Ibovespa No quadrimestre 2 uma
nova accedilatildeo foi incluiacuteda na carteira alterando assim as porcentagens de participaccedilatildeo das
accedilotildees Poreacutem por simetria e comparaccedilatildeo de resultados decidimos manter as mesmas
accedilotildees e as porcentagens baseados no quadrimestre 1
O iacutendice Dow Jones eacute um dos principais indicadores do mercado americano A sua com-
posiccedilatildeo eacute definida pela meacutedia das 30 maiores e mais importantes empresas do mercado
As accedilotildees que compotildeem o iacutendice satildeo apresentadas na tabela 27 anexo B Alteraccedilotildees na
composiccedilatildeo do iacutendice Dow Jones satildeo pouco frequentes As alteraccedilotildees que aconteceram no
periacuteodo foram em relaccedilatildeo agrave ordem de peso de participaccedilatildeo na carteira Por isso decidimos
manter a ordem de participaccedilatildeo baseada no primeiro quadrimestre de 2017 A Tabela 27
anexo B apresenta as 30 accedilotildees que compotildeem o iacutendice Dow Jones ordenadas de acordo
com a sua porcentagem de participaccedilatildeo na carteira
Para a simulaccedilatildeo realiacutestica apresentada no capiacutetulo 7 utilizamos dados com frequecircncia
de cotaccedilatildeo de 5 minutos das 10 accedilotildees com maior liquidez na Bovespa nos anos de 2017 e
2018 A escolha do mercado brasileiro foi baseada no resultado da exploraccedilatildeo do modelo
(6) sendo este cenaacuterio o que apresentou melhores resultados
24 Tratamento dos dados
Na seccedilatildeo 51 eacute apresentado de forma detalhada o tratamento dos dados No modelo
analisado consideramos que os desvios dos preccedilos em relaccedilatildeo a um preccedilo considerado
justo traz informaccedilotildees sobre a dinacircmica dos preccedilos das accedilotildees Tais desvios satildeo calculados
utilizando-se a diferenccedila logariacutetmica entre o preccedilo bruto e o preccedilo de referecircncia Poreacutem
calcular o preccedilo referecircncia de cada accedilatildeo envolve diversas anaacutelises e variaacuteveis que natildeo
estatildeo no foco do trabalho Por isto utilizamos como alternativa para tal preccedilo uma meacutedia
moacutevel exponencial que seraacute considerada o preccedilo de referecircncia No caacutelculo da aproximaccedilatildeo
para o valor definimos uma janela moacutevel de tamanho 12 composta pelos dados observados
1A Bloomberg eacute uma empresa privada que oferece serviccedilos para profissionais do mercado com foco emsoftware dados e miacutedia financeira privada Foi fundada por Michael Bloomberg em 1981
9
da amostra analisada A escolha do valor de S = 12 foi baseada em aspectos experimentais
de trabalhos anteriores (RESENDE et al 2017) e tambeacutem considerando que em uma hora
de negociaccedilatildeo temos 12 candles com frequecircncia de cotaccedilatildeo de 5 minutos
25 Exploraccedilatildeo do modelo
No capiacutetulo 6 vamos explorar os diversos paracircmetros do modelo Poreacutem o objetivo principal
natildeo eacute encontrar paracircmetros oacutetimos mas sim selecionar uma combinaccedilatildeo que apresente
bons resultados de acuraacutecia2 na previsatildeo de tendecircncia Para isto exploramos as seguintes
combinaccedilotildees de paracircmetros do modelo
bull Variaccedilatildeo do tamanho da janela de pontos utilizada no ajuste
Aplicamos quantidades diferentes de pontos R ao ajuste e definimos baseados nos
resultados um valor considerado satisfatoacuterio como paracircmetro para ajustes futuros
bull Variaccedilatildeo da quantidade de accedilotildees Utilizando a quantidade de pontos definida no
item anterior variamos a quantidade n de accedilotildees envolvidas na anaacutelise O valor inicial
de n foi a combinaccedilatildeo miacutenima de 2 accedilotildees incrementando 1 accedilatildeo na ordem do seu
peso de participaccedilatildeo nas carteiras ateacute o valor maacuteximo de n = 30 para accedilotildees do Dow
Jones e n = 58 para as accedilotildees que compotildeem o Ibovespa
bull Variaccedilatildeo da granularidade dos dados
Analisamos as frequecircncias de cotaccedilotildees de 5 10 15 20 e 30 minutos para avaliar em
qual granularidade o modelo obteacutem as melhores taxas de previsatildeo de tendecircncia
Tambeacutem exploramos o modelo tendo em vista as seguintes anaacutelises
bull Taxas de acerto de tendecircncias em funccedilatildeo do expoente de Hurst
Nesta anaacutelise estamos interessados em estudar o comportamento de persistecircncia
e anti-persistecircncia das seacuteries de preccedilos brutos das accedilotildees e investigar se haacute uma
relaccedilatildeo entre os resultados e o poder de previsibilidade do modelo
bull Taxas de acerto de tendecircncias em quadrimestres diferentes
O intuito desta anaacutelise eacute investigar se as taxas de acertos obtidas no primeiro quadri-
mestre apresentam correlaccedilatildeo com as taxas relativas ao segundo quadrimestre de
2017 Isto nos possibilita verificar a consistecircncia do modelo em diferentes periacuteodos
bull Votaccedilatildeo
Uma votaccedilatildeo entre tendecircncias apontadas pelos ajustes utilizando diferentes quantida-
des de pontos R tambeacutem deve ser elaborada Nesta votaccedilatildeo consideraremos como a
tendecircncia prevista a direccedilatildeo apontada pela maioria dos votantes e empate entre os
votantes como sinal para natildeo abrir novas posiccedilotildees no momento
bull Validaccedilatildeo estatiacutestica dos resultados
Testes de hipoacuteteses seratildeo aplicados aos resultados de taxas de acertos obtidas pelo
2Capiacutetulo 5 equaccedilatildeo (30)
10
modelo A hipoacutetese a ser testada eacute que a acuraacutecia do modelo eacute estatisticamente
diferente de 0 5
26 Simulaccedilatildeo
Depois de explorados e definidos paracircmetros satisfatoacuterios para o modelo no capiacutetulo
de simulaccedilatildeo realiacutestica (capiacutetulo 7) desenvolveremos duas estrateacutegias de negociaccedilatildeo
utilizando tais paracircmetros Estas estrateacutegias seratildeo denominadas modelo de operaccedilatildeo 1
(MO1) e modelo de operaccedilatildeo 2 (MO2) As accedilotildees utilizadas nos modelos de operaccedilatildeo foram
as 10 accedilotildees com maior liquidez no ano de 2017 e 2018 As seacuteries de dados utilizadas foram
de candles de 5 minutos Em ambos os modelos de operaccedilatildeo as posiccedilotildees satildeo abertas
quando o modelo de previsatildeo de tendecircncia envia um sinal natildeo neutro De acordo com este
sinal as operaccedilotildees de compra ou venda descoberta satildeo abertas No modelo de operaccedilatildeo 1
(MO1) as operaccedilotildees satildeo fechadas a cada passo de tempo (fechamento do candle) Jaacute no
modelo de operaccedilatildeo 2 (MO2) as posiccedilotildees satildeo fechadas de acordo com valores de stop
gain e stop loss definidos
27 Avaliaccedilatildeo dos resultados do modelo
A anaacutelise dos resultados obtidos com os modelos de operaccedilatildeo nos permite avaliar as
caracteriacutesticas de cada estrateacutegia apontando as vantagens e desvantagens de cada uma
delas As variaacuteveis levadas em consideraccedilatildeo seratildeo baseadas em risco de exposiccedilatildeo ao
mercado retorno financeiro taxas operacionais e capital alocado A figura 2 mostra as
etapas e organizaccedilatildeo do trabalho descritas anteriormente
11
Tamanho de R
Numero de accedilotildees
Granularidade do dados
Quadrimestres
Expoente de Hurst
Votaccedilatildeo
Revisatildeo
bibliograacutefica
Simulaccedilatildeo
Exploraccedilatildeo do
modelo
Modelo Coleta de dadosTratamento dos
dados
Modelo de
previsatildeo
Resultados
Paracircmetros
MO1 MO2
Figura 2 ndash Organizaccedilatildeo geral do trabalho Na etapa de revisatildeo bibliograacutefica uma pesquisaeacute realizada para identificar o estado da arte do tema abordado bem como asteacutecnicas de previsatildeo utilizadas no mercado de accedilotildees Na parte do modeloapresentamos a formulaccedilatildeo do modelo baseado em um sistema de equaccedilotildeesdiferenciais lineares e a sua adaptaccedilatildeo para um novo modelo de ajuste de pontosa definiccedilatildeo e o tratamento dos dados bem como a definiccedilatildeo de um modelo deprevisatildeo de tendecircncia de preccedilos Na etapa de exploraccedilatildeo o modelo foi testadoem diferentes cenaacuterios investigando a influecircncia do tamanho de R nuacutemero deaccedilotildees granularidade dos dados e outros paracircmetros nos resultados do modeloNa simulaccedilatildeo desenvolvemos duas estrateacutegias de negociaccedilatildeo (MO1 e MO2)baseadas no modelo de previsatildeo e utilizando os paracircmetros definidos Na fasede resultados apresentamos a anaacutelise dos resultados obtidos com os modelosde operaccedilatildeo
12
Capiacutetulo 3
Trabalhos relacionados
Neste capiacutetulo vamos apresentar uma breve revisatildeo bibliograacutefica dos trabalhos relativos ao
tema da pesquisa Na seccedilatildeo 31 vamos relacionar os principais trabalhos sobre Hipoacutetese
de Mercado Eficiente (HME) Na seccedilatildeo 32 apresentaremos trabalhos que exploram a
racionalidade dos agentes do mercado por meio de estudos em financcedilas comportamentais
Nas seccedilotildees 33 e 34 descreveremos alguns trabalhos que investigam desvios da HME por
meio de modelos de previsatildeo e por anaacutelises utilizando algumas ferramentas estatiacutesticas
31 Hipoacutetese de Mercado Eficiente
Em um mercado eficiente os preccedilos dos ativos deveriam assimilar e refletir imediatamente
toda informaccedilatildeo relevante disponiacutevel Esta eacute a denominada Hipoacutetese de Mercado Eficiente
(HME)
De acordo com a HME o comportamento dos investidores eacute racional e natildeo existe memoacuteria
nas seacuteries de preccedilos que possibilite oportunidade de arbitragem A Hipoacutetese de Mercado
Eficiente foi apresentada matematicamente por (SAMUELSON 1965) mostrando que
as flutuaccedilotildees dos preccedilos acontecem de forma aleatoacuteria a expectativa para o preccedilo em
t + 1 eacute o preccedilo no tempo t Seus teoacutericos defendem que os preccedilos caminham para um
ponto de equiliacutebrio e com isso natildeo eacute possiacutevel obter ganhos demasiados sem correr
riscos proporcionais Defendem que toda informaccedilatildeo relevante estaacute disponiacutevel e que logo
eacute absorvida e processada pelo mercado sendo desta forma refletida nos valores dos
ativos (MANTEGNA STANLEY 1999) Os mercados seriam assim capazes de reunir a
sabedoria coletiva e precificar os ativos com precisatildeo
Trecircs formas diferentes de HME satildeo consideradas fraca semi-forte e forte Um mercado eacute
dito eficiente na forma fraca quando toda as informaccedilotildees puacuteblicas disponiacuteveis satildeo absorvidas
imediatamente
13
No niacutevel semi-forte considera-se que o mercado reflete toda a informaccedilatildeo publicamente
disponiacutevel incluindo informaccedilotildees obtidas atraveacutes de demonstraccedilotildees contaacutebeis publicadas
e informaccedilotildees histoacutericas A diferenccedila entre a eficiecircncia semi-forte e a eficiecircncia fraca eacute
que a semi-forte exige dos agentes uma anaacutelise completa de dados fundamentalistas das
empresas Esse tipo de anaacutelise requer um maior embasamento teoacuterico para avaliar com
propriedade empresas ou setores da economia Isso implica conhecimento tempo e custo
o que pode limitar a forma de eficiecircncia do mercado
Um mercado eacute eficiente no sentido forte quando reflete aleacutem das informaccedilotildees publicamente
disponiacuteveis e das histoacutericas de preccedilos as informaccedilotildees privadas Este niacutevel engloba as hipoacute-
teses fraca e semi-forte e considera que os preccedilos refletem imediatamente toda informaccedilatildeo
puacuteblica e privada inerente ao ativo
No entanto considerando todas as caracteriacutesticas um mercado dito eficiente na forma mais
estrita eacute um sistema idealizado Em mercados reais resiacuteduos de ineficiecircncia satildeo observa-
dos Mercados reais satildeo apenas uma aproximaccedilatildeo do mercado eficiente(MANTEGNA
STANLEY 1999) A eficiecircncia de mercado tem sido investigada em muitos contextos utili-
zando uma variedade de ferramentas estatiacutesticas (BARKOULAS BAUM 1996 GRECH
MAZUR 2004 CAJUEIRO TABAK 2004 ZUNINO et al 2007 CHORDIA ROLL SU-
BRAHMANYAM 2008 BELAIRE-FRANCH OPONG 2010 CAGINALP DESANTIS 2011
CHARLES DARNEacute KIM 2012 AL-KHAZALI PYUN KIM 2012 LAZAR TODEA FILIP
2012 CHOUDHRY JAYASEKERA 2012 CHOUDHRY JAYASEKERA 2014 KATUSIIME
SHAMSUDDIN AGBOLA 2015 NTIM et al 2015 CURME STANLEY VODENSKA 2015
PODOBNIK et al 2006) Analistas teacutecnicos tambeacutem acreditam que eacute possiacutevel obter in-
formaccedilatildeo sobre os preccedilos baseados em dados histoacutericos Em financcedilas comportamentais
o comportamento irracional dos investidores tambeacutem tem sido investigado (KAHNEMAN
TVERSKY 1979 SHILLER FISCHER FRIEDMAN 1984)
Desvios da Hipoacutetese de Mercado Eficiente tambeacutem tecircm sido associados a diversos fatores
tais como custos de operaccedilatildeo (LIU 2010) baixa liquidez (CHORDIA ROLL SUBRAH-
MANYAM 2008 CHUNG HRAZDIL 2010) limitaccedilotildees no fluxo de informaccedilatildeo (ROSS
1989 HEALY PALEPU 2001 BRUNNERMEIER 2005) intervenccedilotildees do banco central
(RAFFERTY TOMLJANOVICH 2002 BORDO LANDON-LANE 2013 ALONSO-RIVERA
CRUZ-AKEacute VENEGAS-MARTIacuteNEZ 2014 CHEN HUANG SU 2014) incertezas poliacuteticas
(PASQUARIELLO ZAFEIRIDOU 2014) e crises financeiras (LIM BROOKS KIM 2008)
No estudo realizado por (SHARMA BANERJEE 2015) nos variados setores da Bolsa
de valores de Bombaim1 (BSE) em um periacuteodo de 8 anos (abril 2006 a marccedilo 2014) os
resultados indicam que os dados natildeo satisfazem agrave suposiccedilatildeo de normalidade Mostram
que os retornos dos ativos analisados satildeo guiados por curvas assimeacutetricas e com caudas1Foi fundada em 1875 e eacute a principal bolsa de valores da Iacutendia
14
pesadas indicando tambeacutem que o mercado natildeo segue a hipoacutetese de random walk
Nas proacuteximas seccedilotildees vamos apresentar de forma sucinta alguns trabalhos no contexto
de investigaccedilatildeo de desvios da HME por meio de estudos em financcedilas comportamentais
modelos de previsatildeo e expoente de Hurst
32 Financcedilas comportamentais
No trabalho (KAHNEMAN TVERSKY 1979) Kahneman e Tversky se uniram e seus
estudos foram essenciais para quebrar os paradigmas que existiam em teoria de financcedilas
Satildeo considerados os precursores da chamada economia comportamental Eles estudaram
e exploraram os desvios e falhas de racionalidade na tomada de decisotildees por meio do
comportamento humano no mercado Em 1979 desenvolveram a Teoria da Perspectiva
tambeacutem conhecida como Teoria do Prospecto (Prospect Theory) As teorias racionais
consideram que agentes idealizados tomam decisotildees de forma racional jaacute a Teoria da
Perspectiva surge como um questionamento a esta completa racionalidade dos agentes o
que denominaram de racionalidade limitada
Na teoria apresentada os autores observaram que os agentes tomam suas decisotildees
baseados nos valores de perdas e ganhos e natildeo no resultado final Desta forma tentam
evitar perdas sendo este o foco principal De forma geral satildeo mais impactados pelas
perdas do que pelos ganhos Esta atitude estaacute associada agrave aversatildeo ao risco prolongando
posiccedilotildees em ativos perdedores para evitar assumir prejuiacutezo Diante disso formularam a
Teoria da Perspectiva que eacute uma criacutetica agrave Teoria da Utilidade (KAHNEMAN TVERSKY
1979) Em resumo a Teoria da Perspectiva tem como objetivo estudar o comportamento de
tomada de decisatildeo humana no mercado Jaacute a Teoria da Utilidade tem como objetivo mostrar
qual a melhor decisatildeo a ser tomada A Teoria da Perspectiva concebe que os agentes tecircm
mais aversatildeo ao risco sendo que tendem a evitar perder algo a ganhar sendo assimeacutetrica
a relaccedilatildeo ganho e perda Jaacute a Teoria da Utilidade considera que perdas e ganhos tecircm o
mesmo efeito e magnitude
A anaacutelise sugere que um agente que natildeo aceita a perda e tem uma falha de adaptaccedilatildeo
estaacute sujeito a aceitar apostas mais arriscadas que provavelmente natildeo seriam aceitas em
outras circunstacircncias (KAHNEMAN TVERSKY 1979) Na anaacutelise tambeacutem realizada por
(TVERSKY KAHNEMAN 1991) a aversatildeo agraves perdas (loss aversion) eacute investigada e sugere
que o impacto das desvantagens eacute maior que vantagens auferidas implicando aversatildeo
dos agentes a perdas e realccedilando a assimetria da funccedilatildeo de utilidade de ganhos e perdas
Outra observaccedilatildeo foi que quando o preccedilo estaacute aumentando o impacto na decisatildeo de
consumo eacute maior A relutacircncia para aceitar perdas foi observada nos agentes Um estudo
no mercado de accedilotildees mostrou que o nuacutemero de operaccedilotildees aumenta quando o mercado
15
estaacute em tendecircncia de alta sendo assim a propensatildeo a compras eacute maior quando o preccedilo
do ativo estaacute subindo (TVERSKY KAHNEMAN 1991)
Na mesma linha os autores de (MERKLE MUumlLLER-DETHARD WEBER 2020) desenvolve-
ram experimentos para analisar a exposiccedilatildeo ao risco depois de realizadas e natildeo realizadas
perdas e tambeacutem para investimentos com diferentes assimetrias O estudo explorava os
desvios e falhas de racionalidade na tomada de decisotildees Os resultados de tais experimen-
tos evidenciaram que os agentes se expotildeem a riscos menores depois de perdas realizadas
e mais riscos depois de perdas ainda natildeo realizadas definido como efeito de realizaccedilatildeo
No trabalho publicado por (KAHNEMAN et al 2016) os autores exploram o conceito de
ruiacutedos como fonte de inconsistecircncia e irracionalidade em resultados Argumentam que
algoritmos estatildeo menos propensos a apresentarem tais ruiacutedos e vieses nas tomadas de
decisotildees
No estudo (HOMMES KOPAacuteNYI-PEUKER SONNEMANS 2020) desenvolveram um experi-
mento com grupos de agentes do mercado e investigou-se a formaccedilatildeo de bolhas nos preccedilos
No experimento observaram que o contaacutegio atraveacutes de notiacutecias afeta o comportamento
de tais agentes Por outro lado no trabalho (FAN et al 2009) os autores desenvolveram
um modelo baseado em autocircmatos celulares para descrever a dinacircmica do mercado de
accedilotildees e investigar se o grau de imitaccedilatildeo entre os agentes influencia a complexidade e
estabilidade do mercado Os resultados obtidos com o mercado simulado sugerem que haacute
uma correlaccedilatildeo entre tais fatores Tambeacutem observaram que quando o comportamento dos
agentes eacute distribuiacutedo de forma aleatoacuteria o mercado tende a ser mais estaacutevel
Em (CAGINALP ERMENTROUT 1990) os autores desenvolveram um modelo utilizando
equaccedilotildees diferenciais que incorpora o aspecto emocional dos investidores em um mercado
financeiro teoacuterico Resultados indicaram que fatores psicoloacutegicos satildeo capazes de influenciar
a estabilidade dos preccedilos evidenciando desvios da hipoacutetese de mercado eficiente
33 Trabalhos aplicados em previsatildeo
Haacute na literatura uma abundacircncia de artigos interessados na previsatildeo da dinacircmica do
mercado Alguns dos trabalhos estudados utilizam teacutecnicas computacionais interessados
na possibilidade de explorar possiacuteveis desvios de eficiecircncia do mercado e com isso obter
estimativas razoaacuteveis para preccedilos futuros
No trabalho (CARBONE CASTELLI STANLEY 2004) os autores argumentam que a
modelagem para previsatildeo de retorno e volatilidade de preccedilos eacute a principal tarefa da pesquisa
financeira A atividade neste sentido tem sido mantida pela suposiccedilatildeo de que muitas
seacuteries financeiras temporais apresentam algum padratildeo de correlaccedilatildeo e pela oportunidade
16
de arbitragem Se correlaccedilatildeo de longo prazo estaacute presente nas seacuteries de retornos de
ativos financeiros entatildeo a hipoacutetese de que o preccedilo segue um caminho completamente
aleatoacuterio natildeo eacute vaacutelida (CAJUEIRO TABAK 2004) Podemos destacar algumas contribuiccedilotildees
relacionadas agrave aacuterea de previsatildeo realizada por (RECHENTHIN STREET 2013) e (OLIVEIRA
NOBRE ZARATE 2013) Na primeira contribuiccedilatildeo os autores realizam um estudo utilizando
probabilidade condicional para identificar continuidade e reversatildeo de tendecircncias de preccedilos
em dados de negociaccedilotildees em alta frequecircncia O estudo eacute realizado para os dados dos
preccedilos do fundo de accedilotildees do SampP 500 para as frequecircncias de cotaccedilotildees de 1 3 5 10 e 20
segundos e 1 5 e 30 minutos Os autores concluem que o mercado apresenta ineficiecircncia
ateacute aproximadamente 30 minutos Para intervalos maiores o mercado analisado caminha em
direccedilatildeo a se tornar mais eficiente Jaacute na contribuiccedilatildeo (OLIVEIRA NOBRE ZARATE 2013)
os autores desenvolveram um modelo baseado em redes neurais artificiais As entradas da
rede satildeo alguns indicadores teacutecnicos e fundamentalistas juntamente com a seacuterie de preccedilos
da accedilatildeo preferencial da Petrobraacutes (PETR4) e a saiacuteda da rede eacute o preccedilo previsto As taxas
de acerto do preccedilo e de sua tendecircncia para as configuraccedilotildees das redes e os periacuteodos
apresentados satildeo satisfatoacuterias
Na referecircncia (ATSALAKIS VALAVANIS 2009) os autores realizam uma revisatildeo de artigos
baseados em modelos que utilizam teacutecnicas derivadas de redes neurais e fuzzy aplicadas na
previsatildeo de valores de mercados Nesta contribuiccedilatildeo satildeo apresentados diversos trabalhos
que satildeo classificados de acordo com o tipo de processamento de dados as variaacuteveis de
entrada tamanho da amostra tipo e caracteriacutestica da teacutecnica de implementaccedilatildeo bem como
meacutetodo de treinamento e validaccedilatildeo Os artigos aplicam os diferentes modelos na previsatildeo
de accedilotildees especiacuteficas portfoacutelios e iacutendices de mercados desenvolvidos e emergentes Os
autores encontraram dificuldades na definiccedilatildeo dos modelos em relaccedilatildeo agrave estrutura das
redes no que se refere agrave quantidade de camadas neurocircnios e outras paracircmetros
Na referecircncia (ATSALAKIS K 2013) o autor analisa 150 artigos cientiacuteficos que utilizam
teacutecnicas de previsatildeo de mercados de accedilotildees baseadas em modelos autoregressivos (AR)
meacutedia moacutevel (MA) autoregressivo com meacutedia moacutevel (ARMA) autoregressivo integrado com
meacutedia moacutevel (ARIMA) autoregressivo generalizado condicional (GARCH) dentre outros
Na revisatildeo satildeo observadas as teacutecnicas de processamento e tratamento dos dados bem
como os resultados e anaacutelise estatiacutestica dos modelos
No trabalho (GARCIA et al 2020) os autores natildeo argumentam que o mercado pode ser
representado por uma dinacircmica linear mas baseiam-se na suposiccedilatildeo de que possa existir
componentes lineares na dinacircmica das seacuteries Baseados nisso propotildeem um modelo para
capturar tal comportamento atraveacutes de um oscilador harmocircnico amortecido em que tentam
descrever a dinacircmica das oscilaccedilotildees de preccedilos comumente observadas no mercado pela
suposiccedilatildeo de que os preccedilos retornam a um preccedilo justo assimilando a restauraccedilatildeo das
17
forccedilas Os paracircmetros obtidos na janela analisada satildeo utilizados como estimativas para
fazer a previsatildeo dos preccedilos futuros adjacentes
Na referecircncia (MEI et al 2017) os autores realizam um estudo para investigar a melhora
na previsatildeo de volatilidade do mercado de accedilotildees utilizando dados de alta frequecircncia e
incorporando assimetria e curtose como variaacuteveis adicionais aos modelos de volatilidade
comuns Argumentam que o uso de dados de alta frequecircncia permite melhor compreensatildeo
da dinacircmica dos preccedilos facilitando a previsatildeo de volatilidade e com isso melhorando a
alocaccedilatildeo de portfoacutelio e o gerenciamento de risco
No trabalho apresentado em (NELSON PEREIRA OLIVEIRA 2017) os autores estudam o
uso de redes neurais recorrentes em particular a rede LSTM (Long-Short term memory)
para a previsatildeo de tendecircncias de preccedilos de accedilotildees utilizando dados histoacutericos e tambeacutem
a combinaccedilatildeo de indicadores da anaacutelise teacutecnica A investigaccedilatildeo foi realizada no mercado
brasileiro para dados com frequecircncia de cotaccedilatildeo de 15 minutos para as accedilotildees que compotildeem
o iacutendice Ibovespa no periacuteodo avaliado As acuraacutecias obtidas satildeo avaliadas de acordo com
meacutetricas estabelecidas e comparadas com outros modelos de previsatildeo tradicionais que
tambeacutem utilizam redes neurais De acordo com os autores os resultados satildeo promissores
Algoritmos de automatizaccedilatildeo de estrateacutegias e operaccedilotildees tambeacutem tecircm sido foco de vaacuterias
pesquisas na aacuterea Muitos destes trabalhos utilizam redes neurais artificiais para a constru-
ccedilatildeo dos modelos de previsatildeo Em (NAMETALA et al 2016) os autores desenvolveram uma
estrateacutegia automatizada que combina redes neurais artificiais e preditores economeacutetricos
para gerar sinais de compra ou venda por meio de um modelo de negociaccedilatildeo incorporado
ao algoritmo
A previsatildeo da direccedilatildeo dos preccedilos de ativos em mercados de accedilotildees eacute uma tarefa complicada
e tem sido um grande desafio mas que tem chamado a atenccedilatildeo de pesquisadores e agentes
de mercado tornando-se um campo de pesquisas promissoras Assim as pesquisas natildeo se
limitam apenas a estes trabalhos citados aqui Um amplo conjunto de teacutecnicas e modelos
de vaacuterias aacutereas tem sido empregado neste cenaacuterio com o objetivo de entender e modelar o
movimento deste sistema dinacircmico e complexo que eacute o mercado
34 Expoente de Hurst
O expoente de Hurst foi resultado de estudos realizados pelo hidroacutelogo britacircnico Harold
Edwin Hurst para o projeto de uma represa em meados 1951 Neste ele verificou que
alguns fenocircmenos da natureza natildeo se comportavam de maneira aleatoacuteria Tais fenocircmenos
observados possuiacuteam uma dependecircncia dentre eles as flutuaccedilotildees do rio Nilo e a partir
disso ele criou o meacutetodo para verificar a dependecircncia de longo alcance
18
Os modelos econocircmicos apresentados nos artigos (CARBONE CASTELLI STANLEY
2004) e (CAJUEIRO TABAK 2004) testam a hipoacutetese de mercado eficiente utilizando a
metodologia do expoente de Hurst O expoente de Hurst eacute calculado utilizando dados de
seacuteries temporais com o objetivo de observar o seu comportamento O resultado assume
valores entre 0 e 1 Valores proacuteximos de 1 indicam persistecircncia valores proacuteximos de zero
indicam anti-persistecircncia e valores proacuteximos de 0 5 indicam que a seacuterie natildeo possui tendecircn-
cia Uma vez que o meacutetodo DFA objetiva retirar tendecircncias das seacuteries quando ele eacute usado
a interpretaccedilatildeo sobre persistecircncia e anti persistecircncia vale para as seacuteries sem tendecircncia No
artigo (CARBONE CASTELLI STANLEY 2004) os autores calcularam o expoente de Hurst
para seacuteries artificiais de fractais e em seacuteries dos log retornos do DAX2 e BOBL 3 utilizando
o meacutetodo DFA (detrended fluctuation analysis) e DMA (detrending moving average) Para
as seacuteries de preccedilos reais de ativos encontraram valores fora da faixa de variabilidade local
indicando que o mercado natildeo segue o movimento browniano Este resultado contraria a
Hipoacutetese de Mercado Eficiente onde os expoentes devem ser proacuteximos de 0 5 Jaacute no
artigo (CAJUEIRO TABAK 2004) com o objetivo de mostrar que mercados emergentes
satildeo menos eficientes que mercados desenvolvidos os autores calculam o expoente de
Hurst das seacuteries dos iacutendices de 11 mercados emergentes e de 2 paiacuteses desenvolvidos
Como resultado encontraram que a dinacircmica do expoente de Hurst para paiacuteses desen-
volvidos se aproxima de passeio aleatoacuterio sem vieacutes flutuando em torno do valor 0 5 Nos
paiacuteses emergentes os valores dos expoentes apresentam uma maior variaccedilatildeo indicando
certos niacuteveis de ineficiecircncia com predominacircncia de persistecircncia Ainda de acordo com
(CAJUEIRO TABAK 2004) a maior ineficiecircncia em mercados emergentes pode estar
relacionada a algumas caracteriacutesticas que os diferenciam dos mercados desenvolvidos
relacionadas agrave velocidade de propagaccedilatildeo de informaccedilotildees ao fluxo de capitais e agrave eficiecircncia
no processo de negociaccedilatildeo Na mesma linha os autores do artigo (CAGINALP DESANTIS
2011) afirmam que em um paiacutes em desenvolvimento em um mercado de accedilotildees em iniacutecio
de implantaccedilatildeo pode ser esperada ineficiecircncia devida agrave dificuldade de capitalizaccedilatildeo dos
ativos ao menor nuacutemero e agrave falta de experiecircncia dos investidores Quanto agrave ineficiecircncia
atribuiacuteda agrave quantidade de capital disponiacutevel resultados experimentais mostram que um
desbalanceamento entre a quantidade de capital e de ativos pode levar o mercado a preccedilos
incorretos (CAGINALP 2002) Esse resultado sugere que o preccedilo negociado no mercado eacute
reflexo tambeacutem do fluxo de recursos e natildeo apenas do preccedilo verdadeiro do ativo Outros
resultados experimentais que indicam a ineficiecircncia de mercado podem ser encontrados
em (CAGINALP PORTER SMITH 2000)
2Iacutendice que representa as 30 maiores empresas de capital aberto da Alemanha3Tiacutetulo do governo federal alematildeo
19
Capiacutetulo 4
Fundamentaccedilatildeo teoacuterica
Neste capiacutetulo vamos descrever de forma sucinta alguns conceitos de financcedilas necessaacuterios
para a compreensatildeo do trabalho O mercado de capitais eacute um amplo sistema financeiro que
envolve diversas variaacuteveis que natildeo seratildeo contempladas neste trabalho Vamos concentrar
nossos estudos no mercado de accedilotildees por isso vamos estender as discussotildees para
definiccedilotildees relacionados a este mercado
41 Fundamentaccedilatildeo teoacuterica em financcedilas
O mercado financeiro eacute um extenso sistema que envolve diversos tipos de mercados dentre
eles o mercado de renda variaacutevel que eacute aquele em que natildeo se pode dimensionar os
resultados do investimento no momento da aplicaccedilatildeo As accedilotildees satildeo tiacutetulos especiacuteficos
deste mercado de renda variaacutevel Satildeo fraccedilotildees do capital social de uma empresa de capital
aberto (sociedade anocircnima) Cada empresa tem o seu coacutedigo de negociaccedilatildeo na bolsa
que no Brasil geralmente eacute dado por quatro letras seguidas de um nuacutemero Podem ser
negociadas em lotes padratildeo ou fracionaacuterio Elas podem ser do tipo ordinaacuterias (ON) ou
preferenciais (PN) As principais diferenccedilas entre os dois tipos eacute que a preferencial tem
preferecircncia no recebimento de proventos e tambeacutem preferecircncia e reembolso de capital em
caso de liquidaccedilatildeo da empresa jaacute a ordinaacuteria concede direito a voto nas assembleacuteias de
acordo com o volume de participaccedilatildeo em ativos A remuneraccedilatildeo aos acionistas eacute dada por
meio de proventos como dividendos juros sobre capital proacuteprio bonificaccedilotildees e direito de
subscriccedilatildeo Os dividendos correspondem ao valor de parte do lucro obtido pela empresa
que eacute distribuiacutedo aos acionistas Juros sobre capital proacuteprio satildeo valores pagos em dinheiro
poreacutem deduzido do lucro tributaacutevel da empresa Do ponto de vista do acionista a diferenccedila
do recebimento entre os dois eacute que os dividendos natildeo tem incidecircncia de imposto de renda jaacute
os juros sobre capital proacuteprio tem uma aliacutequota de 15 sobre o valor recebido A bonificaccedilatildeo
eacute quando a empresa distribui a cada acionista uma quantidade de accedilotildees proporcional
agraves possuiacutedas em custoacutedia A subscriccedilatildeo confere ao acionista o direito de adquirir uma
20
quantidade proporcional agraves suas a um preccedilo preestabelecido pela empresa
As negociaccedilotildees em accedilotildees no Brasil satildeo realizadas na B3 comumente conhecida como
Bovespa que eacute a bolsa de Valores Mercadorias e Futuros de Satildeo Paulo que atua no
segmento BMampFBOVESPA A B3 administra uma uacutenica plataforma de negociaccedilatildeo multiativos
ndash o PUMA Trading System Atraveacutes deste sistema satildeo realizadas as operaccedilotildees com ativos
de renda variaacutevel renda fixa derivativos e commodities (BMampFBOVESPA 2020b) Os
custos transacionais para operar accedilotildees na B3 satildeo taxa de corretagem e emolumentos que
satildeo divididos em taxa de liquidaccedilatildeo negociaccedilatildeo e registro O imposto de renda eacute cobrado
sobre o valor do ganho nas operaccedilotildees sendo 20 para day trade e 15 em operaccedilotildees
comuns
O Ibovespa eacute o principal iacutendice de accedilotildees da B3 Eacute composto por uma carteira teoacuterica
contendo em meacutedia sessenta principais accedilotildees listadas na bolsa sendo um importante indi-
cador de desempenho destas empresas A cada quatro meses a composiccedilatildeo eacute reavaliada
e as accedilotildees satildeo incluiacutedas (excluiacutedas) de acordo com os criteacuterios descritos na sua metodo-
logia de seleccedilatildeo levando em consideraccedilatildeo o nuacutemero de negoacutecios e o volume financeiro
(BMampFBOVESPA 2015) A composiccedilatildeo do Ibovespa em janeiro de 2017 eacute apresentada
na tabela 26 anexo A Jaacute o Dow Jones tambeacutem referenciado como Dow Jones Industrial
Average eacute um iacutendice do mercado americano que representa a negociaccedilatildeo das 30 maiores e
mais importantes empresas de capital aberto negociadas A sua composiccedilatildeo em janeiro de
2017 eacute apresentada na tabela 27 anexo B O Dow Jones eacute um dos principais indicadores
do movimento do mercado americano e tem grande influecircncia sobre outros mercados tal
como o mercado brasileiro
As negociaccedilotildees no mercado de accedilotildees satildeo realizadas por meio de ordens lanccediladas na
corretora e que posteriormente satildeo enviadas agrave bolsa As ordens podem ser enviadas
atraveacutes do home broker que eacute uma plataforma oferecida pelas corretoras para possibilitar
a conexatildeo e o envio de ordens agrave bolsa ou atraveacutes de outras plataformas de negociaccedilatildeo
contratadas pelos agentes As ordens enviadas podem ser do tipo a mercado ordem limite
ou ordem stop Na ordem a mercado a operaccedilatildeo eacute realizada no preccedilo atual do ativo Na
ordem limite o preccedilo eacute definido e a operaccedilatildeo soacute ocorreraacute se o valor for atingido ou em casos
especiacuteficos em um preccedilo melhor do que o definido Jaacute na ordem stop eacute possiacutevel enviar
ordens com valores de ganhos (perdas) preacute definidos para uma operaccedilatildeo Nesta opccedilatildeo
as ordens soacute seratildeo disparadas quando o preccedilo for atingido Os stops satildeo ferramentas
de seguranccedila utilizadas para controlar a perda maacutexima aceitaacutevel (stop loss) e o ganho
almejado (stop gain) definido para uma estrateacutegia O perfil do investidor pode ser definido
como conservador moderado ou agressivo (arrojado) de acordo com a sua toleracircncia a
riscos
As operaccedilotildees no mercado de accedilotildees brasileiro podem ser classificadas com base na
21
frequecircncia em que realizam-se as transaccedilotildees Day trade eacute uma estrateacutegia de curta duraccedilatildeo
em que as posiccedilotildees em ativos satildeo abertas e fechadas em um mesmo dia Swing trade eacute
modalidade em que as operaccedilotildees satildeo fechadas em intervalos menores de dias geralmente
de dois a cinco dias Jaacute em operaccedilotildees de position trade as transaccedilotildees satildeo realizadas em
frequecircncias maiores pensando em longo prazo
No mercado de accedilotildees o retorno eacute dado pela diferenccedila percentual entre o preccedilo no tempo
t e t minus 1 Eacute usual considerar-se retornos logariacutetmicos que satildeo dados pela diferenccedila dos
logaritmos dos preccedilos no tempo t e tminus 1 A volatilidade estaacute relacionada agrave amplitude de
variaccedilatildeo destes retornos Quanto mais os preccedilos de um ativo variam em um intervalo de
tempo maiores as possibilidades de ganhos ou perdas em operaccedilotildees Em alguns modelos
a volatilidade eacute utilizada como medida de risco da estrateacutegia Jaacute a liquidez de um ativo
refere-se agrave capacidade deste converter-se em dinheiro sem perdas em relaccedilatildeo a isso
Quanto maior a liquidez menor a diferenccedila (spread) do preccedilo entre as ofertas de compra e
venda de um ativo
Seacuterie temporal eacute um conjunto de observaccedilotildees (dados) armazenadas ao longo de um
intervalo de tempo No mercado de accedilotildees as seacuteries podem ser compostas por valores de
fechamento abertura maacuteximo miacutenimo volume e outros dados de ativos Satildeo importantes
para a realizaccedilatildeo de backtests anaacutelises empiacutericas e caracterizaccedilatildeo de movimento e
oscilaccedilatildeo do mercado Tambeacutem satildeo utilizadas por analistas teacutecnicos na composiccedilatildeo de
graacuteficos
No mercado de accedilotildees existem duas metodologias de anaacutelises amplamente utilizadas e
que satildeo comumente chamada de escolas de anaacutelises teacutecnicas e fundamentalistas Anaacutelise
teacutecnica baseia-se na suposiccedilatildeo de que preccedilos passados podem ajudar a prever o movimento
futuro e para tanto utilizam-se graacuteficos para definir a dinacircmica dos preccedilos dos ativos Natildeo
leva em consideraccedilatildeo informaccedilotildees fundamentalistas das empresas pois acredita que o
graacutefico jaacute estaacute precificado com tais informaccedilotildees O candle (candlestick ) eacute a ferramenta da
anaacutelise teacutecnica mais utilizada no mercado de accedilotildees Representa graficamente a variaccedilatildeo do
preccedilo em um determinado intervalo de tempo Eacute formado por um corpo e sombras inferior e
superior sendo possiacutevel representar o preccedilo de abertura fechamento maacuteximo e miacutenimo na
frequecircncia analisada Na figura 3 mostramos os candles diaacuterios para o contrato futuro de
mini iacutendice no mecircs de outubro de 2020 Os candles na cor vermelha indicam que a abertura
foi maior que o fechamento sendo um candle de baixa Os candles na cor verde indicam
que a abertura foi menor que o fechamento sendo assim de alta As sombras inferiores
(superiores) tambeacutem denominadas pavios representam os valores miacutenimos (maacuteximos) na
frequecircncia analisada
22
0 2 4 6 8 10 12 14 16 18 20 22
Dias
93
94
95
96
97
98
99
10
101
102
103P
onto
s104
Figura 3 ndash Candles do WINZ20 Representa os dados da seacuterie de pontos diaacuterios do contratofuturo do mini iacutendice no mecircs de outubro de 2020 Os candles na cor vermelhaindicam que a abertura foi maior que o fechamento Candles na cor verde indicamque a abertura foi menor que o fechamento As sombras inferiores (superiores)indicam o valor miacutenimo (maacuteximo) do intervalo
A anaacutelise fundamentalista leva em consideraccedilatildeo vaacuterias informaccedilotildees financeiras para projetar
resultados futuros no meacutedio e longo prazo As projeccedilotildees satildeo baseadas principalmente em
interpretaccedilotildees de dados e indicadores disponibilizados atraveacutes de balanccedilos da empresa
Em ambas as anaacutelises eacute possiacutevel desenvolver um modelo e realizar um backtest utilizando
dados histoacutericos relevantes O backtest serve para testar a estrateacutegia e verificar como
ela se comportou em dados passados e com base nestes resultados tentar aplicar em
dados futuros com a perspectiva de que os resultados seratildeo aproximadamente replicados
Algumas plataformas que possibilitam o backtest apresentam certas limitaccedilotildees tais como
natildeo considerar execuccedilatildeo de ordem no preccedilo pior do que o esperado (slippage) natildeo simular
a fila do livro de ofertas natildeo replicar momentos de grande volatilidade e liquidez do ativo
bem como natildeo considerar a diferenccedila vigente entre o menor preccedilo de venda e o maior
preccedilo de compra (spread) Outro problema do backtest eacute a super otimizaccedilatildeo (overfit) que
23
consiste em trabalhar em um certo periacuteodo e otimizar todos os paracircmetros da estrateacutegia
para obter uma boa condiccedilatildeo naquele intervalo poreacutem em periacuteodos diferentes a estrateacutegia
natildeo apresenta bons resultados
Na nossa simulaccedilatildeo utilizamos alguns indicadores retornados pela plataforma de simulaccedilatildeo
que geralmente satildeo utilizados para avaliar o desempenho dos investimentos Estes seratildeo
descritos na seccedilatildeo seguinte
411 Indicadores utilizados nas estrateacutegias
Nesta seccedilatildeo vamos descrever os indicadores utilizados para medir o desempenho das
estrateacutegias que seratildeo apresentadas no capiacutetulo 7 Os caacutelculos dos indicadores econocircmicos
financeiros satildeo baseados principalmente nos valores de retorno e de capital inicial (Ci) e
final (Cf ) Os indicadores aqui apresentados satildeo os que a plataforma de simulaccedilatildeo retorna
e alguns casos satildeo ligeiramente diferentes dos usualmente utilizados no mercado
bull Perdas e ganhos - PNL
Mostra o resultado financeiro (lucro ou prejuiacutezo) apoacutes a execuccedilatildeo da estrateacutegia Eacute a
diferenccedila entre o capital possuiacutedo ao final da execuccedilatildeo da estrateacutegia e o capital inicial
investido
PNL = Cf minus Ci (1)
bull Retorno acumulado - ra
O retorno acumulado obtido com a estrateacutegia ao final da execuccedilatildeo eacute dado pelo razatildeo
entre o capital final possuiacutedo Cf e o capital inicial investido Ci
ra =CfCi (2)
bull Retorno anual esperado - EAR
Retorno estimado que a estrateacutegia alcanccedilaraacute em um periacuteodo de um ano mantendo a
mesma performance Eacute medido utilizando a inclinaccedilatildeo da regressatildeo linear da curva
de retorno acumulado por dia (slope)
EAR = 252times slope (3)
bull Estabilidade - R2
Mostra a estabilidade da estrateacutegia atraveacutes do coeficiente de determinaccedilatildeo R2 da
seacuterie de retornos acumulados O valor do coeficiente varia entre 0 e 1 Quanto maior
o valor de R2 maior a capacidade do modelo se ajustar agrave amostra
24
bull Volatilidade - V olatilidade
Mostra a volatilidade anualizada da estrateacutegia que eacute baseada no desvio padratildeo
dos retornos diaacuterios σr extrapolado para o periacuteodo de um ano Neste caacutelculo satildeo
considerados apenas os dias uacuteteis (252)
V olatilidade = σrradic
252 (4)
bull Sharpe - IS
Eacute um indicador utilizado para avaliar a relaccedilatildeo entre o risco e o retorno de um
investimento Mostra o retorno r acima de uma taxa livre de risco rf ajustado pela
volatilidade (risco) σ Quanto maior o Sharpe maior a expectativa de retorno frente ao
risco associado Eacute dado por
IS =r minus rfσ
(5)
bull Sortino - ISO
Eacute um indicador que como o iacutendice Sharpe avalia a relaccedilatildeo entre o risco e o retorno
de um investimento Poreacutem o Sortino leva em consideraccedilatildeo apenas a volatilidade
negativa σd anulando os desvios dos retornos positivos
ISO =r minus rfσd
(6)
bull Max Drawdown - MDD
Retrata a maior perda percentual que a estrateacutegia teve durante sua execuccedilatildeo
bull Beta - β
Eacute uma medida de volatilidade da estrateacutegia em relaccedilatildeo a um benchmark1 Mede o
quanto o desempenho da estrateacutegia segue o da economia em geral eacute dado por
β =cov(r rb)
var(rb) (7)
onde r eacute o retorno da estrateacutegia e rb o retorno do benchmark
bull Alpha - α
Este paracircmetro estima o quanto a estrateacutegia se destacou positivamente dos retornos
retratados pelo benchmark selecionado ou seja tenta mensurar quanto retorno a
estrateacutegia gerou acima do crescimentodecrescimento natural da economia
α = rd minus βrb (8)
onde rd eacute a meacutedia dos retornos diaacuterios da estrateacutegia rb eacute o retorno do benchmark e β
o coeficiente calculado1Paracircmetro utilizado como orientaccedilatildeo para avaliar o desempenho de um investimento
25
bull Value at Risk - V aR
Este paracircmetro estima o risco potencial de uma perda maacutexima de um ativo ou portfoacutelio
em um horizonte de tempo definido e com um determinado niacutevel de confianccedila Na
plataforma seu caacutelculo pelo meacutetodo parameacutetrico eacute feito assumindo a distribuiccedilatildeo
normal nos retornos diaacuterios de toda a carteira e considerando um niacutevel de confianccedila
de 95
V aR = ppf(0 05 rd σrd) (9)
onde ppf eacute a funccedilatildeo de densidade de probabilidade gaussiana rd eacute a meacutedia dos retor-
nos diaacuterios e σrd eacute o desvio padratildeo dos retornos diaacuterios O ponto de 5 corresponde
aproximadamente a 1645 desvios agrave esquerda da meacutedia dos retornos
26
Capiacutetulo 5
Modelos
Neste capiacutetulo vamos mostrar a formulaccedilatildeo do tratamento dos dados que seratildeo
utilizados nas etapas seguintes do trabalho a apresentaccedilatildeo de um modelo baseado
em um sistema de equaccedilotildees diferenciais lineares e a sua adaptaccedilatildeo para um novo
modelo de ajuste de pontos bem como a definiccedilatildeo de um modelo de previsatildeo de
tendecircncia de preccedilos
51 Tratamento dos dados
O preccedilo bruto de cada uma das n accedilotildees no tempo t isin Z1 eacute representado por xk(t)
(k = 1 2 middot middot middot n) Neste trabalho vamos utilizar dados com preccedilos tratados que
consistem nos desvios destes preccedilos brutos xk(t) em relaccedilatildeo a preccedilos considerados
justos Contudo determinar o preccedilo justo de cada accedilatildeo envolve diversas variaacuteveis que
natildeo estatildeo no foco do estudo Uma forma que estabelecemos como aproximaccedilatildeo para
o caacutelculo foi utilizar uma meacutedia moacutevel exponencial xk (t) calculada em um periacuteodo
precedente ao preccedilo bruto analisado definida como
xk (t) = (xk (tminus 1)minus xk (tminus 1))times 2
(S + 1)+ xk (tminus 1) (10)
onde S eacute um paracircmetro relacionado ao peso dado ao uacuteltimo valor xk(t) no caacutelculo e
xk (tminus 1) eacute a meacutedia moacutevel exponencial calculada no periacuteodo anterior2 Quanto maior o
tamanho de S menor o peso dado ao uacuteltimo preccedilo Neste trabalho utilizamos S = 12
1Embora t seja usualmente utilizado para definir tempo contiacutenuo no trabalho vamos utilizar para represen-tar tempo discreto
2A Eq (10) tem caracteriacutestica recursiva ou seja o caacutelculo de xk (t) depende de um valor de xk (t0) inicialDesta forma para o primeiro caacutelculo foi utilizada uma meacutedia simples calculada em uma janela de pontosprecedentes ao preccedilo analisado escolhida com tamanho S
xk(0) =1
S
t0minus1sumt=t0minusS
xk (t) (11)
27
para o caacutelculo das meacutedias moacuteveis que foram utilizadas como aproximaccedilatildeo para os
preccedilos justos Com isto a nova seacuterie de preccedilos tratados seraacute dada pela diferenccedila
entre o logaritmo dos preccedilos brutos e o logaritmo dos preccedilos considerados justos
definida como
Xk (t) = ln xk (t)minus ln xk (t) (12)
Consideramos que os desvios dos preccedilos brutos em relaccedilatildeo aos preccedilos justos eacute que
satildeo importantes para a representaccedilatildeo da dinacircmica das seacuteries Desta forma a partir
deste ponto em nossas anaacutelises utilizaremos as novas seacuteries de preccedilos tratados
Para ilustrar o comportamento das seacuteries construiacutemos a figura 4 que mostra o
logaritmo da seacuterie de preccedilos brutos x1 e da seacuterie de meacutedias moacuteveis x1 (em (a)) bem
como o logaritmo da seacuterie de preccedilos tratados X1 para a accedilatildeo ITUB4 (em (b)) A
escolha da seacuterie foi justificada por ser ITUB4 a accedilatildeo que tem a maior porcentagem
de participaccedilatildeo na carteira teoacuterica do Ibovespa do primeiro quadrimestre de 2017
Podemos observar que a curva das meacutedias moacuteveis representada pela linha pontilhada
eacute mais suave que a curva dos valores brutos Tambeacutem observamos que a curva de
preccedilos tratados X1 tende a se aproximar da origem apoacutes as variaccedilotildees observadas
52 Ajuste linear do dados
O modelo de equaccedilotildees diferenciais lineares que propusemos em (RESENDE et al
2017) eacute dado na formad
dtXa (t) = BXa (t) (13)
onde
Xa(t) =
X1(tminus n+ 1) middot middot middot X1(tminus 1) X1(t)
X2(tminus n+ 1) middot middot middot X2(tminus 1) X2(t)
Xn(tminus n+ 1) middot middot middot Xn(tminus 1) Xn(t)
e
B =
B11 B12 middot middot middot B1n
B21 B22 middot middot middot B2n
Bn1 Bn2 middot middot middot Bnn
A equaccedilatildeo (13) equivale a n equaccedilotildees do tipo
d
dt
X1(τ)
X2(τ)
Xn(τ)
= B
X1(τ)
X2(τ)
Xn(τ)
(14)
28
357
358
359
36
361
362lnx1lnx1
0 100 200 300 400 500minus002
minus001
0
001
002
003
t
lnX
1
(a)
(b)
Figura 4 ndash Comparaccedilatildeo de preccedilos brutos meacutedias moacuteveis e preccedilos tratados da seacuterieda ITUB4 (k = 1) A figura mostra 500 pontos com granularidade de 5 minutospara a accedilatildeo com maior participaccedilatildeo na carteira teoacuterica do Ibovespa no primeiroquadrimestre de 2017 (a) A linha contiacutenua representa a evoluccedilatildeo do logaritmodos preccedilos brutos lnx1 e a linha pontilhada descreve as meacutedias moacuteveis ln x1 (b)Representa os preccedilos tratados lnX1
com tminus n+ 1 le τ le t
Neste modelo consideramos que os desvios dos preccedilos brutos em relaccedilatildeo aos
preccedilos considerados justos satildeo os elementos importantes para a caracterizaccedilatildeo das
dinacircmicas das seacuteries
Discretizando o modelo de equaccedilotildees diferenciais representado pela equaccedilatildeo (13)
obtemos
Xa(t)minusXa(tminus 1)
∆t= BXa(t) (15)
equivalente a
29
Xa(tminus 1) = Xa(t)minus∆tBXa(t) (16)
= (Iminus∆tB)Xa(t)
onde I eacute a matriz identidade ntimesn Assumindo que Aa = (Iminus∆tB)minus1 existe podemos
escrever
Xa(t) = AaXa(tminus 1) (17)
No modelo apresentado acima se existir a inversa de Xa(tminus 1) podemos encontrar
as matrizes Aa perfeitamente ajustadas para a equaccedilatildeo (17) isto eacute o sistema definido
desta maneira apresenta soluccedilotildees que passam em todos os pontos no intervalo [tminusn
t] Agora adaptaremos o modelo buscando matrizes Aa que satildeo aproximadamente
ajustadas em intervalos maiores Para a definiccedilatildeo suponha que a evoluccedilatildeo dos preccedilos
tratados ainda possa ser expressa pela combinaccedilatildeo linear das n accedilotildees analisadas
sendo
X(t) = AX(tminus 1) + ε (18)
onde
X(t) =
X1(tminusR + 1) X1(tminus 1) X1(t)
X2(tminusR + 1) X2(tminus 1) X2(t)
Xn(tminusR + 1) Xn(tminus 1) Xn(t)
X(tminus 1) =
X1(tminusR) X1(tminus 2) X1(tminus 1)
X2(tminusR) X2(tminus 2) X2(tminus 1)
Xn(tminusR) Xn(tminus 2) Xn(tminus 1)
A =
A(1 1) A(1 nminus 1) A(1 n)
A(2 1) A(2 nminus 1) A(2 n)
A(n 1) A(n nminus 1) A(n n)
ε =
ε1(tminusR + 1) ε1(tminus 1) ε1(t)
ε2(tminusR + 1) ε2(tminus 1) ε2(t)
εn(tminusR + 1) εn(tminus 1) εn(t)
ε eacute o erro associado ao ajuste R eacute a quantidade de pontos utilizados no ajuste e n
a quantidade de accedilotildees analisadas Os diferentes valores que R pode assumir seratildeo
testados e apresentados mais detalhadamente na seccedilatildeo 61
30
Observe que a equaccedilatildeo (18) eacute diferente da equaccedilatildeo (17) uma vez que existe um erro
associado ao ajuste aproximado e tambeacutem pelo fato de que Xa(t)(Xa(tminus 1)) eacute ntimes ne X(t)(X(tminus 1)) eacute da ordem ntimesR e consequentemente a matriz de coeficientes A
eacute diferente de B
Expandindo a equaccedilatildeo (18) para tminusR + 1 le τ le t o sistema fica na formaX1(τ) = A(1 1)X1(τ minus 1) + A(1 2)X2(τ minus 1) + A(1 n)Xn(τ minus 1) + ε1(τ)
X2(τ) = A(2 1)X1(τ minus 1) + A(2 2)X2(τ minus 1) + A(2 n)Xn(τ minus 1) + ε2(τ)
Xn(τ) = A(n 1)X1(τ minus 1) + A(n 2)X2(τ minus 1) + A(n n)Xn(τ minus 1) + εn(τ)
(19)
A equaccedilatildeo (18) se assemelha a um modelo de regressatildeo linear multivariado En-
tretanto a sua validaccedilatildeo como tal modelo depende da capacidade do mesmo em
representar a dinacircmica que produziu os dados A possiacutevel violaccedilatildeo das premissas
de um modelo de regressatildeo natildeo invalida o nosso modelo Como veremos adiante
estamos interessados nos resultados de acerto de tendecircncia que seratildeo analisados
com rigor estatiacutestico De fato natildeo esperamos que um modelo linear seja capaz de
representar a dinacircmica do mercado financeiro O que eacute refletido na distribuiccedilatildeo dos
erros que natildeo atendem as premissas de independecircncia e normalidade Contudo
as matrizes apresentaram melhores resultados em termos computacionais e de
qualidade das soluccedilotildees que os obtidos com o meacutetodo do gradiente explorado em
trabalhos anteriores (RESENDE et al 2017)
Na equaccedilatildeo (18) desconsiderando o erro a partir dos X(t) e X(t minus 1) podemos
definir a matriz de coeficientes A de forma anaacuteloga agrave descrita por (AGUIRRE 2007)
Como a matriz X(t minus 1) natildeo eacute quadrada ela natildeo pode ser invertida Entretanto
podemos multiplicar a equaccedilatildeo (18) em ambos os lados por X(t minus 1)T e obter A
fazendo
X(t)X(tminus 1)T = AX(tminus 1)X(tminus 1)T
A(X(tminus 1)X(tminus 1)T )(X(tminus 1)X(tminus 1)T )minus1 = X(t)X(tminus 1)T (X(tminus 1)X(tminus 1)T )minus1
A = (X(t)X(tminus 1)T )(X(tminus 1)X(tminus 1)T )minus1 (20)
Para as manipulaccedilotildees algeacutebricas consideramos a existecircncia da inversa de (X(tminus1)X(t minus 1)T ) Outra forma para estimar a matriz A eacute atraveacutes do meacutetodo dos miacuteni-
mos quadrados conforme descrito por (AGUIRRE 2007) A teacutecnica da otimizaccedilatildeo
matemaacutetica eacute apresentada no apecircndice A para complementar o trabalho
31
A matriz A pode variar de acordo com a escolha de t conforme a equaccedilatildeo (20)
Deste modo usaremos a notaccedilatildeo A(t) para a denotar a matriz A calculada utilizando
pontos do tempo tminusR ateacute o tempo t
Com a matriz X(t) e X(tminus 1) podemos calcular a variaccedilatildeo nos preccedilos das accedilotildees
que eacute a diferenccedila do preccedilo da accedilatildeo no periacuteodo t em relaccedilatildeo ao periacuteodo anterior tminus 1
Esta variaccedilatildeo do preccedilo ∆X(t) eacute denominada retorno do ativo definida por
∆X(t) =
∆X1(t)
∆X2(t)
∆Xn(t)
(21)
sendo
∆Xk(t) = Xk(t)minusXk(tminus 1) (22)
= log
(xk(t)
xk(t)
)minus log
(xk(tminus 1)
xk(tminus 1)
)
onde usamos no passo final a equaccedilatildeo (12)
53 Modelo de previsatildeo
Para tentar prever o preccedilo no tempo t + 1 vamos utilizar como paracircmetro a matriz
A(t) Para tanto eacute desejaacutevel que A(t) varie pouco no tempo sendo A(t) proacutexima a
A(tminus 1) Trabalhamos com a hipoacutetese de linearidade local na vizinhanccedila de t Para
analisar esta variaccedilatildeo da matriz A(t) no tempo definimos a distacircncia
d (A(t)A(tminus 1)) =
radicradicradicradic nsumi=1
nsumj=1
|A(t)ij minus A(tminus 1)ij|2 (23)
onde A(t)ij (A(tminus 1)ij) eacute o elemento da matriz A(t) (A(tminus 1)) na linha i e coluna j
entre as matrizes adjacentes A(t) e A(tminus 1) para vaacuterios valores de R e mostramos
os resultados na figura 5
32
0
5
10
15
20
25
30
200 400 600 800 1000minus05
0
05
1
15
0
2
4
6
8
d
200 400 600 800 1000minus05
0
05
1
R
(a) (c)
(d)(b)
Figura 5 ndash Distribuiccedilatildeo das distacircncias entre as matrizes A em tempos adjacentespara valores de R variando de 100 a 1000 Foram realizadas 5 000 execuccedilotildeespara as accedilotildees do Ibovespa e 3 900 para as accedilotildees que compotildeem o Dow JonesUtilizamos seacuteries de preccedilos com granularidade de 5 minutos no periacuteodo de020117 a 280417 (primeiro quadrimestre de 2017) A linha contiacutenua representaa meacutedia das distacircncias e a linha pontilhada mostra a meacutedia de dplusmn os desvios (a)Calculamos a distacircncia entre as matrizes adjacentes obtidas para todas as accedilotildeesdo iacutendice Dow Jones (b) Distacircncia das matrizes adjacentes obtidas utilizando as10 accedilotildees com maiores participaccedilotildees no iacutendice Dow Jones (c) Distacircncia entreas matrizes adjacentes calculadas utilizando todas as accedilotildees que compotildeem acarteira teoacuterica do Ibovespa (d) Distacircncia entre as matrizes obtidas utilizando as10 accedilotildees com maiores pesos de participaccedilatildeo na composiccedilatildeo do Ibovespa
33
Analisando os resultados da figura 5 obtidos com a Eq (20) percebemos que agrave
medida em que aumentamos o valor de R as distacircncias entre as matrizes calculadas
em tempos adjacentes diminuiacuteram Anaacutelises da quantidade de accedilotildees tamanho de R
e outras seratildeo exploradas no Cap 6
Com a perspectiva de que a matriz A(t) calculada utilizando-se R + 1 preccedilos passa-
dos varie pouco e com isso seja uma boa estimativa para A(t+ 1) a empregamos
como instrumento para o modelo de previsatildeo Este modelo seraacute baseado na equaccedilatildeo
(18) definido por
X(t+ 1) = A(t)Xc(t) (24)
onde A(t) foi obtida com os R + 1 preccedilos ateacute o tempo t
X(t+ 1) =
X1(t+ 1)
X2(t+ 1)
Xn(t+ 1)
eacute a matriz com preccedilos previstos das accedilotildees no tempo t+ 1 e
Xc =
X1(t)
X2(t)
Xn(t)
eacute uma matriz coluna com os valores dos preccedilos tratados no tempo t
Mesmo que haja pouca variaccedilatildeo entre as matrizes A(t) e A(t+1) eacute natural obtermos
um erro associado agrave previsatildeo
O retorno previsto das accedilotildees eacute dado por
∆X(t+ 1) =
∆1X(t+ 1)
∆2X(t+ 1)
∆nX(t+ 1)
(25)
onde
∆Xk(t+ 1) = Xk(t+ 1)minusXk(t) (26)
Os retornos reais ∆X(t+1) e os previstos ∆X(t) dos ativos satildeo referentes a retornos
de preccedilos tratados A partir destes valores podemos definir tendecircncias poreacutem para
analisar a direccedilatildeo destes preccedilos eacute preciso analisar dados de preccedilos brutos x(t) e natildeo
mais os preccedilos tratados X(t) Para o caacutelculo com estes dados brutos eacute preciso fazer
a operaccedilatildeo para reverter os dados tratados que foram utilizados ateacute este ponto do
34
trabalho Para o tratamento inicial dos dados utilizamos a equaccedilatildeo (12) reproduzida
abaixo
Xk (t) = ln xk (t)minus ln xk (t) (27)
onde Xk(t) eacute o preccedilo tratado de fechamento da accedilatildeo k no tempo t xk(t) eacute o preccedilo
bruto de fechamento da accedilatildeo k no tempo t e xk eacute a meacutedia moacutevel calculada utilizando
dados precedentes a xk(t)
Para transformar os preccedilos tratados em preccedilos brutos partimos da equaccedilatildeo (12) e
obtemos
xk(t) = xk(t) lowast eXk(t) (28)
Evidentemente os preccedilos brutos reais satildeo conhecidos e este procedimento eacute impor-
tante para calcularmos preccedilos brutos previstos Assim podemos definir os retornos
de preccedilos brutos reais ∆x(t) e os previstos ∆x(t) utilizando as equaccedilotildees 22 e 26
respectivamente
A partir da variaccedilatildeo do preccedilo no periacuteodo podemos definir o vetor de tendecircncia
T =
T1(t)
T2(t)
Tn(t)
(29)
onde T assume os valores minus1 0 e 1 sendo minus1 associado agrave tendecircncia de baixa 0
sinal neutro e 1 agrave tendecircncia de alta do preccedilo Deste ponto em diante do trabalho
estamos interessados apenas na tendecircncia e natildeo no valor do preccedilo previsto Assim o
bom resultado do modelo ocorreraacute quando a tendecircncia do preccedilo previsto for igual a
tendecircncia observada do preccedilo real Deste modo o desempenho do modelo seraacute dado
pela acuraacutecia
a =Nc
N (30)
onde Nc eacute o nuacutemero de previsotildees de tendecircncias corretas e N eacute o nuacutemero total de
previsotildees executadas pelo modelo de previsatildeo
Nos resultados que apresentamos em (RESENDE et al 2017) mostramos que o
tamanho do retorno previsto traz informaccedilatildeo sobre a tendecircncia Logo dividimos o
conjunto de retornos previstos U em 4 subconjuntos U1 U2 U3 e U4 de forma que
cada subconjunto contenha um quarto dos retornos previstos Os maiores retornos
(em moacutedulo) estatildeo em U4 seguidos pelos retornos em U3 U2 e U1 nesta ordem Os
melhores resultados em (RESENDE et al 2017) foram obtidos para o subconjunto
U4 Portanto neste trabalho vamos analisar apenas as tendecircncias previstas obtidas
com retornos previstos em U4 Para verificar se os retornos previstos estatildeo em U4
considerado o quarto quartil utilizamos uma janela de tamanho Q = 100 pontos A
35
janela Q eacute ordenada e 25 dos maiores valores satildeo armazenados em U4 Desta
forma a primeira operaccedilatildeo soacute poderaacute ocorrer a partir do (Q+1)-eacutesimo sinal produzido
Antes disso o modelo sempre retornaraacute sinais neutros Para verificar se o (Q+ 1)-
eacutesimo sinal estaacute em U4 comparamos se o seu valor eacute maior que o sinal armazenado
na posiccedilatildeo 75 da janela Q de retornos precedentes dispostos em ordem crescente
Se a condiccedilatildeo eacute satisfeita o modelo envia um sinal vaacutelido caso contraacuterio um sinal
neutro eacute enviado
36
Capiacutetulo 6
Exploraccedilatildeo do modelo de previsatildeo
O modelo apresentado na seccedilatildeo 52 conforme a equaccedilatildeo (18) foi utilizado para
desenvolver o modelo de previsatildeo representado pela equaccedilatildeo (24) Neste capiacutetulo
vamos explorar algumas das possibilidades de combinaccedilotildees de paracircmetros para
ajustar este modelo de forma a obter melhores acuraacutecias Entretanto encontrar a
combinaccedilatildeo oacutetima de paracircmetros envolve anaacutelises que natildeo estatildeo no foco do trabalho
O capiacutetulo seraacute organizado no seguinte modo na seccedilatildeo 61 investigaremos se haacute uma
relaccedilatildeo entre a acuraacutecia a e a variaccedilatildeo da quantidade de pontos R utilizados para
calcular a matriz de coeficientes A Na seccedilatildeo 62 vamos investigar se a quantidade
de accedilotildees interfere na acuraacutecia do modelo Na seccedilatildeo 63 analisaremos a relaccedilatildeo da
acuraacutecia do modelo com a granularidade dos dados Na seccedilatildeo 64 calcularemos
os expoentes de Hurst das seacuteries de preccedilos das accedilotildees e analisaremos se haacute uma
relaccedilatildeo entre as acuraacutecias obtidas e os seus expoentes de Hurst Jaacute na seccedilatildeo 65
vamos investigar se as taxas de acuraacutecia calculadas em um quadrimestre se mantecircm
no quadrimestre seguinte Com esta anaacutelise estamos interessados em verificar se o
modelo se mantecircm para outro periacuteodo Tambeacutem vamos selecionar quais as accedilotildees que
apresentam melhores acuraacutecias no primeiro quadrimestre e investigar as acuraacutecias
do modelo para estas accedilotildees no segundo quadrimestre Na seccedilatildeo 66 vamos elaborar
uma votaccedilatildeo em relaccedilatildeo agrave tendecircncia entre diferentes tamanhos de R
61 Variaccedilotildees do tamanho de R
O objetivo do modelo eacute prever a tendecircncia do preccedilo no tempo t + 1 Para isto ele
utiliza a matriz de coeficientes A que minimiza a diferenccedila quadraacutetica entre a matriz
de preccedilos reais X(t+ 1) e a matriz de preccedilos previstos X(t+ 1) Para calcular esta
matriz A eacute preciso R+ 1 pontos Natildeo sabemos o tamanho ideal de R logo definimos
a quantidade de pontos baseados em alguns testes baacutesicos de acuraacutecia do modelo
na previsatildeo de tendecircncia de preccedilos No Capiacutetulo 5 Eq (30) reproduzida abaixo
37
definimos a acuraacutecia para cada accedilatildeo como
a =Nc
N (31)
onde Nc eacute o nuacutemero de previsotildees corretas e N eacute o nuacutemero total de previsotildees
Como estamos analisando diferentes tamanhos de R para vaacuterias accedilotildees vamos definir
a acuraacutecia meacutedia
a =
nsumk
ak
n(32)
e o desvio padratildeo
σa =
radicradicradicradicradic nsumk
(ak minus a)2
nminus 1 (33)
onde ak eacute a acuraacutecia a para cada accedilatildeo k e n eacute o nuacutemero total de accedilotildees analisadas
Nesta anaacutelise uma acuraacutecia meacutedia a envolvendo todas as k accedilotildees eacute calculada para
cada tamanho de R A figura 6 mostra a acuraacutecia meacutedia a e plusmnσa do modelo para
todas as accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa Os dados analisados
satildeo referentes ao primeiro quadrimestre de 2017 Utilizamos diferentes tamanhos de
R variando de 100 a 1100 com incremento de 10 pontos a cada nova execuccedilatildeo do
programa O objetivo desta figura eacute sinalizar o momento em que natildeo haacute mais ganhos
significativos na acuraacutecia agrave medida que aumentamos o tamanho de R
38
048
05
052
054
056
100 200 300 400 500 600 700 800 900 1000048
05
052
054
056
macr a
(a)
(b)
R
Figura 6 ndash Acuraacutecia meacutedia para todas as n accedilotildees que compotildeem os iacutendices Dow Jo-nes e Ibovespa Os dados analisados satildeo referentes agraves seacuteries de preccedilos comgranularidade de 5 minutos no periacuteodo de 020117 a 280417 (primeiro quadri-mestre de 2017) Foram utilizados diferentes tamanhos de R Com valor inicialde R = 100 com incremento de 10 Para cada valor de R foram realizadas 5000execuccedilotildees para a seacuterie do Ibovespa e 3900 para Dow Jones (a) A linha contiacutenuarepresenta a acuraacutecia meacutedia a obtida para todas as accedilotildees do iacutendice Dow JonesA linha pontilhada representa a acuraacutecia meacutedia a plusmnσa das acuraacutecias obtidas (b)A linha contiacutenua mostra a acuraacutecia meacutedia a de todas as accedilotildees que compotildeema carteira teoacuterica do iacutendice Ibovespa A linha pontilhada apresenta a acuraacuteciameacutedia a plusmnσa
39
Podemos observar na figura 6 que para valores maiores de R a curva da acuraacutecia
meacutedia a tende a quase se estabilizar poreacutem ainda podemos perceber um leve cres-
cimento Para analisar se ainda haacute ganhos na acuraacutecia para valores de R gt 500
calculamos o coeficiente angular β e os coeficientes de determinaccedilatildeo r 2 da reta de
ajuste aos pontos com valores de R superiores a 500 Os coeficientes angulares β
para todas as accedilotildees dos igravendices Dow Jones e Ibovespa calculados para o intervalo
500 le R le 1000 foram β = 5 63 times 10minus5 e β = 1 24 times 10minus5 respectivamente
Embora pequenos natildeo satildeo irrelevantes observe que numa variaccedilatildeo de 0 02 na
acuraacutecia (o que eacute significativo) entre R = 500 e R = 1000 temos coeficiente angular
4times 10minus5 ou seja na ordem dos observados Os coeficientes de determinaccedilatildeo foram
r 2 = 0 2905 para todas as accedilotildees do iacutendice Dow Jones e r 2 = 0 6295 para todas
as accedilotildees do Ibovespa Eles indicam que o ajuste linear natildeo eacute satisfatoacuterio Contudo
isto natildeo eacute relevante aqui uma vez que estamos interessados sobretudo no caraacuteter
crescente das curvas Os valores de β e r2 obtidos satildeo apresentados na tabela 2
Valores dos coeficientes angulares β calculados para o intervalo 500 le R le 1000
pequenos poreacutem positivos indicam crescimento da curva e nos motivam a investigar
o comportamento do graacutefico para valores de R maiores que 1000
Tabela 2 ndash Coeficientes angulares (β) e os correspondentes coeficientes de determinaccedilatildeo(r 2) para o ajuste linear das curvas de acuraacutecias meacutedias a para diferentes valoresde R das Fig 6 e 7
Todas Accedilotildees (Fig 6) 10 Accedilotildees + (Fig 7)
Dow Jonesβ 5 63times 10minus5 9 79times 10minus5
r2 02905 062953
Ibovespaβ 1 24times 10minus4 9 98times 10minus5
r2 0 6970 0 7629
Nota Para a Fig 6 que analisa o conjunto de todas as accedilotildees que compotildeem os iacutendices Dow Jones eIbovespa os coeficientes β e r2 foram calculados para o intervalo de 500 le R le 1000 Jaacute na Fig 7os coeficientes β e r2 foram calculados para o intervalo de 1000 le R le 2000 Todos os coeficientes
β satildeo positivos indicando que as evoluccedilotildees das curvas ainda satildeo positivas
Para cada tamanho de R satildeo realizadas 5000 execuccedilotildees para as accedilotildees do Ibovespa
e 3900 para as accedilotildees do Dow Jones A diferenccedila na quantidade de execuccedilotildees entre
Dow Jones e Ibovespa eacute devida ao menor tempo diaacuterio de permanecircncia do pregatildeo
de negociaccedilatildeo do Dow Jones em relaccedilatildeo ao Ibovespa Com isso as quantidades
de dados disponiacuteveis nas amostras satildeo diferentes Ainda assim o nuacutemero de exe-
cuccedilotildees para cada valor de R eacute grande Como estamos interessados em analisar
mais tamanhos diferentes de R vamos diminuir o nuacutemero de accedilotildees envolvidas nos
testes O criteacuterio para escolha destas accedilotildees eacute selecionar as 10 accedilotildees com maiores
pesos nos iacutendices Ibovespa e Dow Jones As composiccedilotildees e as ordens de pesos das
participaccedilotildees nos iacutendices Ibovespa e Dow Jones satildeo apresentadas nas tabelas 26 e
27 respectivamente
40
Nesta anaacutelise utilizando valores maiores de pontos nos ajustes vamos explorar R
variando de 10 a 2000 com incremento de 10 pontos a cada nova execuccedilatildeo do
programa Para cada execuccedilatildeo foram realizadas 3000 e 2000 previsotildees para as
10 accedilotildees com maiores pesos de participaccedilatildeo nos iacutendices Ibovespa e Dow Jones
respectivamente A figura 7 apresenta as acuraacutecias meacutedias a linha contiacutenua e a plusmnσalinha pontilhada obtidos na anaacutelise
10 200 400 600 800 1000 1200 1400 1600 1800 2000045
05
055
06
R
a
045
05
055
06
(a)
(b)
Figura 7 ndash Acuraacutecia meacutedia para as 10 accedilotildees com maiores participaccedilotildees na carteirateoacuterica do Ibovespa E Dow Jones Os dados analisados satildeo referentes agravesseacuteries de preccedilos de fechamento com granularidade de 5 minutos no periacuteodode 020117 a 280417 (primeiro quadrimestre de 2017) Foram utilizados 200diferentes tamanhos de R Com o valor inicial de R = 10 com incremento de10 Para cada valor de R foram realizadas 3000 execuccedilotildees com as seacuteries dasaccedilotildees do Ibovespa e 2000 com a seacuteries do Dow Jones (a) A linha contiacutenuarepresenta a acuraacutecia meacutedia obtida para as 10 accedilotildees com maior participaccedilatildeo doiacutendice Dow Jones A linha pontilhada representa a meacutedia plusmnσa que eacute o desviopadratildeo das acuraacutecias obtidas (b) A linha contiacutenua mostra a acuraacutecia meacutedia paraas 10 as accedilotildees com maior peso de participaccedilatildeo na carteira teoacuterica do iacutendiceIbovespa A linha pontilhada apresenta a acuraacutecia meacutedia plusmnσa
Analisando a figura 7 percebemos que agrave medida que aumentamos os valores de R a
curva da acuraacutecia meacutedia tende a oscilar menos Isso acontece devido ao incremento de
41
10 novos pontos serem cada vez menos significativos agrave medida em que aumentamos a
quantidade de pontos na janela O efeito eacute mais evidente ao compararmos os valores
de R proacuteximos a 10 com aqueles no final da seacuterie
A figura 7 sugere que a acuraacutecia para as accedilotildees do iacutendice Dow Jones tende a se
estabilizar para valores de R ge 400 pontos Poreacutem a curva ainda mostra um leve
crescimento dos resultados Para as accedilotildees do iacutendice Ibovespa eacute evidente que a
curva de acuraacutecia apresenta ganhos significativos agrave medida em que aumentamos o
tamanho de R Estas observaccedilotildees satildeo evidenciadas pelos valores dos coeficientes
angulares apresentados na tabela 2 Desta forma na aplicaccedilatildeo do modelo seria ideal
utilizar tamanhos maiores de R mas esta quantidade de pontos definida para o ajuste
afeta diretamente o tamanho da amostra restante para fazer as N previsotildees a cada
execuccedilatildeo do programa Por isto definimos baseados nas figuras 6 e 7 um valor de R
que natildeo comprometa a acuraacutecia e nem o tamanho da amostra Uma escolha coerente
da quantidade de pontos para utilizar no ajuste eacute R = 1000
As figuras 6 e 7 nos mostram as acuraacutecias meacutedias a Como estes resultados se
referem agraves meacutedias das acuraacutecias a de todas as accedilotildees para cada valor de R natildeo po-
demos visualizar o comportamento individual das accedilotildees para os diferentes tamanhos
de R Com isto para mostrar a dispersatildeo das acuraacutecias da accedilotildees para cada valor de
R construiacutemos os boxplots1 dos resultados A dispersatildeo localizaccedilatildeo e simetria das
acuraacutecias podem ser representadas pela figura 9 As caixas contecircm 50 dos dados
sendo o primeiro quartil (Q1) a mediana e o terceiro quartil (Q3) A altura da caixa eacute a
amplitude interquartil (AIQ) que eacute dada pela distacircncia entre Q1 e Q3 A linha superior
eacute traccedilada iniciando em Q3 ateacute o maior valor observado dentro da faixa com o conjunto
de pontos que vai de Q3 ateacute o valor do limite superior (Ls) calculado utilizando 1 5
vezes o valor do interquartil AIQ
Ls = Q3 + 1 5AIQ (34)
A linha inferior eacute traccedilada iniciando-se em Q1 ateacute o menor valor que eacute encontrado
dentro da faixa que comeccedila em Q1 e se estende ateacute o valor do limite inferior (Li)
calculado utilizando 1 5 do valor do interquartil AIQ
Li = Q1minus 1 5AIQ (35)
Os pontos fora destas linhas traccediladas satildeo chamados outliers (MONTGOMERY 2008)
A figura 8 mostra as caracteriacutesticas do boxplot Como esperado a figura 9 mostra que
as accedilotildees que compotildeem o iacutendice Ibovespa apresentam mais outliers com altas taxas
de acuraacutecia quando comparadas agraves accedilotildees do iacutendice Dow Jones
1Diagrama de caixa Eacute uma apresentaccedilatildeo graacutefica que descreve simultaneamente vaacuterias caracteriacutesticasde um conjunto de dados observados(MONTGOMERY 2008)
42
049
05
051
052
053
054
055
056
1
Terceiro quartil
Mediana
Valor Miacutenimo
Valor Maacuteximo
Outlier
Quarto quartil
Figura 8 ndash Exemplo de um formato de um boxplot
43
0 10 20 30 40 50 60 70 80 90 100
05
055
06
065
07
045
05
055 (a)
(b)
Figura 9 ndash Boxplot da Acuraacutecia para todas as accedilotildees que compotildeem os iacutendices DowJones e Ibovespa Os dados utilizados foram preccedilos de fechamento das accedilotildeesque compotildeem os iacutendices Dow Jones e Ibovespa com granularidade de 5 minutosno periacuteodo de 020117 a 280417 (primeiro quadrimestre de 2017) Foramanalisados 100 diferentes tamanhos de R Para cada valor de R foram realizadas3900 execuccedilotildees para as accedilotildees do iacutendice Dow Jones e 5000 execuccedilotildees paraas accedilotildees que compotildeem a carteira teoacuterica do Ibovespa (a) Boxplots com asacuraacutecias para todas as accedilotildees do Dow Jones (b) Acuraacutecias para todas as accedilotildeesdo iacutendice Ibovespa
44
62 Variaccedilotildees da quantidade de accedilotildees
Um ponto a ser questionado refere-se agrave quantidade de accedilotildees n que devemos usar
para calibrar o modelo de forma a obter a melhor acuraacutecia Para investigar a influecircncia
deste valor n nos resultados do modelo desenvolvemos uma anaacutelise que consiste
em executar o modelo com o nuacutemero miacutenimo de combinaccedilotildees n = 2 e expandir
ateacute o nuacutemero maacuteximo de accedilotildees que compotildeem os iacutendices Ibovespa e Dow Jones
O valor de n aumenta seguindo a ordem decrescente do peso de participaccedilatildeo das
accedilotildees nos iacutendices Para esta anaacutelise utilizamos os dados de preccedilos de fechamento
das accedilotildees com granularidade de 5 minutos no periacuteodo de 020117 a 280417 que se
refere ao primeiro quadrimestre de 2017 A quantidade de pontos utilizada no ajuste
foi R = 1000 pontos Para cada combinaccedilatildeo de n accedilotildees realizamos N = 3000
previsotildees para as seacuteries do Ibovespa e N = 2000 previsotildees para as seacuteries do Dow
Jones A figura 10 mostra a acuraacutecia meacutedia a e plusmnσa para diferentes combinaccedilotildees de
quantidades de accedilotildees envolvidas no modelo
45
2 5 10 15 20 25046
048
050
052
054
056
2 5 10 15 20 25 30 35 40 45 50 55045
050
055
06(b)
(a)
Figura 10 ndash Acuraacutecia meacutedia para diferentes valores de n accedilotildees que compotildeem ascarteiras do Ibovespa e Dow Jones O valor de n aumenta seguindo aordem decrescente do peso de participaccedilatildeo das accedilotildees nos iacutendices Os dadosanalisados satildeo referentes agraves seacuteries de preccedilos de fechamento com granularidadede 5 minutos no periacuteodo de 020117 a 280417 (primeiro quadrimestre de2017) A quantidade de pontos utilizados no ajuste foi R = 1000 Foramrealizadas 3000 previsotildees com as seacuteries das accedilotildees do Ibovespa e 2000 comas seacuteries do Dow Jones (a) A linha contiacutenua representa a acuraacutecia meacutediaobtida para n variando de 2 a 30 accedilotildees que compotildeem o iacutendice Dow Jones Alinha pontilhada representa a meacutedia plusmnσa que eacute o desvio padratildeo das acuraacuteciasobtidas (b) A linha contiacutenua mostra a acuraacutecia meacutedia para n variando de 2 a 58accedilotildees que compotildeem a carteira teoacuterica do iacutendice Ibovespa A linha pontilhadaapresenta a acuraacutecia meacutedia plusmnσa
46
Na figura 10 percebemos uma variaccedilatildeo maior nas acuraacutecias meacutedias a para as
combinaccedilotildees de n accedilotildees do Ibovespa quando comparadas agraves acuraacutecias obtidas
com as accedilotildees do iacutendice Dow Jones Este resultado eacute mais evidente para valores
menores de n As combinaccedilotildees de n accedilotildees do iacutendice Dow Jones satildeo mais estaacuteveis
e como esperado apresentam valores de acuraacutecias meacutedias a menores quando
comparados aos resultados das combinaccedilotildees das accedilotildees do Ibovespa uma vez que a
bolsa americana eacute mais eficiente que a brasileira Para as combinaccedilotildees das accedilotildees
do Ibovespa observamos um pico maior em torno de n = 10 e depois uma certa
estabilizaccedilatildeo de a Isto nos ajuda a definir a quantidade de accedilotildees que devemos usar
para calibrar o modelo
63 Variaccedilatildeo da granularidade
Nesta seccedilatildeo vamos analisar as acuraacutecias para dados com granularidade de 51015
20 e 30 minutos Para simetria das anaacutelises definimos que o modelo deve ser aplicado
em um mesmo intervalo de tempo Com isto agrave medida em que aumentamos a
granularidade das seacuteries diminuiacutemos a quantidade de dados da amostra Assim
nesta anaacutelise natildeo utilizamos o valor de R definido da seccedilatildeo 61 O intervalo de
negociaccedilatildeo tambeacutem foi alterado para um periacuteodo referente a 2 quadrimestres A
quantidade de dados utililizada no ajuste foi R = 500 e o periacuteodo de negociaccedilatildeo foi
de 020117 a 310817 (primeiro e segundo quadrimestres de 2017) Baseados na
seccedilatildeo 62 aleacutem da composiccedilatildeo total do iacutendice uma nova combinaccedilatildeo quantidade de
accedilotildees n = 10 tambeacutem foi analisada A tabela 3 mostra as meacutedias das acuraacutecias a
para os paracircmetros definidos
Tabela 3 ndash Acuraacutecia do modelo aplicado a diferentes granularidades de tempo para R = 500
Iacutendice n 5rsquo 10rsquo 15rsquo 20rsquo 30rsquo
Dow Jones30 05079 (00092) 05065 (00090) 05012 (00162) 05052 (00255) 05022 (00309)10 05132 (00116) 05062 (00136) 05143 (00178) 05061 (00201) 04976 (00337)
Ibovespa58 05216 (00260) 05222 (00287) 05185 (00271) 05215 (00276) 05143 (00338)10 05316 (00294) 05196 (00200) 05187 (00186) 05033 (00268) 05021 (00251)
Nota Os resultados satildeo referentes agraves meacutedias e os desvios das acuraacutecias do modelo de todas as accedilotildees quecompotildeem os iacutendices Dow Jones (30 accedilotildees) e Ibovespa (58 accedilotildees) Tambeacutem analisamos as 10 accedilotildees com
maiores participaccedilotildees nesses iacutendices Os dados analisados satildeo referentes aacutes seacuteries de preccedilos defechamento com granularidades de 5 10 15 20 e 30 minutos no periacuteodo de 02-01-17 a 31-08-17 (primeiro e
segundo quadrimestres de 2017) A quantidade de pontos utilizada no ajuste foi R = 500
Analisando a tabela 3 percebemos que natildeo haacute grandes oscilaccedilotildees nas acuraacutecias
meacutedias a quando variamos a granularidade da base de dados Menores variaccedilotildees da
acuraacutecia meacutedia a satildeo observadas quando aplicamos o modelo para todas as accedilotildees
do iacutendice Dow Jones Para a combinaccedilatildeo das 10 accedilotildees com maiores pesos um
moderado aumento nas acuraacutecias foi obtido para as granularidades de 5 e 15 minutos
47
Para as accedilotildees do Ibovespa maiores oscilaccedilotildees foram observadas principalmente
para a combinaccedilatildeo das 10 accedilotildees com maiores participaccedilotildees no iacutendice A maior
acuraacutecia meacutedia obtida foi para a granularidade de 5 minutos a = 0 5316 Em linhas
gerais observamos uma discreta tendecircncia que a acuraacutecia diminua com o aumento
da granularidade dos dados para as accedilotildees do Ibovespa Para as accedilotildees do iacutendice Dow
Jones natildeo observamos tendecircncia alguma
64 Anaacutelise da acuraacutecia em funccedilatildeo do expoente de Hurst
das seacuteries
O expoente de Hurst (H) aplicado a seacuteries de preccedilos de accedilotildees nos permite visualizar
o comportamento dos dados em relaccedilatildeo agrave memoacuteria de longo prazo Nas nossas
anaacutelises vamos utilizar o meacutetodo alternativo DFA introduzido por (PENG et al 1994)
que tambeacutem foi explorado por (HU et al 2001) e (CHEN et al 2002) Para realizar o
caacutelculo consideramos uma seacuterie de retornos ∆x(i) (i = 1 2 middot middot middot Nmax) Integrando
tal seacuterie obtemos
y(j) =
jsumi=1
(∆x(i)minus 〈∆x〉) (36)
onde 〈∆x〉 eacute a meacutedia
〈∆x〉 =1
Nmax
Nmaxsumj=1
∆x(i) (37)
A nova seacuterie eacute dividida em janelas de tamanho igual m Em cada uma dessas janelas
ajustamos a seacuterie integrada encontrando a funccedilatildeo polinomial Yfit Esta funccedilatildeo indica
a tendecircncia local que haacute em cada intervalo O grau do polinocircmio utilizado pode em
princiacutepio ser qualquer O meacutetodo DFA-l eacute aquele em que o grau l eacute escolhido
Na seacuterie temporal dividida em janelas de tamanho m subtraiacutemos a tendecircncia local
Yfit em cada das janelas Em seguida calculamos a funccedilatildeo de flutuaccedilatildeo
F (m) =
radicradicradicradic 1
Nmax
Nmaxsumi=1
(y(i)minus Yfit)2 (38)
Todo o caacutelculo acima eacute repetido para janelas de diferentes tamanhos m para obter-se
uma relaccedilatildeo entre F (m) e m e os dados satildeo dispostos em um graacutefico log minus log Uma
relaccedilatildeo de lei de potecircncia entre F (m) e a janela de tamanho m indica a presenccedila
de escala logF (m) sim= logmH ( F (m) sim= mH) Neste caso o paracircmetro H dado pelo
coeficiente angular da reta que ajusta os pontos (mF (m)) eacute chamado de expoente de
escala ou expoente de correlaccedilatildeo e eacute a generalizaccedilatildeo do expoente de Hurst Valores
de H lt 0 5 indicam anti-persistecircncia da seacuterie valores de H gt 0 5 indicam que a
48
seacuterie tem persistecircncia e valores de H = 0 5 indicam que as seacuteries natildeo possuem
tendecircncia Com o intuito de analisar se os dados passados fornecem informaccedilotildees
sobre dados futuros calculamos os expoentes de Hurst das seacuteries com preccedilos brutos
x de todas as accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa Os valores de
H obtidos satildeo mostrados na figura 11
1 5 10 15 20 25 30 35 40 45 50 55 5802
03
04
05
06
Accedilatildeo
H 1 5 10 15 20 25 3004
045
05
055
06
065
Figura 11 ndash Expoente de Hurst para todas accedilotildees que compotildeem os iacutendices Dow Jonese Ibovespa Os dados analisados satildeo referentes agraves seacuteries de preccedilos brutoscom granularidade de 5 minutos no periacuteodo de 020117 a 280417 (primeiroquadrimestre de 2017) (a) Representa os coeficientes de Hurst para as accedilotildeesdo iacutendice Dow Jones Foram utilizados 6276 pontos para o caacutelculo (b) Mostraos coeficientes de Hurst utilizando l = 1 para as accedilotildees que compotildeem o iacutendiceIbovespa Foram utilizados 7370 pontos para o caacutelculo
Analisando a figura 11 percebemos que a maioria dos resultados se concentram na
faixa de 0 45 le H le 0 55 Assim natildeo percebemos forte tendecircncia a persistecircncia ou
anti-persistecircncia das seacuteries analisadas
Na anaacutelise seguinte vamos investigar a relaccedilatildeo entre os resultados dos expoentes de
Hurst e as acuraacutecias obtidas pelo modelo As seacuteries de preccedilos ainda satildeo as referentes
aos preccedilos de fechamento de todas as accedilotildees que compotildeem os iacutendices Dow Jones
e Ibovespa A Fig 12 mostra a acuraacutecia meacutedia a de cada uma destas accedilotildees que
49
compotildeem os iacutendices para 100 diferentes valores de R e os expoentes de Hurst das
seacuteries de preccedilos brutos x destas accedilotildees
1 5 10 15 20 25 3004
045
05
055
06
065
1 5 10 15 20 25 30 35 40 45 50 55 58 Accedilotildees
02
03
04
05
06
07
Figura 12 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que compotildeem osiacutendices Dow Jones e Ibovespa Os dados analisados satildeo referentes agraves seacuteriesde preccedilos brutos com granularidade de 5 minutos no periacuteodo de 020117 a280417 (primeiro quadrimestre de 2017) Para o caacutelculo da acuraacutecia meacutediaforam utilizados 100 tamanhos diferentes de R para cada accedilatildeo A linha tracejadarepresenta os coeficientes de Hurst H e a linha contiacutenua a acuraacutecia meacutedia apara cada accedilatildeo utilizando 100 valores diferentes de R no ajuste O valor deR inicial foi 100 com incremento de 10 pontos a cada nova execuccedilatildeo (a)Representa a acuraacutecia meacutedia e os coeficientes de Hurst para as accedilotildees doiacutendice Dow Jones Foram utilizados 6276 pontos para o caacutelculo do expoente deHurst (b) Mostra a acuraacutecia meacutedia e os coeficientes de Hurst para as accedilotildeesque compotildeem o iacutendice Ibovespa Foram utilizados 7370 pontos para o caacutelculodos coeficientes
Analisando visualmente a figura 12 natildeo percebemos padrotildees para as accedilotildees que
compotildeem o iacutendice Dow Jones As suas taxas de acuraacutecia meacutedia a bem como os
valores de H estatildeo proacuteximos de 0 5 Jaacute as accedilotildees que compotildeem o iacutendice Ibovespa
apresentaram maiores taxas de acuraacutecia meacutedia a e tambeacutem maiores oscilaccedilotildees nos
valores dos expoentes de Hurst H A figura nos sugere ainda que os valores menores
deH resultam em maiores valores de a indicando que o modelo tem maior capacidade
50
de previsatildeo para seacuteries de preccedilos de accedilotildees que apresentam anti-persistecircncia Os
resultados mais discrepantes foram obtidos para a accedilatildeo 32 com a = 0 68 e H = 0 28
Para melhor visualizaccedilatildeo destes resultados construiacutemos a figura 13 que mostra a
concentraccedilatildeo dos expoentes de Hurst H em funccedilatildeo da acuraacutecia meacutedia a obtidos para
cada uma das accedilotildees que compotildeem os iacutendices Dow Jones e Ibovespa representados
pelos pontos nas cores verde e vermelha respectivamente
025 03 035 04 045 05 055 06 065046
048
05
052
054
056
058
06
062
064
066
H
a
Expoente de Hurst DOW JONESExpoente de Hurst IBOVESPA
Figura 13 ndash Acuraacutecia meacutedia e expoente de Hurst para todas as accedilotildees que compotildeem osiacutendices Dow Jones e Ibovespa Os dados analisados satildeo referentes agraves seacuteriesde preccedilos brutos com granularidade de 5 minutos no periacuteodo de 020117 a280417 (primeiro quadrimestre de 2017) Para o caacutelculo da acuraacutecia meacutedia aforam utilizados 100 tamanhos diferentes de R para cada accedilatildeo Com valor inicialde R = 100 com incremento de 10 pontos a cada nova execuccedilatildeo Os pontosna cor vermelha representam os expoentes H em funccedilatildeo da acuraacutecia a paraas accedilotildees do Ibovespa Os pontos na cor verde representam os coeficientes deHurst H em funccedilatildeo da acuraacutecia meacutedia a para cada accedilatildeo do iacutendice Dow JonesPara as accedilotildees do iacutendice Dow Jones utilizamos 6276 pontos para o caacutelculo de HPara as accedilotildees que compotildeem o iacutendice Ibovespa foram utilizados 7370 pontospara o caacutelculo dos coeficientes de Hurst
Pela figura 13 fica mais evidente que as taxas de acuraacutecia meacutedia a satildeo maiores para
as accedilotildees que compotildeem o iacutendice Ibovespa quando comparadas agraves accedilotildees do iacutendice
Dow Jones Observamos tambeacutem que os maiores desvios de H foram obtidos para
51
a seacuterie do Ibovespa Estes resultados vatildeo ao encontro dos estudos de (CAJUEIRO
TABAK 2004) onde os paiacuteses emergentes apresentam valores de H mais distantes
de 05 sugerindo que mercado de paiacuteses emergentes satildeo mais ineficientes que os
de paiacuteses desenvolvidos
Outra investigaccedilatildeo relevante foi baseada no caacutelculo da correlaccedilatildeo linear das acuraacutecias
obtidas em cada quadrimestre com os expoentes de Hurst calculados nos respectivos
quadrimestres Para tanto calculamos o coeficiente de correlaccedilatildeo linear de Pearson
ρ2 O coeficiente ρ obtido quando analisada a correlaccedilatildeo das acuraacutecias e os expoentes
de Hurst calculados no quadrimestre 1 foi ρ = minus0 3791 (pminus valor = 0 0388) para as
accedilotildees que compotildeem o iacutendice Dow Jones e para as accedilotildees do Ibovespa no mesmo
quadrimestre o resultado foi ρ = minus0 4622 (p minus valor = 2 6 times 10minus4) A correlaccedilatildeo
entre as acuraacutecias e os coeficientes de Hurst das seacuteries de preccedilos calculados no
segundo quadrimestre de 2017 foi ρ = minus0 6966 (pminus valor = 1 2571times 10minus9) para as
accedilotildees do Ibovespa e ρ = minus0 1743 (pminus valor = 0 3568) para as accedilotildees do Dow Jones
Estes resultados indicam que haacute uma anti-correlaccedilatildeo entre as acuraacutecias obtidas e os
expoentes H das seacuteries analisadas (COHEN 1977)
Baseados nestes resultados em etapas futuras da tese vamos aprofundar mais as
anaacutelises dos valores de H e a explorando as questotildees de memoacuteria das seacuteries de
preccedilos de accedilotildees e investigando ateacute que ponto informaccedilotildees dos dados passados
interferem na acuraacutecia do modelo de previsatildeo
65 Acuraacutecias em quadrimestres diferentes
Nas subseccedilotildees seguintes vamos aplicar o modelo em dados de quadrimestres di-
ferentes com o objetivo de investigar a consistecircncia das previsotildees em diferentes
periacuteodos
651 Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo qua-
drimestres de 2017
Nesta anaacutelise aplicamos o modelo utilizando as seacuteries de preccedilos tratados com
granularidade de 5 minutos do primeiro e segundo quadrimestres de 2017 de todas
as accedilotildees que integraram os iacutendices Ibovespa e Dow Jones no primeiro quadrimestre
de 2017 A tabela 4 mostra as acuraacutecias obtidas nos quadrimentres 1 e 2 do ano de
2017 Para a execuccedilatildeo do modelo foi utilizado como tamanho de ajuste R = 1000 A
coluna rsquoAcuraacutecia Q1rsquo refere-se agraves acuraacutecias obtidas no quadrimestre 1 Analogamente
a coluna denominada rsquoAcuraacutecia Q2rsquo refere-se agraves acuraacutecias no quadrimestre 2 Os
resultados estatildeo dispostos na ordem da porcentagem de peso de participaccedilatildeo de
2Mede o grau da correlaccedilatildeo (minus1 le ρ le 1) e a direccedilatildeo dessa correlaccedilatildeo (+ ou -) entre duas variaacuteveis
52
cada accedilatildeo nos seus respectivos iacutendices Os valores em negrito indicam que a acuraacutecia
da accedilatildeo obtida no quadrimestre 2 foi maior em relaccedilatildeo agrave mesma no quadrimestre
1 Este aumento de ganhos do quadrimestre 2 em relaccedilatildeo ao quadrimestre 1 foi em
53 30 das accedilotildees que compotildeem o Dow Jones e 60 30 das accedilotildees do Ibovespa
53
Tabela 4 ndash Comparaccedilatildeo das acuraacutecias obtidas no primeiro e segundo quadrimestres paraas accedilotildees dos iacutendices Ibovespa e Dow Jones
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q1 Acuraacutecia Q2 Accedilatildeo Acuraacutecia Q1 Acuraacutecia Q2
1 05183 05223 1 04912 049482 04833 05329 2 04577 053403 05054 05427 3 05195 051264 05363 05510 4 05207 050425 05130 05296 5 05016 050796 05363 05268 6 05208 048137 04965 04974 7 05341 051178 05188 05203 8 05011 052309 05226 04840 9 05097 04995
10 05541 06053 10 05103 0515911 04862 05597 11 05087 0512412 05362 05578 12 05000 0489313 05147 05493 13 04894 0501114 05097 05070 14 04839 0498915 05449 05349 15 05178 0490716 05072 05479 16 05138 0505817 05320 04852 17 05218 0479318 05260 05283 18 05021 0495219 05350 04968 19 05175 0514220 05266 05262 20 05049 0531821 05208 05166 21 04843 0512822 05270 05138 22 04807 0496423 05100 05180 23 05089 0521724 05208 05210 24 05256 0482925 05057 05028 25 04904 0482126 05142 05167 26 05023 0508427 05018 05120 27 05222 0522428 05138 05169 28 05230 0520429 05142 05465 29 05061 0527230 05043 05020 30 04710 0511331 05201 0535332 06810 0741833 05414 0537934 05458 0509835 05362 0596436 05053 0516537 04968 0552238 05055 0543139 05494 0516540 04969 0509041 05230 0512542 05018 0523043 05288 0503544 05396 0518945 05048 0531846 05467 0530447 05181 0521348 05122 0505149 05385 0522550 05457 0556551 05227 0549452 05845 0580253 05214 0522554 05197 0530455 05229 0533956 05651 0551457 05612 0611058 05121 05205
Nota As acuraacutecias estatildeo representadas de acordo com a ordem decrescente da porcentagem de participaccedilatildeo das accedilotildeesnos iacutendices Dow Jones e Ibovespa Os resultados das 10 accedilotildees com maiores pesos estatildeo delimitados na tabela Os
valores em negrito indicam que a acuraacutecia aumentou no segundo quadrimentre em relaccedilatildeo ao primeiro 60 3 dos casospara o iacutendice Ibovespa e 53 3 dos casos para o iacutendice Dow Jones
54
A figura 14 mostra o panorama das acuraacutecias apresentadas na tabela 4 A linha
traccedilada no graacutefico delimita as 10 accedilotildees que apresentaram as melhores acuraacutecias
em cada quadrimestre Estas accedilotildees satildeo esboccediladas na cor vermelha Os pontos na
cor vermelha e circulados indicam que aleacutem de estarem entre as 10 accedilotildees que
apresentaram as melhores acuraacutecias no quadrimestre 1 tambeacutem estatildeo entre as 10
accedilotildees que apresentaram as melhores taxas no quadrimestre 2 O nuacutemero destas
accedilotildees foi maior para as accedilotildees do Ibovespa
046
048
05
052
054
056
045
05
055
06
065
07
1 10 20 30 40 50 5804
05
06
07
08
Accedilotildees1 5 10 15 20 25 30
046
048
05
052
054
056
a
(a) (c)
(d)(b)
Figura 14 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 Os resul-tados satildeo referentes agraves acuraacutecias do modelo de todas as accedilotildees que compotildeemos iacutendices Dow Jones e Ibovespa Os dados analisados satildeo referentes agraves seacute-ries de preccedilos de fechamento com granularidades de 5 minutos no periacuteodo de020117 a 310817 (primeiro e segundo quadrimestres de 2017) O tamanhodo ajuste utilizado foi R = 1000 A linha traccedilada sobre a figura delimita as10 accedilotildees que apresentaram as melhores acuraacutecias no quadrimestre em ques-tatildeo mostradas na cor vermelha Os pontos circulados indicam que as accedilotildeesapresentaram acuraacutecias entre as 10 melhores no quadrimestre 1 e tambeacutem noquadrimestre 2 (a) Representa as acuraacutecias de todas accedilotildees que compotildeem oiacutendice Dow Jones no primeiro quadrimestre (b) Mostra as acuraacutecias obtidasno segundo quadrimestre para todas as accedilotildees do iacutendice Dow Jones (c) e(d) Representam as acuraacutecias obtidas no primeiro e segundo quadrimestresrespectivamente para todas as accedilotildees que compotildeem o iacutendice Ibovespa
55
Se a presenccedila entre as accedilotildees com 10 maiores acuraacutecias for completamente alea-
toacuteria a chance de uma accedilatildeo que estaacute nesta situaccedilatildeo repetir o comportamento no
quadrimestre seguinte eacute 10n
onde n eacute o nuacutemero total de accedilotildees no grupo analisado
Assim o nuacutemero meacutedio de accedilotildees que aparecem em dois quadrimestres consecutivos
entre aqueles com as 10 maiores acuraacutecias eacute 10times 10n
Para as accedilotildees que compotildeem
o iacutendice Dow Jones esse nuacutemero eacute 103
para as accedilotildees que compotildeem o Ibovespa eacute10058
Na figura 14 observamos 3 accedilotildees nessa situaccedilatildeo para o Dow Jones sugerindo
a completa aleatoriedade Jaacute para o Ibovespa a figura 14 mostra 6 accedilotildees nessa
situaccedilatildeo um nuacutemero 348 vezes maior que o esperado indicando que o processo
natildeo deve ser completamente aleatoacuterio Estudos envolvendo um maior nuacutemero de
quadrimestres seriam interessantes para validaccedilatildeo estatiacutestica
O coeficiente de correlaccedilatildeo linear de Pearson ρ foi calculado para mostrar a relaccedilatildeo
entre as acuraacutecias obtidas no quadrimestre 1 e 2 para ambos mercados O coeficiente
ρ obtido quando analisada a correlaccedilatildeo das acuraacutecias no quadrimestre 1 e 2 para
as accedilotildees que compotildeem o Dow Jones foi ρ = minus01493 (p minus valor = 0 4311) Jaacute
para as accedilotildees que compotildeem o Ibovespa a correlaccedilatildeo entre as acuraacutecias obtidas
nos quadrimestres 1 e 2 foi ρ = 07156 (p minus valor = 2 7521 times 10minus10) O resultado
indica que haacute uma correlaccedilatildeo significativa entre as acuraacutecias obtidas para as accedilotildees
do Ibovespa
652 Aplicaccedilatildeo do modelo utilizando a combinaccedilatildeo das 10 accedilotildees com
maiores pesos nos iacutendices Ibovespa e Dow Jones
Na subseccedilatildeo 651 apresentamos as acuraacutecias obtidas com a combinaccedilatildeo de todas
as accedilotildees dos iacutendices no modelo Aqui estamos interessados em investigar o resultado
da combinaccedilatildeo linear apenas das 10 accedilotildees com maiores pesos de participaccedilatildeo nos
iacutendices Para tanto vamos executar o programa utilizando os mesmos paracircmetros
da anaacutelise anterior A tabela 5 mostra os resultados de acuraacutecias obtidos A coluna
denominada rsquoAcuraacutecia Q1rsquo mostra as acuraacutecias obtidas no quadrimestre 1 e a coluna
rsquoAcuraacutecia Q2rsquo mostra as acuraacutecias do quadrimestre 2 Os valores em negrito indicam
que a acuraacutecia aumentou no quadrimestre 2 em relaccedilatildeo ao quadrimestre 1 70 dos
casos do Ibovespa e 60 para o Dow Jones
56
Tabela 5 ndash Acuraacutecias do modelo no primeiro e segundo quadrimestres para a combinaccedilatildeodas 10 accedilotildees com maiores participaccedilotildees nos iacutendices Ibovespa e Dow Jones
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q1 Acuraacutecia Q2 Accedilatildeo Acuraacutecia Q1 Acuraacutecia Q2
1 05417 05630 1 04857 051892 05142 05293 2 04706 049693 05604 05496 3 05142 050544 05445 05770 4 05096 052075 05197 05336 5 04867 050186 05299 05226 6 05369 050507 05089 05354 7 05547 053028 04897 05430 8 04853 049819 05258 05212 9 05322 0540510 06155 06689 10 05113 05022
Nota Os valores em negrito indicam que a acuraacutecia aumentou no segundo quadrimentreem relaccedilatildeo ao primeiro Percebemos que os resultados satildeo melhores no segundo
quadrimestre para as accedilotildees dos dois iacutendices analisados A relaccedilatildeo de melhoria da acuraacuteciafoi de 70 para as accedilotildees do Ibovespa e 60 para as accedilotildees do Dow Jones
Analisando de forma geral as tabelas 4 e 5 natildeo eacute perceptiacutevel se houve ou natildeo
ganhos quando combinadas todas as accedilotildees que compotildeem os iacutendices em relaccedilatildeo a
quando combinamos apenas as 10 accedilotildees com maiores pesos nestes mesmos iacutendices
Para facilitar a anaacutelise construiacutemos a figura 15 que mostra as acuraacutecias obtidas no
primeiro e segundo quadrimestres de 2017 quando combinamos todas as accedilotildees dos
iacutendices Dow Jones e Ibovespa e tambeacutem quando combinamos apenas a 10 accedilotildees
com maiores participaccedilotildees nestes iacutendices O eixo das ordenadas do graacutefico se refere
agraves acuraacutecias obtidas no quadrimestre 2 jaacute o eixo das abscissas se refere agraves acuraacutecias
no quadrimestre 1
57
046
048
05
052
054
056
046 048 05 052 054 056046
048
05
052
054
056 a Q
2
05
06
07
08
05 055 06 065 07 a Q1
05
06
07
08
(c)
(d)(b)
(a)
Figura 15 ndash Acuraacutecias obtidas no primeiro e segundo quadrimestres de 2017 Osresultados satildeo referentes agraves acuraacutecias do modelo para o primeiro e segundoquadrimestres de 2017 aplicado a todas as accedilotildees que compotildeem os iacutendicesDow Jones e Ibovespa e tambeacutem para as 10 accedilotildees com maiores pesos nestesiacutendices Os dados analisados satildeo referentes agraves seacuteries de preccedilos de fechamentocom granularidades de 5 minutos no periacuteodo de 020117 a 310817 (primeiroe segundo quadrimestres de 2017) O tamanho do ajuste utilizado foi R = 1000(a) Representa as acuraacutecias para a combinaccedilatildeo de todas accedilotildees que compotildeem oiacutendice Dow Jones no primeiro e segundo quadrimestres (b) mostra as acuraacuteciasobtidas no primeiro e segundo quadrimestres para a combinaccedilatildeo das 10 accedilotildeesdo iacutendice Dow Jones com maiores participaccedilotildees no iacutendice (c) Representa asacuraacutecias obtidas no primeiro e segundo quadrimestres para a combinaccedilatildeode todas as accedilotildees que compotildeem o iacutendice Ibovespa (d) Mostra as acuraacuteciasdo primeiro e segundo quadrimestres para a combinaccedilatildeo das 10 accedilotildees doIbovespa com maiores pesos no iacutendice
58
Analisando os pontos obtidos na figura 15 natildeo podemos concluir que a combinaccedilatildeo
das 10 accedilotildees com maiores pesos nos iacutendices melhora as acuraacutecias obtidas quando
comparadas com as taxas obtidas combinando todas as accedilotildees que compotildeem os
iacutendices
653 Anaacutelise do desempenho do modelo aplicado agraves accedilotildees de melhor
acuraacutecia no quadrimestre precedente
A tabela 6 mostra as acuraacutecias obtidas para todas as accedilotildees que compotildeem os iacutendices
Ibovespa e Dow Jones As acuraacutecias obtidas satildeo para R = 1000 e estatildeo ordenadas
do maior para a menor valor Destacamos os 10 melhores resultados de a As cores
semelhantes mostram as accedilotildees que participaram do conjunto com os melhores resul-
tados no quadrimestre 1 e tambeacutem apareceram entre as 10 accedilotildees com os melhores
resultados no quadrimestre 2 Os valores em negrito indicam que a accedilatildeo apresentou
maior acuraacutecia no quadrimestre 2 em relaccedilatildeo ao quadrimestre 1 Pela tabela 6 e
figura 14 podemos observar que as 10 melhores acuraacutecias obtidas conjuntamente
em ambos os quadrimestres natildeo satildeo necessariamente as accedilotildees com maiores partici-
paccedilotildees nos iacutendices exceto a accedilatildeo 10 do Ibovespa Isso nos motiva a investigar se
obtemos melhores acuraacutecias combinando no modelo a cada quadrimestre apenas
as 10 accedilotildees que apresentaram melhores resultados no quadrimestre anterior
Os resultados da anaacutelise satildeo mostrados na tabela 7 e comparados a resultados
de acuraacutecias obtidas tambeacutem no mesmo quadrimestre poreacutem utilizando dados de
todas as accedilotildees dos respectivos iacutendices (n = 30 Dow Jones e n = 58 Ibovespa)
Os valores em negrito indicam que a combinaccedilatildeo das 10 accedilotildees eacute melhor quando
comparada agraves acuraacutecias obtidas utilizando todas as accedilotildees dos iacutendices Utilizando o
primeiro quadrimestre para selecionar accedilotildees a investir no segundo quadrimestre natildeo
utilizamos dados futuros na anaacutelise Para as accedilotildees do Ibovespa a meacutedia das acuraacutecias
obtida para a combinaccedilatildeo de todas as accedilotildees foi 0 5737 e para a combinaccedilatildeo das 10
melhores accedilotildees do quadrimestre anterior foi 0 5746 A meacutedia para o iacutendice Dow Jones
foi 0 5019 para a combinaccedilatildeo de todas as accedilotildees e 0 5017 para a combinaccedilatildeo das
10 melhores accedilotildees do quadrimestre anterior Estes valores se referem agrave meacutedia das
acuraacutecias das 10 accedilotildees analisadas Pela proporccedilatildeo dos valores obtida natildeo podemos
concluir que haacute ganhos significativos aplicando esta metodologia
59
Tabela 6 ndash Comparaccedilatildeo das acuraacutecias para todas as accedilotildees dos iacutendices Ibovespa e DowJones no primeiro e segundo quadrimestres
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q1 Accedilatildeo Acuraacutecia Q2 Accedilatildeo Acuraacutecia Q1 Accedilatildeo Acuraacutecia Q2
32 06810 32 07417 7 05341 2 0533952 05844 57 06109 24 05256 20 0531856 05650 10 06053 28 05229 29 0527257 05612 35 05963 27 05221 8 0522910 05541 52 05802 17 05218 27 0522339 05493 11 05596 6 05207 23 0521746 05467 12 05578 4 05207 28 0520434 05458 50 05565 3 05194 10 0515950 05457 37 05521 15 05177 19 0514115 05448 56 05513 19 05174 21 0512733 05413 4 05510 16 05138 3 0512644 05395 51 05494 10 05102 11 0512349 05384 13 05493 9 05097 7 051164 05362 16 05478 23 05089 30 051126 05362 29 05465 11 05086 26 05084
35 05362 38 05430 29 05060 5 0507912 05361 3 05427 20 05048 16 0505719 05350 33 05379 26 05023 4 0504117 05320 31 05353 18 05021 13 0501043 05288 15 05349 5 05016 9 0499422 05270 55 05339 8 05010 14 0498920 05265 2 05329 12 05000 22 0496418 05259 45 05318 1 04912 18 0495141 05229 46 05304 25 04903 1 0494755 05229 54 05303 13 04893 15 0490751 05227 5 05295 21 04843 12 048939 05226 18 05282 14 04839 24 04829
53 05213 6 05268 22 04806 25 0482024 05208 20 05261 30 04710 6 0481221 05207 42 05229 2 04577 17 0479231 05200 49 0522554 05196 53 052248 05187 1 052231 05183 47 05212
47 05181 24 0521013 05147 58 0520529 05141 8 0520326 05141 44 0518928 05137 23 051805 05129 28 0516848 05121 26 0516658 05121 21 0516623 05100 36 0516514 05097 39 0516416 05072 22 0513725 05057 41 0512438 05055 27 051203 05053 34 05097
36 05052 40 0508945 05047 14 0506930 05042 48 0505042 05018 43 0503427 05017 25 0502740 04968 30 0501937 04967 7 049737 04964 19 0496811 04861 17 048512 04833 9 04840
Nota As acuraacutecias estatildeo em ordem decrescente Os 10 melhores resultados estatildeo delimitados na tabela As coresequivalentes indicam que a accedilatildeo tem o valor de acuraacutecia dentre os 10 melhores resultados no quadrimestre 1 e tambeacutemse manteve entre as 10 melhores no quadrimestre 2 Os valores em negrito indicam que aleacutem da accedilatildeo estar entre as 10
melhores nos 2 quadrimestres a acuraacutecia aumentou no segundo quadrimentre
60
Tabela 7 ndash Acuraacutecias do modelo para a combinaccedilatildeo das 10 accedilotildees dos iacutendices Ibovespa eDow Jones com os melhores resultados no primeiro quadrimestre
Ibovespa Dow JonesAccedilatildeo Acuraacutecia Q2
n = 58Acuraacutecia Q2n = 10
Accedilatildeo Acuraacutecia Q2n = 30
Acuraacutecia Q2n = 10
32 07418 07707 7 05117 0499652 05802 05800 24 04829 0503256 05514 05438 28 05204 0517457 06110 06050 27 05224 0524310 06053 05811 17 04793 0496039 05165 05174 6 04813 0494146 05304 05326 4 05042 0496634 05098 05253 3 05126 0484250 05565 05545 15 04907 0503415 05349 05363 19 05142 04986
Nota Para Ibovespa na coluna com n = 58 todas as accedilotildees do iacutendice foram utilizadas pelomodelo na coluna com n = 10 somente as accedilotildees com as 10 melhores acuraacutecias no
quadrimeste 1 foram empregadas pelo modelo Analogamente para Dow Jones Os valoresem negrito indicam que a acuraacutecia aumentou no segundo quadrimestre utilizando a
combinaccedilatildeo das 10 melhores accedilotildees no quadrimestre 1 em relaccedilatildeo ao segundoquadrimestre utilizando a combinaccedilatildeo de todas as accedilotildees dos iacutendices Natildeo observamos
ganhos nos resultados quando utilizamos apenas a combinaccedilatildeo das 10 melhores accedilotildees emrelaccedilatildeo ao modelo que utiliza a combinaccedilatildeo de todas as accedilotildees dos iacutendices
61
Diante das acuraacutecias obtidas na tabela 6 investigamos se haacute uma correlaccedilatildeo entre
estes valores de a Para isso calculamos o coeficiente de correlaccedilatildeo linear de Pearson
ρ O resultado do caacutelculo do coeficiente de correlaccedilatildeo entre as acuraacutecias das accedilotildees
do iacutendice Ibovespa obtidas no primeiro e segundo quadrimestre foi ρ = 0 7156
(pminus valor = 2 7521times 10minus10) e para as accedilotildees do iacutendice Dow Jones foi ρ = minus0 1493
Este resultado indica que para as accedilotildees do Ibovespa quando o modelo teve um bom
resultado no quadrimestre ele tende a ter bons resultados no quadrimestre seguinte
Como esperado o mesmo natildeo acontece para as accedilotildees do iacutendice Dow Jones em
que o coeficiente de correlaccedilatildeo ρ = minus0 1493 (p minus valor = 0 4311) indica uma
pequena anti-correlaccedilatildeo dos acertos de tendecircncias A accedilatildeo 32 do iacutendice Ibovespa
apresentou uma acuraacutecia alta em ambos quadrimestres Assim para evitar resultados
tendenciosos ela foi retirada do caacutelculo da correlaccedilatildeo Com a retirada destes valores
o coeficiente de correlaccedilatildeo das acuraacutecias das accedilotildees do iacutendice Ibovespa foi menor
ρ = 0 3894 (pminus valor = 0 0028) mas ainda significante (COHEN 1977)
66 Votaccedilatildeo
Uma votaccedilatildeo entre tendecircncias previstas foi utilizada com o intuito de melhorar a
consistecircncia da acuraacutecia do modelo e aumentar o tamanho da amostra A metodologia
da teacutecnica consiste em fazer vaacuterias previsotildees utilizando diferentes tamanhos de R
e posteriormente fazer a votaccedilatildeo levando em consideraccedilatildeo a direccedilatildeo de tendecircncia
de preccedilos apontada por cada modelo e o tamanho em moacutedulo do retorno previsto
Apenas os ajustes que tecircm previsotildees no conjunto U4 que se referem aos maiores
retornos previstos em moacutedulo entram na votaccedilatildeo Nesta votaccedilatildeo consideramos como
a decisatildeo de tendecircncia prevista a direccedilatildeo apontada pela maioria dos votantes e
empate entre os votantes como sinal para manter a posiccedilatildeo no tempo t + 1 (natildeo
operar)
Podemos variar diversos paracircmetros de entrada na votaccedilatildeo tais como quantidade
de votantes tamanho inicial de R incremento da quantidade de pontos a cada nova
iteraccedilatildeo accedilotildees que participam da combinaccedilatildeo linear e quantidade de votos que
decidem a previsatildeo Nas figuras 16 e 17 mostramos os resultados das acuraacutecias
obtidas para todas as accedilotildees dos iacutendices Dow Jones e Ibovespa no primeiro e segundo
quadrimestres de 2017 Nesta anaacutelise utilizamos 10 votantes um valor inicial de
R = 1000 incremento de 100 pontos a cada nova execuccedilatildeo e a diferenccedila acima de 1
voto jaacute decide direccedilatildeo da tendecircncia prevista que seraacute considerada
A figura 16 mostra os resultados obtidos para a amostra com os dados referentes ao
primeiro quadrimestre de 2017 A curva na cor vermelha eacute referente agraves acuraacutecias a
obtidas sem a votaccedilatildeo utilizando apenas um valor de R = 1000 A curva na cor azul
refere-se agrave meacutedia das acuraacutecias a obtidas utilizando 10 diferentes tamanhos de R
62
com o valor inicial de R = 1000 com incremento de 100 pontos a cada nova execuccedilatildeo
do modelo A curva na cor verde mostra a acuraacutecia a obtida com a votaccedilatildeo entre os
10 diferentes tamanhos de R
1 5 10 15 20 25 30045
05
055
06VotaccedilatildeoMeacutediaSem votaccedilatildeo
1 5 10 15 20 25 30 35 40 45 50 55 58 accedilotildees
045
05
06
07
(a)
(b)
Figura 16 ndash Acuraacutecias obtidas no primeiro quadrimestre de 2017 utilizando Votingmeacutedia e sem votaccedilatildeo A curva na cor vermelha representa a acuraacutecia autilizando apenas um valor de R = 1000 A curva na cor verde mostra aacuraacutecia a utilizando a votaccedilatildeo de 10 diferentes valores de R O valor inicialeacute R = 1000 com incremento de 100 pontos a cada nova execuccedilatildeo A curvaazul define a meacutedia da acuraacutecia a de todos os 10 tamanhos de R utilizados navotaccedilatildeo Os dados analisados satildeo referentes agraves seacuteries de preccedilos de fechamentocom granularidades de 5 minutos no periacuteodo de 020117 a 280417 (primeiroquadrimestre de 2017) (a) Acuraacutecias de todas as accedilotildees que compotildeem o iacutendiceDow Jones Foram realizadas 2200 execuccedilotildees para cada tamanho de R (b)Acuraacutecias obtidas para todas as accedilotildees que compotildeem o iacutendice Ibovespa Paracada tamanho de R realizamos 3300 execuccedilotildees
A figura 17 mostra os resultados obtidos para a amostra composta pelos dados
referentes ao segundo quadrimestre de 2017 Anaacuteloga agrave figura 16 os paracircmetros
utilizados satildeo os mesmos estabelecidos anteriormente
63
1 5 10 15 20 25 30046
048
05
052
054
056
1 5 10 15 20 25 30 35 40 45 50 55 58 Accedilotildees
04
05
06
07
08VotaccedilatildeoMeacutediaSem votaccedilatildeo
(b)
(a)
Figura 17 ndash Acuraacutecias obtidas no segundo quadrimestre de 2017 utilizando votaccedilatildeomeacutedia e sem votaccedilatildeo A curva na cor verde mostra a acuraacutecia a utilizando avotaccedilatildeo entre os 10 diferentes valores de R O valor inicial eacute R = 1000 comincremento de 100 pontos a cada nova execuccedilatildeo A curva azul representa ameacutedia da acuraacutecia a para todos os tamanhos de R utilizados na votaccedilatildeo Acurva em vermelho descreve a acuraacutecia a obtida para um valor de R = 1000Os dados analisados satildeo referentes agraves seacuteries de preccedilos de fechamento comgranularidades de 5 minutos no periacuteodo de 020517 a 310817 (segundoquadrimestre de 2017) (a) Acuraacutecias de todas as accedilotildees que compotildeem o iacutendiceDow Jones Foram realizadas 2700 execuccedilotildees para cada tamanho de R (b)Representam as acuraacutecias obtidas para todas as accedilotildees que compotildeem o iacutendiceIbovespa Para cada valor de R foram realizadas 3300 execuccedilotildees
64
Analisando as figuras 16 e 17 visualmente natildeo percebemos ganhos de acuraacutecia a
quando comparada agrave teacutecnica de votaccedilatildeo com os outros meacutetodos aplicados Como
mencionado anteriormente neste trabalho utilizamos apenas dados com maiores
retornos previstos em moacutedulo que se referem agraves tendecircncias previstas que estatildeo no
conjunto do quarto quartil U4 Assim a vantagem da votaccedilatildeo em relaccedilatildeo agrave utilizaccedilatildeo
de meacutedias ou de um valor fixo de R eacute a possibilidade de aumento na quantidade de
previsotildees uma vez que sem a votaccedilatildeo utilizamos em meacutedia apenas 14
dos dados
para as previsotildees no quarto quartil Por outro ladoa presenccedila de um ou mais votantes
em U4 jaacute eacute suficiente para que a votaccedilatildeo ocorra levando o nuacutemero de previsotildees a
crescer substancialmente
67 Consideraccedilotildees gerais
Na seccedilatildeo 61 investigamos a relaccedilatildeo da variaccedilatildeo do tamanho de R no resultado final
da acuraacutecia a Nesta anaacutelise observamos que para valores maiores de R os valores
de a tendem a aumentar Poreacutem utilizar valores grandes de R estaacute diretamente ligado
a perda de dados da amostra Assim eacute preciso definir uma quantidade de pontos
para o ajuste que apresente uma boa acuraacutecia sem comprometer o volume de dados
Baseados nas figuras 7 e 6 definimos que nas etapas de aplicaccedilatildeo e simulaccedilatildeo a
quantidade de pontos utilizados no ajuste seraacute R = 1000
Na seccedilatildeo 62 investigamos se a quantidade de accedilotildees interfere na acuraacutecia do modelo
A figura 10 sugere uma moderada melhora nos resultados das acuraacutecias em torno da
combinaccedilatildeo de 10 accedilotildees
Na seccedilatildeo 63 analisamos a relaccedilatildeo da acuraacutecia do modelo com a granularidade
dos dados Para as accedilotildees do iacutendice Dow Jones natildeo notamos diferenccedilas quando
combinamos todas as accedilotildees que compotildeem o iacutendice Um leve ganho no resultado foi
observado quando combinamos as 10 accedilotildees com maiores participaccedilotildees no iacutendice
Para as accedilotildees que compotildeem a carteira teoacuterica do Ibovespa a melhor acuraacutecia obtida
foi para os dados com frequecircncia de cotaccedilatildeo de 5 minutos quando combinadas
as 10 accedilotildees com maiores participaccedilotildees no iacutendice Desta forma a amostra com
granularidade de 5 minutos eacute a que seraacute utilizada em aplicaccedilotildees futuras do modelo de
previsatildeo
Na seccedilatildeo 64 investigamos se haacute uma relaccedilatildeo entre as acuraacutecias obtidas e os
expoentes de Hurst das seacuteries analisadas Em geral natildeo encontramos padrotildees
relacionados agraves acuraacutecias e os expoentes H Um caso atiacutepico foi a acuraacutecia e o
expoente de Hurst relacionado agrave accedilatildeo 32 do iacutendice Ibovespa Para esta accedilatildeo o
expoente foi H = 0 2816 e a taxa de acuraacutecia a = 68 10 Este resultado sugere que
para a seacuterie com anti-persistecircncia o modelo obteacutem melhores taxas de acerto Os
65
outros expoentes ficaram na faixa de variabilidade de 0 45 le H le 0 55 Com isso
natildeo podemos afirmar que haacute um padratildeo relacionando as acuraacutecias e os expoentes
de Hurst das seacuteries analisadas
Na seccedilatildeo 65 investigamos se as taxas de acuraacutecia calculadas em um quadrimestre
se mantecircm no quadrimestre seguinte Nas anaacutelises investigamos qual o nuacutemero
das accedilotildees que apareceram entre as 10 melhores acuraacutecias no quadrimestre 1 e
tambeacutem no quadrimestre 2 Na figura 14 observamos que para as accedilotildees do iacutendice
Dow Jones o nuacutemero de accedilotildees que estavam presentes entre as 10 que apresentaram
melhores acuraacutecias nos quadrimestres 1 e 2 foi 3 Este resultado sugere a completa
aleatoriedade Jaacute para as accedilotildees que compotildeem o Ibovespa a figura 14 mostra 6 accedilotildees
nessa condiccedilatildeo indicando que o processo natildeo deve ser completamente aleatoacuterio
Ainda na seccedilatildeo 65 outra anaacutelise foi baseada na quantidade e em quais accedilotildees que
devemos combinar para aplicar o modelo Baseados nas meacutedias das acuraacutecias obtidas
natildeo encontramos grandes variaccedilotildees nos valores quando utilizamos no modelo todas
as accedilotildees quando combinamos as 10 accedilotildees com maiores pesos e ainda quando
utilizamos a combinaccedilatildeo das 10 accedilotildees que apresentaram as melhores acuraacutecias
no quadrimestre anterior Em geral as anaacutelises desta seccedilatildeo nos mostraram que o
modelo tende a manter as taxas de acuraacutecia quando utilizamos diferentes accedilotildees e
quando variamos a sua quantidade As taxas tambeacutem se mantecircm para diferentes
quadrimestres indicando consistecircncia das previsotildees
Na seccedilatildeo 66 desenvolvemos uma teacutecnica de votaccedilatildeo em relaccedilatildeo agrave direccedilatildeo da ten-
decircncia prevista Nessa anaacutelise 10 diferentes valores de R participaram da votaccedilatildeo
Em geral os resultados obtidos com a teacutecnica natildeo foram melhores quando compa-
rados com a meacutedia das acuraacutecias obtida utilizando os 10 valores de R Em meacutedia
os resultados da votaccedilatildeo tambeacutem se equipararam aos resultados obtidos utilizando
um valor uacutenico de R = 1000 A vantagem do uso da teacutecnica estaacute na possibilidade de
aumento do tamanho da amostra
Na proacutexima etapa do trabalho vamos fazer simulaccedilotildees do modelo combinando os
melhores paracircmetros explorados neste capiacutetulo
66
Capiacutetulo 7
Simulaccedilatildeo
No Capiacutetulo 6 exploramos algumas das possibilidades de combinaccedilotildees de paracircmetros
que podem ser utilizadas para ajustar o modelo de previsatildeo de forma a obter uma
melhor acuraacutecia Na seccedilatildeo 61 investigamos a relaccedilatildeo entre a variaccedilatildeo do tamanho de
R e o resultado final da acuraacutecia para definirmos um valor razoaacutevel para ser utilizado
na etapa de aplicaccedilatildeo do modelo Na seccedilatildeo 62 investigamos o quanto o nuacutemero
de accedilotildees utilizadas como entrada para o modelo impactava as acuraacutecias Na seccedilatildeo
63 analisamos a relaccedilatildeo da acuraacutecia do modelo com a granularidade dos dados e
percebemos uma moderada melhora nos resultados para os dados com frequecircncia
de cotaccedilatildeo de 5 minutos Na seccedilatildeo 64 investigamos se haacute uma relaccedilatildeo entre as
acuraacutecias obtidas e os expoentes de Hurst das seacuteries Diante destas possibilidades
ajustamos o modelo de previsatildeo utilizando as combinaccedilotildees de paracircmetros mais
adequadas a cada anaacutelise Natildeo podemos afirmar que a combinaccedilatildeo escolhida eacute a
combinaccedilatildeo oacutetima poreacutem no Capiacutetulo 6 foram os paracircmetros que apresentaram as
melhores acuraacutecias Assim nesta etapa estas satildeo as entradas do modelo que seratildeo
utilizadas na simulaccedilatildeo
Neste capiacutetulo vamos mostrar as estrateacutegias de negociaccedilatildeo baseadas no modelo
que retorna um sinal de compra venda ou natildeo opera apresentado no capiacutetulo 5 Para
calibrar o modelo de previsatildeo utilizamos os paracircmetros explorados no Capiacutetulo 6
Os criteacuterios para definir uma compra ou venda dependem da tendecircncia prevista do
preccedilo de fechamento da accedilatildeo Os dados utilizados para a execuccedilatildeo do modelo de
previsatildeo para gerar o sinal da operaccedilatildeo satildeo os preccedilos tratados X(t) definidos na
seccedilatildeo 51 Na etapa de aplicaccedilatildeo e anaacutelise de ganhos financeiros vamos utilizar os
preccedilos brutos de fechamento x(t) definidos como
x(t) =
x1(t)
x2(t)
xn(t)
(39)
67
onde xk(t) eacute o preccedilo bruto da accedilatildeo k no tempo t
Na proacutexima seccedilatildeo vamos descrever o fluxo das estrateacutegias as bases de dados e as
configuraccedilotildees aplicadas nas simulaccedilotildees Nas seccedilotildees 72 e 73 vamos apresentar as
caracteriacutesticas de cada uma das estrateacutegias bem como os seus resultados obtidos
com a simulaccedilatildeo
71 Visatildeo geral dos modelos de operaccedilatildeo
Para a simulaccedilatildeo desenvolvemos duas estrateacutegias com caracteriacutesticas diferentes
uma que de acordo com o sinal enviado pelo modelo executa a operaccedilatildeo e desfaz
no passo seguinte (modelo de operaccedilatildeo 1 - MO1) e outra que executa a operaccedilatildeo e
desfaz somente quando atingir os valores dos stops definidos (modelo de operaccedilatildeo 2
- MO2) Nesta seccedilatildeo vamos apresentar o fluxo geral das estrateacutegias e nas seccedilotildees 72
e 73 cada uma delas seraacute apresentada de forma detalhada
A simulaccedilatildeo da negociaccedilatildeo no mercado real foi baseada em backtest1 disponibilizado
pelo portal dedicado ao desenvolvimento de algoritmos de investimento (algotrading)
Stratsphera BETA Na plataforma de algotrading as estrateacutegias foram desenvolvidas
utilizando a linguagem de programaccedilatildeo Python numa estrutura baseada em eventos
A plataforma foi descontinuada em Julho de 2019
Durante a simulaccedilatildeo o modelo de previsatildeo utiliza os candles disponiacuteveis ateacute o tempo
t para gerar um sinal indicando a tendecircncia do preccedilo de fechamento no tempo t+ 1
Baseados neste sinal podemos realizar operaccedilotildees de compra ou venda a mercado
De posse deste sinal que utiliza o uacuteltimo preccedilo de fechamento do candle o ideal seria
executar imediatamente a ordem na abertura do proacuteximo candle poreacutem por limitaccedilotildees
da plataforma de simulaccedilatildeo natildeo conseguimos realizar as operaccedilotildees exatamente no
preccedilo de abertura mas sim em um preccedilo aproximado de abertura
qo = po + (pc minus po)ε1 (40)
onde po eacute o preccedilo de abertura do candle pc eacute o preccedilo de fechamento do candle e ε1foi escolhido ε1 = 1
60
Para a estrateacutegia que utiliza fechamento de candle para zerar a posiccedilatildeo (MO1)
consideramos a aproximaccedilatildeo do preccedilo de fechamento
qc = po + (pc minus po)ε2 (41)
com ε2 = 1415
Valores menores de ε1 e maiores de ε2 levavam a operaccedilotildees que natildeo
aconteciam dentro do candle esperado Nas etapas seguintes do trabalho quando
1Execuccedilatildeo de uma estrateacutegia com uso de dados histoacutericos
68
referirmos a preccedilos de abertura e fechamento de candle utilizados em operaccedilotildees
consideraremos estas aproximaccedilotildees aqui definidas
Analogamente aos capiacutetulos anteriores somente retornos previstos que estatildeo no
quarto quartil (ver seccedilatildeo 53) satildeo considerados para a operaccedilatildeo Deste modo se
o preccedilo de fechamento previsto no tempo t + 1 for maior (menor) que o preccedilo real
no tempo t a tendecircncia prevista eacute de alta (baixa) Assim durante a simulaccedilatildeo a
cada novo evento (que corresponde a um novo candle) analisamos se o retorno
previsto para cada valor de R estaacute no quarto quartil e se esta condiccedilatildeo for satisfeita
o sinal correspondente eacute considerado em uma votaccedilatildeo (ver seccedilatildeo 66) De acordo
com o sinal da votaccedilatildeo realizamos uma nova operaccedilatildeo de compra (long) ou venda
descoberta (short) a mercado As posiccedilotildees de cada uma das operaccedilotildees satildeo fechadas
de forma independente
Para fechar as posiccedilotildees de compra ou venda descoberta de cada operaccedilatildeo definimos
dois modelos de operaccedilatildeo o modelo de operaccedilatildeo 1 (MO1) e o modelo de operaccedilatildeo 2
(MO2) O MO1 sempre desfaz a operaccedilatildeo no candle seguinte atraveacutes de uma contra
ordem O MO2 desfaz as posiccedilotildees baseado em stops As caracteriacutesticas de cada uma
das estrateacutegias seratildeo detalhadas nas seccedilotildees 72 e 73
Nas simulaccedilotildees utilizamos 3 tamanhos diferentes de R Para cada valor de R o
modelo gera um sinal de tendecircncia prevista sendo possiacutevel realizar a votaccedilatildeo entre
estes sinais gerados Nas execuccedilotildees seguintes a cada chegada de um novo candle
a janela eacute atualizada com o novo valor e descarta-se o dado mais antigo Os dados
utilizados para a simulaccedilatildeo das estrateacutegias foram preccedilos de abertura e fechamento
das 10 accedilotildees com maior liquidez na Bovespa nos anos de 2017 e 2018 Informaccedilotildees
de volume tambeacutem foram utilizadas para anaacutelise dos experimentos Esta reduccedilatildeo
no nuacutemero de accedilotildees analisadas eacute devida a limitaccedilotildees da plataforma em relaccedilatildeo ao
custo de execuccedilatildeo e tambeacutem pelo fato de diminuir execuccedilotildees parciais devido ao
volume reduzido de candles de accedilotildees com menor liquidez A frequecircncia dos candles
utilizados eacute de 5 minutos Os tamanhos das janelas de dados utilizadas foram R = 500
R = 1000 e R = 1500
Diante de cada novo candle disponiacutevel o modelo utiliza a janela de dados para tratar o
preccedilo conforme a seccedilatildeo 51 e calcular o novo sinal naquele instante para cada valor
de R Uma votaccedilatildeo eacute realizada entre os sinais retornados para cada R Conforme o
resultado obtido a ordem eacute enviada pela plataforma de acordo com o sinal de compra
venda ou natildeo opera retornado pelo modelo (ver seccedilatildeo 66) O modelo prevecirc o preccedilo
de fechamento no tempo t+ 1 por isso o ideal seria realizar a operaccedilatildeo no mesmo
preccedilo que foi utilizado para fazer a previsatildeo poreacutem natildeo eacute possiacutevel executar a ordem
neste preccedilo de fechamento pc(t)2 Desta forma configuramos as funccedilotildees agendadas
2pc(t) coincide com os preccedilos brutos x(t) definidos em 39
69
da plataforma para que o preccedilo de execuccedilatildeo fique o mais proacuteximo possiacutevel do preccedilo
de abertura do candle seguinte po(t+ 1) Como discutido anteriormente a plataforma
natildeo permite a negociaccedilatildeo exatamente com esse preccedilo sendo realizada no preccedilo
q0(t + 1) conforme a equaccedilatildeo 40 Ou seja utilizamos o preccedilo de fechamento no
tempo t para gerar o sinal e realizamos a operaccedilatildeo num preccedilo proacuteximo ao de abertura
po(t+ 1) do candle seguinte
Para uma dada accedilatildeo a estrateacutegia soacute recebe um sinal de compravenda quando
o modelo prevecirc retornos que estatildeo no quarto quartil (veja seccedilatildeo 53) Em caso
contraacuterio o modelo envia um sinal neutro para que natildeo execute operaccedilotildees naquele
momento Para verificar se os retornos previstos estatildeo no quarto quartil utilizamos
uma janela de tamanho Q = 100 pontos Desta forma a primeira operaccedilatildeo soacute poderaacute
ocorrer a partir do (Q + 1)-eacutesimo sinal produzido Antes disso o modelo sempre
retornaraacute sinais neutros Dado o sinal natildeo neutro uma ordem de compra ou venda
descoberta eacute submetida A venda descoberta eacute feita quando o modelo retorna um
sinal indicando que o preccedilo poderaacute cair Neste caso acreditando que o preccedilo da
accedilatildeo iraacute baixar vendemos a accedilatildeo a descoberto e de acordo com o criteacuterio de cada
estrateacutegia compramos a accedilatildeo para repor a venda em tempos seguintes A sequecircncia
da simulaccedilatildeo eacute apresentada na figura 18
Para padronizar utilizamos os mesmos paracircmetros na configuraccedilatildeo da plataforma
para as duas estrateacutegias O capital inicial utilizado em ambas foi de R$1000000 00 A
quantidade de cada uma das accedilotildees negociadas a cada ordem foi 10 vezes o tamanho
do lote padratildeo Na plataforma as accedilotildees soacute satildeo negociadas em lotes padratildeo natildeo
sendo permitidas negociaccedilotildees no mercado fracionaacuterio3 A quantidade de accedilotildees no
lote padratildeo definido na plataforma em alguns casos difere da quantidade definida no
mercado real conforme apresentado nas tabelas 24 e 25 disponiacuteveis no apecircndice
B Como exemplo temos a accedilatildeo do Bradesco (BBDC4) que tem na composiccedilatildeo de
seu lote padratildeo 145 accedilotildees enquanto no mercado real o lote padratildeo desta accedilatildeo eacute
composto por 100 accedilotildees
As configuraccedilotildees de custos satildeo utilizadas para incluir custos transacionais durante
a execuccedilatildeo da estrateacutegia As configuraccedilotildees de custo aplicadas na simulaccedilatildeo foram
baseadas no cenaacuterio brasileiro Aplicamos as taxas cobradas pela Bovespa conforme
a tabela 8 e consideramos as operaccedilotildees atraveacutes de corretoras que oferecem taxas
zero para negociaccedilotildees no mercado agrave vista Os custos transacionais foram aplicados
de acordo com o volume financeiro negociado Para comparaccedilatildeo as simulaccedilotildees foram
realizadas com taxas e sem taxas
No mercado real eacute possiacutevel que as ordens lanccediladas sejam executadas parcialmente
Isso acontece devido ao volume da ordem e agrave liquidez do ativo Na simulaccedilatildeo aqui
3No mercado fracionaacuterio satildeo negociadas fraccedilotildees do lote padratildeo das accedilotildees
70
Tabela 8 ndash Taxas de negociaccedilatildeo e de liquidaccedilatildeo da BOVESPA
Volume daytrade (R$ milhotildees)Negociaccedilatildeo Liquidaccedilatildeo TotalPessoa fiacutesica Pessoa juriacutedica
Ate 4 Ateacute 20 0004245 0020000 0024245De 4 ateacute 125 De 20 ateacute 50 0003000 0020000 0023000
De 125 ateacute 25 De 50 ateacute 250 0000500 0019500 0020000De 25 ateacute 50 De 250 ateacute 500 0000500 0017500 0018000Mais de 50 Mais de 500 0000500 0015500 0016000
Nota Os valores satildeo para operaccedilotildees de day trade e foram obtidos no site da BOVESPAdisponiacutevel em httpwwwb3combrpt_brprodutos-e-servicostarifaslistados-a-vista-e-
derivativosrenda-variaveltarifas-de-acoes-e-fundos-de-investimentoa-vista
descrita configuramos para que o volume da ordem lanccedilada seja executado totalmente
na simulaccedilatildeo Poreacutem em alguns casos em accedilotildees com menor liquidez o volume do
candle disponiacutevel seraacute menor que o tamanho da ordem submetida e neste caso a
ordem seraacute executada parcialmente ateacute o limite maacuteximo do candle disponiacutevel Por
isso para evitarmos estas execuccedilotildees parciais utilizamos as accedilotildees com maior liquidez
na Bovespa De fato as ordens que submetemos tecircm volume bem menor do que o
dos candles Portanto acreditamos que a aproximaccedilatildeo que usamos (volume total da
ordem negociado) natildeo leva a importantes distorccedilotildees
A plataforma permite alocar o capital parado durante a estrateacutegia em uma aplicaccedilatildeo
tal como CDI4 Nas simulaccedilotildees definimos que o capital parado natildeo seraacute remune-
rado Com isso evitamos interferecircncia em nossos resultados de remuneraccedilotildees natildeo
advindas da estrateacutegia
Nas proacuteximas seccedilotildees vamos apresentar as duas estrateacutegias diferentes No modelo
de operaccedilatildeo 1 (MO1) vamos abrir a posiccedilatildeo de compra ou venda no instante de
tempo analisado e fechar a posiccedilatildeo no instante seguinte Jaacute no modelo de operaccedilatildeo 2
(MO2) uma ordem de compra ou venda eacute enviada e executada e a posiccedilatildeo referente
a esta ordem soacute seraacute zerada quando o stop definido for atingido
Para ilustrar as etapas das estrateacutegias desenvolvemos a figura 18 que apresenta as
principais fases da execuccedilatildeo Na etapa de configuraccedilatildeo dos paracircmetros definimos os
dados que seratildeo utilizados na simulaccedilatildeo tais como a frequecircncia dos candles e as
accedilotildees escolhidas Nesta etapa tambeacutem configuramos os custos operacionais capital
que seraacute alocado para a execuccedilatildeo e as variaacuteveis de controle de risco da estrateacutegia
dentre outras configuraccedilotildees possiacuteveis
Na coleta inicial de dados uma janela de dados histoacutericos de tamanho R eacute arma-
zenada para o caacutelculo da primeira matriz inicial Estes dados satildeo enviados para o
4Certificados de Depoacutesitos Interbancaacuterios satildeo tiacutetulos emitidos para a realizaccedilatildeo de operaccedilotildees de empreacutes-timo ou captaccedilatildeo de recursos financeiros entre os bancos
71
modelo de previsatildeo (MP) onde satildeo tratados Com a matriz de dados tratados X eacute
possiacutevel executar o modelo e gerar um sinal de previsatildeo Este sinal eacute aplicado de
acordo com cada estrateacutegia No modelo de operaccedilatildeo MO1 ao receber o sinal uma
posiccedilatildeo de compra ou venda eacute aberta o status da ordem eacute atualizado e a ordem
anterior se existir posiccedilatildeo aberta eacute zerada atraveacutes de uma contra ordem Jaacute na
estrateacutegia MO2 os stops satildeo calculados e a operaccedilatildeo eacute aberta Nesta estrateacutegia as
operaccedilotildees satildeo zeradas quando atingem os valores de stop loss ou stop gain Todo o
procedimento eacute repetido a cada chegada de um novo candle
72
MP
MO2
MO1
Configuraccedilatildeo
de
paracircmetros
Zera posiccedilatildeo
Calcula stops
Abre operaccedilatildeo
Gera sinal
Abre Posiccedilatildeo
Tratamento dos
dadosNovo candle
Coleta inicial
de dados
Atualiza estado
do sistema
Figura 18 ndash Fluxograma das estrateacutegias Principais fases de execuccedilatildeo do modelo deoperaccedilatildeo 1 (MO1) e do modelo de operaccedilatildeo 2 (MO2) Na etapa de configuraccedilatildeode paracircmetros satildeo definidas as caracteriacutesticas gerais das simulaccedilotildees Na etapade coleta inicial de dados uma sequecircncia de tamanho R de dados histoacutericosdas accedilotildees eacute armazenada para o caacutelculo da primeira matriz No modelo deprevisatildeo (MP) os dados satildeo tratados e enviados para que o modelo gere umsinal de previsatildeo de tendecircncia Para MO1 dado o sinal de previsatildeo natildeo neutrouma posiccedilatildeo de compravenda eacute aberta o estado do sistema eacute atualizado e aposiccedilatildeo anterior eacute zerada Jaacute em MO2 o valor do stop eacute calculado e a operaccedilatildeoeacute aberta associada aos valores de stop gain e stop loss A cada novo dadodisponiacutevel (novo candle) o modelo de previsatildeo eacute computado e todo o processoeacute repetido
73
Para quantificar o desempenho das estrateacutegias utilizamos os indicadores calculados
pela plataforma durante a execuccedilatildeo das simulaccedilotildees A descriccedilatildeo completa de cada
uma destes indicadores foi apresentada na seccedilatildeo 411 Os principais indicadores
utilizados foram
Retorno acumulado que mostra o retorno obtido com a estrateacutegia ao final da
execuccedilatildeo Eacute dado pela razatildeo entre o capital final possuiacutedo e o inicial investido
Volatilidade eacute o indicador retornado pela plataforma que representa a volatilidade da
estrateacutegia anualizada considerando os retornos diaacuterios da mesma
Sharpe eacute o iacutendice que indica a relaccedilatildeo do risco e retorno de um investimento Quanto
maior o Sharpe maior a expectativa de retorno frente ao risco associado Utiliza como
benchmark um investimento livre de risco Na simulaccedilatildeo utilizamos como benchmark
o CDI
Sortino eacute semelhante ao iacutendice Sharpe e avalia a relaccedilatildeo entre risco e retorno de
uma estrateacutegia poreacutem leva em consideraccedilatildeo apenas a volatilidade dos retornos
negativos
Max drawdown mostra a maior perda que a estrateacutegia obteve durante a execuccedilatildeo
Beta eacute o indicador que mostra a correlaccedilatildeo entre a estrateacutegia e um benchmark
medindo o quanto o crescimentodecrescimento da estrateacutegia segue o benchmark
Alpha eacute o paracircmetro que mostra o quanto a estrateacutegia se destacou positivamente dos
retornos retratados pelo benchmark
Retorno anual esperado eacute o indicador que estima o retorno que a estrateacutegia alcan-
ccedilaraacute no periacuteodo de um ano mantendo a mesma performance
Estabilidade mostra a estabilidade da estrateacutegia baseada nos retornos acumulados
PNL indica o ganho ou perda financeira ao final da execuccedilatildeo da estrateacutegia
VAR eacute utilizado para calcular o risco da estrateacutegia Na plataforma este paracircmetro
estima o pior caso esperado de retorno diaacuterio da simulaccedilatildeo
Taxas representa os custos operacionais da estrateacutegia tais como corretagem emolu-
mentos e outras tarifas de serviccedilos aplicadas ao mercado acionaacuterio brasileiro Taxas
de aluguel natildeo foram consideradas uma vez que a estrateacutegia eacute desenvolvida no
intraday5 e as posiccedilotildees satildeo zeradas no mesmo dia
72 Modelo de operaccedilatildeo 1
A estrateacutegia MO1 consiste em comprar ou vender a descoberto conforme o sinal
retornado pelo modelo e desfazer (zerar) a posiccedilatildeo no passo seguinte de acordo com
5Operaccedilotildees realizadas dentro de um mesmo dia
74
a frequecircncia do candle analisado Para esta estrateacutegia desenvolvemos trecircs funccedilotildees de
agendamento6 uma para manipulaccedilatildeo dos dados e execuccedilatildeo do modelo outra para
desfazer as posiccedilotildees abertas no mercado e por fim uma funccedilatildeo de agendamento
para emitir ordens de posicionamento (compra ou venda) de acordo com o sinal
gerado pelo modelo
Neste modelo de operaccedilatildeo aleacutem da simulaccedilatildeo eacute possiacutevel tambeacutem calcular as acu-
raacutecias da forma que foram apresentadas no capiacutetulo 6 Deste modo na proacutexima
subseccedilatildeo vamos apresentar as acuraacutecias obtidas para os mesmos dados e periacuteodos
utilizados na simulaccedilatildeo do modelo
721 Acuraacutecias
As acuraacutecias obtidas com o modelo apresentadas no capiacutetulo 6 satildeo referentes a
preccedilos de fechamento dos candles Os resultados que laacute apresentamos utilizam a
matriz de preccedilos ateacute o tempo t para gerar um sinal e encontrar os preccedilos previstos
X(t + 1) Consideramos para o caacutelculo de tendecircncia prevista a diferenccedila do preccedilo
previsto X(t+ 1) e o preccedilo real X(t) Aqui analisamos a acuraacutecia de duas formas
uma eacute idecircntica agrave anterior comparando a tendecircncia prevista agravequela observada atraveacutes
da diferenccedila entre os preccedilos de fechamento X(t) e X(t+ 1) chamaremos esta de
acuraacutecia canocircnica A outra eacute de acordo com a simulaccedilatildeo mais realiacutestica em que de
posse do preccedilo de fechamento do candle X(t) eacute possiacutevel calcular um sinal utilizando
este valor e imediatamente lanccedilar uma ordem de acordo com o sinal poreacutem o preccedilo
de execuccedilatildeo seraacute qo(t+ 1) que eacute um valor proacuteximo da abertura do candle seguinte
Desta forma a acuraacutecia deveraacute ser calculada comparando-se a tendecircncia prevista
com o movimento observado entre qo(t + 1) e X(t + 1) Estes resultados seratildeo
denominados acuraacutecias efetivas
Nas tabelas 9 e 10 mostramos as acuraacutecias obtidas para R = 500 R = 1000
R = 1500 e tambeacutem para a votaccedilatildeo unacircnime entre estes valores de R para o ano de
2017 e 2018 respectivamente Esses valores satildeo referentes a acuraacutecias canocircnicas
Os valores apresentados nas tabelas 11 e 12 satildeo referentes agraves acuraacutecias efetivas
obtidas nos anos de 2017 e 2018 respectivamente Como na simulaccedilatildeo anterior aqui
tambeacutem utilizamos os seguintes valores de R como paracircmetros de entrada para o
modelo R = 1500 R = 1000 e R = 500 Tambeacutem apresentamos a votaccedilatildeo unacircnime
entre esses valores de R
Analisando os resultados percebemos que as acuraacutecias efetivas geralmente satildeo
menores quando comparadas agraves acuraacutecias canocircnicas
6Funccedilotildees programadas para serem executadas em intervalos preacute-determinados a cada novo evento
75
Tabela 9 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespa noano de 2017
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 055176541 054323459 053798481 05496368VALE5 053415179 054329485 053480018 05384045CIEL3 053849399 054848801 054806465 05534425VALE3 052433407 052550201 051997615 05267777ITUB4 055874726 05566846 054563297 05615032PETR4 058868605 057385475 057413249 05831128ABEV3 056385379 055507608 055918367 05668191BOVA11 054358257 054148385 053963893 05485689BBAS3 053731644 052841136 053358886 05343546PETR3 054584775 054169374 053303011 05469478
Tabela 10 ndash Acuraacutecias canocircnicas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespano ano de 2018
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 05248441 05222335 05313253 05270455ITUB4 053228346 053066878 052536956 05364042ITUB3 07219697 071792261 069898219 07209546ABEV3 052848723 052844997 052051169 05241737PETR4 052412925 050901468 051598078 05126012BBAS3 052238209 052155772 053148111 05242525BOVA11 054383243 053680922 053006939 05438518B3SA3 054016106 053573623 053500714 05414768VALE3 049833301 049735864 049960427 04964061MGLU3 052293755 052034095 051935298 05264673
Tabela 11 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespa noano de 2018
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 05011914 05024945 05049741 05296443VALE5 05531525 05955037 06322361 05145472CIEL3 04749896 04713191 04787458 05386266VALE3 04914488 05031373 04957248 05077800ITUB4 04987131 05083433 05004837 05428696PETR4 04947859 04978012 04975523 05332230ABEV3 04814815 04783004 04835861 05285027BOVA11 05052568 05092074 05058312 05167801BBAS3 04971075 04975282 04996000 05235765PETR3 04963441 05061648 05031515 05144113
76
Tabela 12 ndash Acuraacutecias efetivas calculadas para as 10 accedilotildees mais liacutequidas do Ibovespa noano de 2018
R=500 R=1000 R=1500 VotaccedilatildeoBBDC4 05101960 05039117 05081028 05101540ITUB4 05006803 05002930 05037490 05204274ITUB3 05900638 05841450 05702323 05326117ABEV3 04933448 04994650 04991361 05103865PETR4 05015291 04919239 04924980 04957188BBAS3 04973493 04922655 04955735 05166485BOVA11 05018457 05005853 04940293 05096904B3SA3 04980726 05030328 05012077 05233708VALE3 04958454 04913661 04944735 04910852MGLU3 04899507 04966571 04910714 05047889
As acuraacutecias obtidas indicam na maioria das vezes que o modelo eacute diferente de
um processo totalmente aleatoacuterio Mas somente as acuraacutecias natildeo indicam retorno
financeiro positivo pelo modelo Outras variaacuteveis devem ser consideradas tais como
taxas volatilidade e liquidez Um exemplo de accedilatildeo em que o modelo apresentou
uma acuraacutecia consideraacutevel foi a CPFE3 tanto no capiacutetulo 6 quanto para os dados
utilizados neste capiacutetulo para a simulaccedilatildeo (anos de 2017 e 2018) Poreacutem no momento
da simulaccedilatildeo este ativo apresentou problemas nas execuccedilotildees das ordens e contra
ordens devido agrave sua baixa liquidez Quando lanccedilamos a ordem de compra de 1000
accedilotildees e em seguida a contra ordem de venda da mesma quantidade em alguns
casos as ordens natildeo foram totalmente executadas (execuccedilatildeo parcial) Percebemos
que isso acontece quando o volume do candle naquele instante eacute menor que o
tamanho definido da ordem Este resultado sugere que apenas as acuraacutecias natildeo
satildeo as melhores variaacuteveis para representar o sucesso do modelo Informaccedilotildees como
liquidez volume de negociaccedilatildeo e volatilidade do ativo tambeacutem devem ser levadas
em consideraccedilatildeo Deste modo para evitarmos ordens parcialmente executadas
utilizamos na simulaccedilatildeo apenas as 10 accedilotildees com maior liquidez na Bovespa Os
resultados da simulaccedilatildeo para estas accedilotildees seratildeo apresentados na proacutexima subseccedilatildeo
722 Simulaccedilatildeo
Nesta subseccedilatildeo vamos apresentar a simulaccedilatildeo do modelo de operaccedilatildeo 1 (MO1)
utilizando as accedilotildees com maior liquidez na Bovespa Para analisar o retorno financeiro
do MO1 realizamos esta simulaccedilatildeo em dois cenaacuterios um que natildeo considera taxas
operacionais e outro em que utilizam-se os custos praticados pela Bovespa apresen-
tados na tabela 8 Para ambas as simulaccedilotildees consideramos taxa de corretagem7 zero
Este benefiacutecio eacute oferecido por algumas corretoras de valores que isentam desta taxa
7A taxa de corretagem eacute um valor cobrado pelas corretoras de valores para cada operaccedilatildeo de compra ouvenda de accedilotildees e outros ativos na Bolsa
77
de compra e venda de accedilotildees Os resultados da simulaccedilatildeo sem custos operacionais
para todo o ano de 2017 e tambeacutem no ano de 2018 satildeo apresentados nas tabelas
13 e 14 respectivamente Os indicadores obtidos quando consideramos as taxas
praticadas pela Bovespa nos mesmos periacuteodos satildeo apresentados nas tabelas 15 e
16
Tabela 13 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas ano de 2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown1015 2506 1117 102 -046Alpha Beta Retorno anual esperado Estabilidade PNL
1134 0 1036 097 R$ 1116888Taxa VaR Meacutedia caixa estrateacutegia (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -008 102121547 (1401887) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo MO1 sem taxas para o periacuteodo de 2017
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
Tabela 14 ndash Resultados da simulaccedilatildeo utilizando MO1 sem taxas no ano de 2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown693 1593 1581 238 -147
Alpha Beta Retorno anual esperado Estabilidade PNL1646 -001 1648 098 R$ 15806609
Taxa VaR Meacutedia Caixa estrateacutegia (R$) Taxa de custoacutedia Taxa de aluguelR$000 -021 103123246 (3217683) R$000 R$000Nota Indicadores resultantes para a simulaccedilatildeo MO1 sem taxas para o periacuteodo de 2018
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
Tabela 15 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacionais para oano de 2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown-1928 -1928 -4326 225 -4326Alpha Beta Retorno anual esperado Estabilidade PNL
-4420 001 -4334 1 R$ -4326082Taxa VaR Meacutedia caixa estrateacutegia (R$) Taxa de custoacutedia Taxa de aluguel
R$ 5442970 -039 88914684 (637626) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo MO1 com taxas para o periacuteodo de 2017
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
Os valores dos indicadores apresentados nas tabelas 13 1415 e 16 satildeo obtidos
com a simulaccedilatildeo que utiliza a combinaccedilatildeo de todas as 10 accedilotildees para gerar o sinal e
78
Tabela 16 ndash Resultados da simulaccedilatildeo utilizando MO1 aplicando taxas operacionais para oano de 2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown-992 -1015 -7030 687 -7031Alpha Beta Retorno anual esperado Estabilidade PNL
-7116 -001 -6815 1 R$ -70295405Taxa VaR Meacutedia Caixa estrateacutegia Taxa de custoacutedia Taxa de aluguel
R$ 86102015 -104 83370919 (9464573) R$000 R$000Nota Indicadores resultantes para a simulaccedilatildeo MO1 com taxas para o periacuteodo de 2018
para as 10 accedilotildees com maior liquidez no mercado brasileiro Os sinais foram geradosutilizando-se as 10 accedilotildees e as operaccedilotildees foram realizadas com as quais apresentaram
sinais natildeo neutros
posteriormente realiza operaccedilotildees com as accedilotildees nas quais o modelo envia um sinal
natildeo neutro O retorno obtido nesta situaccedilatildeo eacute o retorno acumulado ra entre todas
estas accedilotildees
Na simulaccedilatildeo sem aplicar taxas o retorno acumulado ra foi positivo no ano de 2017 e
2018 Jaacute na simulaccedilatildeo em que aplicamos taxas transacionais o retorno acumulado
ra foi negativo em ambos os periacuteodos analisados Isso exemplifica o quanto as taxas
impactam os retornos financeiros
O resultado do indicador sharpe que mostra a relaccedilatildeo entre risco e retorno de
um investimento quando comparado a um investimento sem risco foi negativo em
ambos os periacuteodos analisados para a simulaccedilatildeo aplicando taxas transacionais Jaacute as
estrateacutegias sem taxas os iacutendices apresentaram valores positivos indicando que haacute
uma relaccedilatildeo positiva entre risco e retorno da estrateacutegia
Quando avaliada a relaccedilatildeo risco e retorno da estrateacutegia levando em consideraccedilatildeo
apenas a volatilidade negativa os resultados obtidos para o indicador sortino foram
positivos para as simulaccedilotildees sem taxas e quando inseridos os custos transacionais
os resultados do indicador foram negativos em ambos os periacuteodos
Os maiores percentuais de perdas da estrateacutegia durante as execuccedilotildees retratada pelo
indicador Max drawdown foram obtidos para as estrateacutegias simuladas com taxas
sendo minus43 26 no ano de 2017 e minus70 31 no ano de 2018 Jaacute para as estrateacutegias
sem taxas os Max drawdown obtidos foram minus0 46 no ano de 2017 e minus1 47 no
ano de 2018
Os piores casos esperados de retornos diaacuterios da estrateacutegia estimado pelo indicador
VAR foram obtidos para as simulaccedilotildees com taxas No anos de 2017 o valor obtido foi
minus0 39 e no ano de 2018 o valor foi minus1 04 Para as simulaccedilotildees sem taxas o valor
foi minus0 08 no ano de 2017 e minus0 21 no ano de 2018 Analisando as simulaccedilotildees
com taxas e sem taxas percebemos que os piores casos para ambas as estrateacutegias
foram obtidos no ano de 2018 Neste mesmo periacuteodo a volatilidade anualizada da
79
estrateacutegia considerando os desvios dos retornos diaacuterios foi maior que em 2017 Isto
nos sugere que em periacuteodos de maior volatilidade diaacuteria os piores casos dos retornos
diaacuterios tendem a ser maiores do que em periacuteodos de menor volatilidade
O resultado do indicador Beta que mostra a correlaccedilatildeo do desempenho negativo e
positivo da estrateacutegia em relaccedilatildeo a um benchmark no ano de 2018 foi negativo para
a estrateacutegia executada sem taxas operacionais e tambeacutem para a estrateacutegia com taxas
No ano de 2017 o resultado de Beta para a estrateacutegia com taxas foi positivo e para a
simulaccedilatildeo sem taxas o valor de Beta foi zero
Os resultados do indicador Alpha que retorna o valor que representa o quanto a
estrateacutegia se destacou em relaccedilatildeo ao desempenho da economia (representado por
um benchmark) para as simulaccedilotildees referentes aos anos de 2017 e 2018 foram
positivos para as estrateacutegias em que natildeo aplicamos taxas operacionais Jaacute para as
estrateacutegias com taxas inseridas os resultados foram negativos em ambos os periacuteodos
O indicador de retorno anual esperado mostra o resultado estimado que a estrateacutegia
alcanccedilaraacute no periacuteodo de 1 ano Os resultados para as simulaccedilotildees sem taxas foram
positivos para ambos os periacuteodos Jaacute para as simulaccedilotildees com taxas os resultados
dos retornos estimados foram negativos para os anos de 2017 e 2018
Para as simulaccedilotildees com taxas o resultado do indicador de estabilidade da estrateacutegia
baseado no coeficiente de determinaccedilatildeo R2 dos retornos acumulados foi igual a 1
para os anos de 2017 e 2018 Para as simulaccedilotildees sem taxas os resultados foram
0 97 e 0 98 para os anos de 2017 e 2018 respectivamente
Como esperado o indicador PNL que mostra o resultado financeiro (lucro ou prejuiacutezo)
apoacutes a execuccedilatildeo da estrateacutegia para ambas as simulaccedilotildees aplicando taxas foram
negativos Jaacute para as simulaccedilotildees sem considerar taxas operacionais os resultados
para este indicador foram positivos em ambos os periacuteodos
A meacutedia de caixa da estrateacutegia ficou proacutexima do valor total de capital inicial configurado
A pouca alocaccedilatildeo de capital foi proporcionada pelo fato de que as posiccedilotildees nesta
simulaccedilatildeo satildeo zeradas no instante (candle) seguinte
Os custos referentes agrave taxa de custoacutedia8 e de aluguel de accedilotildees natildeo se aplicam nas
simulaccedilotildees uma vez que as posiccedilotildees satildeo zeradas no mesmo dia
Na maioria das vezes o modelo apresentou acuraacutecias com valores superiores a um
modelo aleatoacuterio mas ainda assim quando inserimos taxas o mesmo natildeo apresentou
um retorno financeiro consideraacutevel Isso nos motivou a investigar as estatiacutesticas dos
preccedilos e custos de execuccedilatildeo da estrateacutegia As taxas de negociaccedilatildeo liquidaccedilatildeo e
corretagem satildeo responsaacuteveis por diminuiacuterem o retorno Para explorarmos as carac-
8Eacute uma taxa cobrada pela manutenccedilatildeo de posiccedilatildeo de accedilotildees na bolsa de valores
80
teriacutesticas dos dados uma anaacutelise estatiacutestica dos preccedilos na amostra completa e nos
tempos com negociaccedilatildeo foi realizada e seraacute apresentada na proacutexima subseccedilatildeo
723 Anaacutelise estatiacutestica de resultados financeiros relativos ao MO1
Para o modelo de operaccedilatildeo 1 que zera a posiccedilatildeo no fechamento do candle eacute
possiacutevel verificar estatisticamente se os resultados obtidos estatildeo de acordo com o
que podemos esperar da estrateacutegia Ateacute aqui utilizamos a combinaccedilatildeo de todas as
10 accedilotildees para gerar o sinal e depois executamos a simulaccedilatildeo operando com todas
as accedilotildees de acordo com o sinal retornado pelo modelo Como um dos resultados
da simulaccedilatildeo eacute obtido um rendimento total agregado ra (referido como retorno
acumulado na seccedilatildeo (71) Aqui para analisarmos as estatiacutesticas do rendimento de
cada accedilatildeo continuamos usando a combinaccedilatildeo de todas as accedilotildees para gerar o sinal
poreacutem empregamos apenas uma accedilatildeo por vez para fazer as operaccedilotildees e calcular o
rendimento da estrateacutegia ltk obtido para cada accedilatildeo k Tal rendimento seraacute comparado
com o rendimento esperado das operaccedilotildees cujo caacutelculo eacute descrito a seguir
Para cada accedilatildeo durante a simulaccedilatildeo eacute possiacutevel observar η retornos9 ∆x(t) no
intervalo analisado com (t = 1 η) Como o modelo natildeo opera em todos os
passos de tempo uma vez que a operaccedilatildeo depende de um sinal natildeo neutro enviado
ele iraacute atuar em um subconjunto dos η retornos Para cada valor de t o modelo
apresenta uma probabilidade po de operar naquele dado candle Assumimos aqui que
a probabilidade que haja sinal natildeo neutro em tal candle natildeo depende de t Dado um
sinal natildeo neutro a probabilidade de que o modelo acerte a previsatildeo eacute pa e de que
erre eacute pe = 1minus pa
Consideremos que na simulaccedilatildeo foram realizadas m le η operaccedilotildees Tomando
aleatoriamente uma dessas operaccedilotildees ela pode se referir a qualquer um dos retornos
∆x(t) com probabilidade uniforme 1η Jaacute a probabilidade de qual tal operaccedilatildeo seja
referente a ∆x(t) e que a previsatildeo a ela relacionada seja acertada (errada) eacute paη
(peη)
Durante a simulaccedilatildeo se o modelo acerta a previsatildeo de tendecircncia o resultado finan-
ceiro eacute acrescido do valor do retorno Se ele erra eacute decrescido de forma equivalente
Assim se o retorno ∆x(t) de moacutedulo |∆x(t)| for escolhido para operar ele pode pro-
duzir uma variaccedilatildeo |∆x(t)| ou minus |∆x(t)| no resultado (considerando-se neste ponto
que a operaccedilatildeo se refere a uma accedilatildeo apenas e natildeo a um lote de accedilotildees) Portanto
para cada operaccedilatildeo escolhida aleatoriamente no conjunto de todas as operaccedilotildees a
probabilidade de que o retorno ∆x(t) tenha sido escolhido e que tenha levado a uma
variaccedilatildeo |∆x(t)| (minus |∆x(t)|) eacute paη (peη)
9Retornos reais entre cada um dos candles no periacuteodo da simulaccedilatildeo
81
Definamos uma variaacutevel aleatoacuteria M que pode assumir valores no conjunto
|∆x(t)| minus |∆x(t)| com probabilidade paη associada aos valores |∆x(t)| e peη
aos valores minus |∆x(t)| A variaacutevel M corresponde agrave variaccedilatildeo do resultado financeiro
de uma operaccedilatildeo escolhida aleatoriamente no conjunto das operaccedilotildees
Suponhamos que tomamos uma por uma as operaccedilotildees disponiacuteveis no conjunto ateacute
esgotaacute-lo e que somamos as variaccedilotildees correspondentes Tal soma coincide com a
variaccedilatildeo total dasm operaccedilotildees ou seja o resultado final da estrateacutegia aplicada agravequela
accedilatildeo especiacutefica A variaacutevel aleatoacuteria a ela associada eacute SM =msumj=1
Mj Consideraremos
no que segue que as Mj satildeo independentes e identicamente distribuiacutedas com
distribuiccedilatildeo igual agrave de M De fato isto eacute uma aproximaccedilatildeo do cenaacuterio real uma vez
que ao retirarmos um retorno do conjunto a distribuiccedilatildeo do mesmo muda
A meacutedia e a variacircncia de M satildeo respectivamente
microM =
ηsumi=1
paη|∆x(t)|+
ηsumi=1
peη
(minus |∆x(t)|) =
(2pa minus 1
η
) ηsumi=1
|∆x(t)| (42)
e
σ2M =
ηsumi=1
paη
(|∆x(t)| minus microM)2 +
ηsumi=1
peη
(minus |∆x(t)| minus microM)2 (43)
=
(pa + peη
)( ηsumi=1
|∆x(t)|2 +
ηsumi=1
micro2M
)minus 2microM
(pa minus peη
) ηsumi=1
|∆x(t)|
=1
η
ηsumi=1
|∆x(t)|2 minus micro2M
onde usamos pa + pe = 1 Assumindo a independecircncia entre os diferentes Mj a
meacutedia e a variacircncia de SM satildeo respectivamente
microSM= mmicroM (44)
e
σ2SM
= mσ2M (45)
Consideremos que as operaccedilotildees satildeo realizadas em lotes de tamanho λ de accedilotildees
Desta forma o valor esperado do rendimento financeiro referente agraves m operaccedilotildees
pode ser escrito como
microM =
(λ
(2pa minus 1
η
) ηsumi=1
|∆x(t)|
)m (46)
A variacircncia por sua vez
σ2M =
(λ2
η
ηsumi=1
|∆x(t)|2 minus micro2M
)m (47)
82
Para investigarmos se estatisticamente os rendimentos ltk efetivamente obtidos para
cada accedilatildeo k estatildeo de acordo com o que poderiacuteamos esperar do modelo analisamos a
partir da acuraacutecia e do retorno ∆x(t) o valor esperado de tais rendimentos As meacutedias
satildeo dadas por microM seguidas de seus desvios σM Para o caacutelculo da variaccedilatildeo das
operaccedilotildees utilizamos duas amostras a amostra que conteacutem o conjunto com todos
retornos ∆x(t) do periacuteodo analisado e a amostra que conteacutem somente os retornos
∆x(t) em que t coincide com os tempos em que o modelo operou Os resultados com
as meacutedias (desvios) calculadas (os) nas 2 amostras e os dados dos rendimentos ltkobtidos com o modelo de operaccedilatildeo 1 nos anos de 2017 e 2018 satildeo apresentados nas
tabelas 17 e 18 Os valores obtidos satildeo tambeacutem apresentados nas figuras 19 e 20
Tabela 17 ndash Rendimentos do modelo de operaccedilatildeo 1 no ano de 2017
2017 ltk Amostra completa microM (σM ) Amostra com negociaccedilatildeo microM (σM )BBDC4 1709317 2182192 (543764) 2632716 (634321)VALE5 1400752 937155 (507952) 1217775 (647243)CIEL3 1219486 2088778 (423495) 2717477 (545393)VALE3 472209 943961 (880760) 1141890 (1046772)ITUB4 234494 3064458 (504063) 3680701 (595252)PETR4 1019821 1190426 (257648) 1344799 (282312)ABEV3 966856 962073 (250578) 1179246 (310227)BOVA11 110868 149747 (67775) 171738 (74792)BBAS3 1642988 1688565 (534599) 2024818 (637786)PETR3 281642 577413 (286412) 679861 (334579)
Nota Na variaacutevel ltk apresentamos o rendimento referente a cada accedilatildeo k Em microM (σM )estatildeo os valores referentes agrave meacutedia (desvio) do retorno esperado de cada accedilatildeo Os valoresforam obtidos utilizando o caacutelculo de retornos esperados na amostra completa e na amostra
em tempos com negociaccedilatildeo
A figura 19 mostra os rendimentos esperados e os efetivamente obtidos com a
simulaccedilatildeo no ano de 2017 para a amostra completa e para os tempos com negociaccedilatildeo
Jaacute a figura 20 mostra resultados anaacutelogos para o ano de 2018
83
0
1
2
3
4104
M M M
k
0 2 4 6 8 10
Accedilotildees
0
1
2
3
4
5Ret
orno
s
104
Figura 19 ndash Rendimentos esperados e os efetivamente obtidos ltk para o ano de 2017para a amostra completa e a amostra com negociaccedilatildeo Os resultados apre-sentados satildeo referentes aos rendimentos esperados e os desvios calculadosnos tempos com negociaccedilatildeo durante a simulaccedilatildeo no ano de 2017 No quadro1 mostramos os resultados referentes agrave amostra completa no quadro 2 es-tatildeo plotados os resultados obtidos com a amostra referente a periacuteodos comnegociaccedilatildeo Os pontos na cor vermelha representam a meacutedia dos rendimen-tos efetivamente obtidos na simulaccedilatildeo os pontos verdes mostram as meacutediasdos rendimentos esperados e os pontos em azul representam o rendimentoesperado plusmn os desvios
84
Tabela 18 ndash Retornos do modelo de operaccedilatildeo 1 no ano de 2018
2018 ltk Amostra completa microM (σM ) Amostra com negociaccedilatildeo microM (σM )ABEV3 610898 435344 (299979) 507860 (348669)BOVA11 -1708 128245 (95594) 144797 (106773)MGLU3 4245592 1674092 (2915445) 2289244 (3870177)ITUB4 2587075 2247439 (765528) 2613596 (893825)PETR4 217876 -27632 (488172) -317157 (569206)BBAS3 1473077 1658255 (727962) 1999888 (874414)ITUB3 3786326 1245687 (472640) 1632559 (565428)VALE3 -625568 -1061141 (874929) -1251794 (1052079)BBDC4 1786022 943903 (663568) 1097792 (792768)B3SA3 1727016 1698116 (537150) 1997159 (627890)
Nota Na variaacutevel ltk apresentamos o rendimento referente a cada accedilatildeo k Em microM (σM )estatildeo os valores referentes agrave meacutedia (desvio) do retorno esperado de cada accedilatildeo Os valoresforam obtidos utilizando o caacutelculo de retornos esperados na amostra completa e na amostra
em tempos com negociaccedilatildeo
85
-2
0
2
4
6104
M M M
k
0 2 4 6 8 10Accedilotildees
-5
0
5
10Ret
orno
s
104
Figura 20 ndash Rendimentos esperados e os efetivamente obtidos ltk para o ano de 2018para a amostra completa e a amostra com negociaccedilatildeo Os resultados apre-sentados satildeo referentes aos rendimentos esperados e os desvios calculadosnos tempos com negociaccedilatildeo durante a simulaccedilatildeo no ano de 2018 No qua-dro 1 mostramos os resultados referentes agrave amosta completa no quadro 2estatildeo plotados os resultados obtidos com a amostra referente a periacuteodos comnegociaccedilatildeo Os pontos na cor vermelha representam a meacutedia dos rendimen-tos efetivamente obtidos na simulaccedilatildeo os pontos verdes mostram as meacutediasdos rendimentos esperados e os pontos em azul representam o rendimentosesperado plusmn os desvios
86
De acordo com os resultados apresentados nas tabelas 17 e 18 e tambeacutem nas figuras
19 e 20 podemos observar que 82 5 dos rendimentos financeiros ltk das accedilotildees
estatildeo dentro faixa de variaccedilatildeo da meacutedia do retorno esperado microM plusmn os desvios σM(33 casos em 40 observaccedilotildees) Tal resultado indica que eacute possiacutevel ter-se uma ideia
do resultado da aplicaccedilatildeo de um modelo de operaccedilatildeo a partir do conhecimento de
sua acuraacutecia e dos retornos absolutos meacutedios
724 Consideraccedilotildees sobre MO1
Neste modelo a cada passo de tempo analisamos se haacute posiccedilotildees em aberto e
fechamos a operaccedilatildeo com ordens a mercado Em alguns casos a ordem desfeita era
imediatamente refeita devido ao sinal enviado pelo modelo Este processo gerou um
nuacutemero de operaccedilotildees maior que o necessaacuterio para a aplicaccedilatildeo do modelo Assim a
simulaccedilatildeo gerou no ano de 2017 um nuacutemero de 97209 operaccedilotildees e no ano de 2018 o
total de 91733 operaccedilotildees Esta quantidade elevada de operaccedilotildees estaacute relacionado agrave
ordens e contra ordens que podem ser executadas em um mesmo instante de tempo
mas natildeo apenas a isso Sendo um modelo de operaccedilatildeo baseado em negociaccedilotildees
de curta duraccedilatildeo o ganho proveniente da acuraacutecia alcanccedilada eacute pequeno em relaccedilatildeo
agraves taxas Por outro lado o MO1 eacute mais controlaacutevel pois conhecendo as acuraacutecias
o retorno meacutedio do ativo e as taxas praticadas no mercado eacute possiacutevel definir a
partir de qual niacutevel o modelo se torna rentaacutevel A partir deste ponto neste tipo de
estrateacutegia o risco eacute menor uma vez que desfazemos rapidamente a posiccedilatildeo ficando
pouco tempo alocados no ativo diminuindo assim o risco de exposiccedilatildeo a grandes
oscilaccedilotildees de mercado Isto acontece pelo fato de que toda operaccedilatildeo eacute desfeita no
passo seguinte antes de abrir novas posiccedilotildees Outra vantagem eacute em relaccedilatildeo ao valor
reduzido de capital necessaacuterio para se manter alocado nas operaccedilotildees Desta forma
concluiacutemos que o MO1 natildeo gera bons resultados no cenaacuterio de taxas e acuraacutecias que
apresentamos Contudo para taxas menores e acuraacutecias maiores pode constituir-se
um modelo interessante devido ao baixo risco que apresenta bem como ao reduzido
capital necessaacuterio
73 Modelo de operaccedilatildeo 2
Nesta estrateacutegia quando o modelo de previsatildeo gera um sinal natildeo neutro operaccedilotildees
de compra ou venda satildeo abertas no preccedilo qo(t+ 1) que eacute o preccedilo mais proacuteximo ao de
abertura po(t+ 1) do candle seguinte disponiacutevel (ver equaccedilatildeo 40) Estas operaccedilotildees
satildeo zeradas apenas quando o preccedilo atinge um valor de stop gain (Sg) ou stop loss
(Sl) Neste modelo de operaccedilatildeo eacute possiacutevel limitar as perdas e ganhos das operaccedilotildees
de forma que as posiccedilotildees satildeo zeradas no momento que o preccedilo atinge um ganho ou
perda determinados independente do tempo No modelo definido se o preccedilo natildeo
87
atingir nenhum stop no periacuteodo da simulaccedilatildeo a posiccedilatildeo eacute fechada no uacuteltimo tempo
da amostra
Para esta estrateacutegia desenvolvemos na plataforma apenas uma funccedilatildeo de agenda-
mento que manipula os dados executa o modelo e lanccedila as ordens ao mercado de
acordo com o sinal de compra ou venda
Os valores dos stops foram inspirados na metodologia apresentada em (GARCIA
et al 2020) Aqui adaptamos para que os valores de uma meacutedia relativa sejam
calculados em uma janela deslizante precedente ao dado analisado Os stops satildeo
definidos com base no moacutedulo do retorno meacutedio de cada accedilatildeo calculado na janela de
dados Q que tambeacutem eacute utilizada para caacutelculo do quartil no periacuteodo precedente ao
instante analisado Esta metodologia eacute utilizada para evitar o uso de dados futuros no
caacutelculo Os valores dos stops foram definidos como
Sl = qo(t+ 1)minus κl
(|∆x|(t)x(t)
)qo(t+ 1) (48)
e
Sg = qo(t+ 1) + κg
(|∆x|(t)x(t)
)qo(t+ 1) (49)
onde x(t) eacute o preccedilo de fechamento no tempo t qo(t + 1) eacute o preccedilo de abertura da
posiccedilatildeo κl = 10 e κg = 20 satildeo paracircmetros escolhidos Jaacute |∆x|(t) eacute a meacutedia dos
moacutedulos dos retornos na janela de tamanho Q dada por
|∆x|(t) =1
Q
tminus1sumτ=tminusQ
∆x(τ) (50)
Estes valores foram definidos considerando a variaccedilatildeo de cada accedilatildeo Assim a cada
instante de tempo o valor do stop varia tanto pela mudanccedila da janela de dados pelo
preccedilo x(t) e tambeacutem pelo preccedilo de abertura de cada operaccedilatildeo qo(t+ 1)
Nesta estrateacutegia como as operaccedilotildees levam mais passos de tempo para serem
zeradas aqui a alocaccedilatildeo de capital durante a execuccedilatildeo foi muito maior que no modelo
de operaccedilatildeo 1 Em todos os periacuteodos analisados o valor financeiro em caixa ficou
em algum momento da execuccedilatildeo totalmente alocado
Analogamente agrave seccedilatildeo anterior para mostrar o efeito das taxas no retorno financeiro
aqui tambeacutem simulamos em dois cenaacuterios Em um deles natildeo aplicamos taxas de
negociaccedilatildeo Na outra estrateacutegia utilizamos as taxas praticadas pela Bovespa que
foram apresentadas na tabela 8
88
Os resultados das simulaccedilotildees sem taxas para o ano de 2017 e 2018 satildeo apresenta-
dos nas tabelas 19 e 20 respectivamente Nestes resultados natildeo consideramos a
remuneraccedilatildeo do capital parado no decorrer da estrateacutegia
Para mostrar a consistecircncia do modelo em diferentes periacuteodos executamos as es-
trateacutegias em todos os quadrimestres do ano de 2017 e 2018 Esta simulaccedilatildeo em
diferentes periacuteodos eacute para evitar a super otimizaccedilatildeo (overfitting) do modelo A super
otimizaccedilatildeo acontece quando a estrateacutegia depois de vaacuterios ajustes funciona muito
bem no periacuteodo analisado poreacutem em outros periacuteodos os resultados natildeo se repetem
tendo um resultado pior Os paracircmetros perfeitos satildeo encontrados para aquele periacuteodo
e soacute funcionam bem naquela amostra Uma forma de testar a estrateacutegia eacute simulando
em periacuteodos diferentes para o teste de validaccedilatildeo Por isso aplicamos a estrateacutegia em
6 diferentes quadrimestres
Os resultados da simulaccedilatildeo para o ano de 2017 com taxas praticadas no mercado
satildeo apresentados na tabela 21 Para o ano de 2018 os resultados satildeo mostrados na
tabela 22 Nestes resultados tambeacutem natildeo consideramos a remuneraccedilatildeo do capital
parado no decorrer da estrateacutegia Como taxa de negociaccedilatildeo utilizamos o maior valor
de taxa de negociaccedilatildeo da Bovespa para day trade apresentado na tabela 8 Como
analisamos vaacuterios periacuteodos o nuacutemero de tabelas e consequentemente o nuacutemero de
indicadores resultantes das simulaccedilotildees eacute grande portanto vamos fazer uma anaacutelise
geral dos resultados
Os valores dos indicadores apresentados nas tabelas 19 20 21 e 22 satildeo obtidos
com a simulaccedilatildeo da estrateacutegia que utiliza a combinaccedilatildeo de todas as 10 accedilotildees para
gerar o sinal e negocia apenas com as accedilotildees em que o modelo retorna um sinal natildeo
neutro indicando uma operaccedilatildeo naquele instante O retorno obtido nesta situaccedilatildeo eacute o
retorno acumulado ra
Nas simulaccedilotildees quando aplicamos a estrateacutegia sem inserir taxas os resultados dos
retornos acumulados ra foram positivos em todos os periacuteodos dos anos de 2017 e
2018 analisados Para a simulaccedilatildeo utilizando taxas aplicadas ao cenaacuterio brasileiro
todos os periacuteodos analisados tambeacutem apresentaram retorno acumulado positivo
com exceccedilatildeo do quadrimestre 1 de 2018 Considerando-se todo o ano de 2017 a
estrateacutegia rendeu 28 5 e o desempenho do Ibovespa foi 20 09 Jaacute no ano de
2018 inteiro o desempenho da estrateacutegia foi 28 94 e o Ibovespa apresentou um
rendimento de 15 03 Todas as taxas anuais de crescimento do Ibovespa desde
o ano de 1968 satildeo apresentadas na tabela 22 anexada ao capiacutetulo C A taxa de
crescimento apresentada refere-se agrave taxa meacutedia de variaccedilatildeo do iacutendice composta
anualmente entre dois periacuteodos (BMampFBOVESPA 2019)
Os resultados do indicador alpha que representa o quanto a estrateacutegia se destacou
em relaccedilatildeo ao desempenho da economia (representado por um benchmark) foram
89
positivos para as simulaccedilotildees em todos os periacuteodos dos anos de 2017 e 2018
O indicador de retorno anual esperado que mostra o resultado estimado que a
estrateacutegia alcanccedilaraacute no periacuteodo de 1 ano foi positivo em todos os periacuteodos analisados
O indicador PNL que mostra o resultado financeiro (lucro ou prejuiacutezo) apoacutes a execuccedilatildeo
da estrateacutegia foi positivo para os periacuteodos analisados exceto no primeiro quadrimestre
de 2018
A meacutedia de caixa desta estrateacutegia eacute menor que a estrateacutegia anterior No decorrer da
simulaccedilatildeo em alguns instantes o capital ficou completamente alocado nas operaccedilotildees
A maior alocaccedilatildeo de capital foi proporcionada pelo fato de que as posiccedilotildees nesta
simulaccedilatildeo satildeo zeradas apenas quando os stops satildeo alcanccedilados
Os indicadores sharpe e sortino foram positivos em todos os periacuteodos analisados
Os maiores percentuais de perdas da estrateacutegia durante as execuccedilotildees retratados
pelo indicador Max Drawdown foram observados para as estrateacutegias simuladas com
taxas no ano de 2018 O primeiro quadrimestre de 2018 apresentou uma perda de
minus21 68 corroborando o fato de ser o uacutenico periacuteodo de retorno negativo De acordo
com o indicador de volatilidade este periacuteodo tambeacutem apresentou grandes variaccedilotildees
nos retornos diaacuterios
Para mostrar os retornos obtidos com MO2 elaboramos a figura 21 Nela apresenta-
mos os retornos obtidos com MO2 na simulaccedilatildeo com taxas e sem taxas operacionais
e tambeacutem o iacutendice sharpe associado a cada periacuteodo
90
2017 Q1 Q2 Q3-02
0
02
04
06
08Sem taxasCom taxas
2018 Q1 Q2 Q3
Periacuteodo
-02
0
02
04
06
08
Ret
orno
2017 Q1 Q2 Q3
0
2
4
6
8
2018 Q1 Q2 Q3
0
2
4
6
8
Sha
rpe
(a) (c)
(d)(b)
Figura 21 ndash Retornos e riscos do modelo de operaccedilatildeo 2 Os resultados satildeo referentesaos retornos da simulaccedilatildeo com MO2 Os periacuteodos analisados foram os anosde 2017 e 2018 e tambeacutem os seus quadrimestres As barras nas cores rochasrepresentam os resultados para as simulaccedilotildees sem considerar taxas operacio-nais Jaacute as barras amarelas correspondem aos resultados obtidos aplicandoas taxas operacionais Os valores referentes ao ano de 2017 e 2018 indicamque a simulaccedilatildeo foi executada em todo o periacuteodo Os valores representadospor Q1 Q2 e Q3 correspondem agrave simulaccedilatildeo executada nos quadrimestres 1 2e 3 respectivamente (a) Retornos acumulados ra para os dois cenaacuterios (comtaxas e sem taxas) no ano de 2017 (b) Retornos acumulados ra no periacuteododo ano de 2018 (c) Valores dos indicadores de risco Sharpe associados acada periacuteodo da simulaccedilatildeo no ano de 2017 (d) Iacutendices Sharpe obtidos para asexecuccedilotildees no periacuteodo do ano de 2018
91
Tabela 19 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de 2017
2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown657 128 5678 876 -605
Alpha Beta Retorno anual esperado Estabilidade PNL6168 -005 5757 097 R$ 5678240
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -078 64393516 (30624023) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
235 427 1165 1159 -605Alpha Beta Retorno anual esperado Estabilidade PNL
4576 -007 272 059 R$ 1164811Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -11 48641798 (23030791) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown535 1604 1904 92 -258
Alpha Beta Retorno anual esperado Estabilidade PNL7827 -026 4921 087 R$ 1904128
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -081 57881234 (23758755) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
614 1145 2026 964 -313Alpha Beta Retorno anual esperado Estabilidade PNL814 0 5921 092 R$ 2026282Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -084 51876029 (25483795) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) e
loss Sl (equaccedilatildeo 48) e sem taxas para o periacuteodo de 2017 para as 10 accedilotildees com maiorliquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e as
operaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
92
Tabela 20 ndash Resultados da simulaccedilatildeo utilizando stop gain Sg (equaccedilatildeo 49) e loss Sl (equa-ccedilatildeo 48) sem taxas para o ano de 2018
2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown356 622 6809 2060 -1695
Alpha Beta Retorno anual esperado Estabilidade PNL8077 -016 7335 084 R$ 6808514
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -198 49907873 (3584272) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
165 264 838 1828 -1605Alpha Beta Retorno anual esperado Estabilidade PNL
4658 -028 3015 016 R$ 838228Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -181 34022838 (25116093) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown17 257 1362 2102 -998
Alpha Beta Retorno anual esperado Estabilidade PNL4235 -017 3566 07 R$ 1361668
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 00 -206 47088196 (24412598) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
344 625 2894 2507 -1419Alpha Beta Retorno anual esperado Estabilidade PNL
15673 -016 8618 053 R$ 2893581Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 00 -236 42943842 (31200691) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) e
loss Sl (equaccedilatildeo 48) e sem taxas para o periacuteodo de 2018 para as 10 accedilotildees com maiorliquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e as
operaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
93
Tabela 21 ndash Resultados da simulaccedilatildeo utilizando stops com taxas para o ano de 2017
2017
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown317 557 285 925 -876
Alpha Beta Retorno anual esperado Estabilidade PNL3209 -006 2931 092 R$ 2850080
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 2655792 -089 52251856 (25794512) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
009 016 329 1194 -876Alpha Beta Retorno anual esperado Estabilidade PNL
1446 -008 113 0 R$ 329094Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 837962 -12 45107409 (22338608) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown281 71 1102 915 -361
Alpha Beta Retorno anual esperado Estabilidade PNL4552 -026 257 066 R$ 1102081
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 786141 -086 54523754 (23077241) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
305 509 1115 974 -398Alpha Beta Retorno anual esperado Estabilidade PNL
4109 0 2973 074 R$ 1115101Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 892833 -091 47685863 (24334232) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) eloss Sl (equaccedilatildeo 48) e aplicando taxas para o periacuteodo de 2017 para as 10 accedilotildees com maior
liquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e asoperaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
94
Tabela 22 ndash Resultados da simulaccedilatildeo utilizando stops sem taxas para o ano de 2018
2018
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown153 257 2894 2280 -2286
Alpha Beta Retorno anual esperado Estabilidade PNL4015 -022 3494 057 R$ 2894068
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 3984469 -228 35930005 (28150524) R$ 00 R$ 00
Quadrimestre 1Sharpe Sortino Retorno acumulado Volatilidade Max drawdown-047 -07 -413 1923 -2168Alpha Beta Retorno anual esperado Estabilidade PNL16 -031 -913 002 R$ -412633Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 1254255 -201 29946591 (23861408) R$ 00 R$ 00Quadrimestre 2
Sharpe Sortino Retorno acumulado Volatilidade Max drawdown047 069 489 2143 -1107
Alpha Beta Retorno anual esperado Estabilidade PNL1263 -018 10 016 R$ 489178
Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguelR$ 948899 -216 43434458 (23167973) R$ 00 R$ 00
Quadrimestre 3Sharpe Sortino Retorno acumulado Volatilidade Max drawdown
184 315 1606 2586 -176Alpha Beta Retorno anual esperado Estabilidade PNL861 -019 477 027 R$ 1606190Taxa VaR Meacutedia caixa (R$) Taxa de custoacutedia Taxa de aluguel
R$ 1270134 -253 38207694 (29001582) R$ 00 R$ 00Nota Indicadores resultantes para a simulaccedilatildeo empregando stops gain Sg (equaccedilatildeo 49) eloss Sl (equaccedilatildeo 48) e aplicando taxas para o periacuteodo de 2018 para as 10 accedilotildees com maior
liquidez no mercado brasileiro Os sinais foram gerados utilizando-se as 10 accedilotildees e asoperaccedilotildees foram realizadas com as quais apresentaram sinais natildeo neutros
95
74 Consideraccedilotildees finais
Os dois modelos de operaccedilatildeo descritos tecircm caracteriacutesticas diferentes e apresentam
vantagens e desvantagens em relaccedilatildeo ao outro O modelo de operaccedilatildeo 1 que zera a
posiccedilatildeo no tempo seguinte antes de abrir novas operaccedilotildees tem a vantagem de que o
tempo de permanecircncia na posiccedilatildeo eacute muito pequeno diminuindo o risco de exposiccedilatildeo
a grandes oscilaccedilotildees do mercado Poreacutem o excessivo nuacutemero de operaccedilotildees leva a
taxas operacionais elevadas inviabilizando a execuccedilatildeo em mercados reais Por outro
lado o MO1 eacute mais controlaacutevel e nos daacute uma ideia de qual o patamar de taxas a
partir do qual torna-se rentaacutevel Jaacute o modelo de operaccedilatildeo 2 tem um nuacutemero menor de
operaccedilotildees em contrapartida o risco associado agrave estrateacutegia eacute maior uma vez que
a operaccedilatildeo soacute eacute zerada quando atinge um valor de stop O nuacutemero de operaccedilotildees
em MO1 foi 97209 em 2017 e 91733 em 2018 enquanto o nuacutemero de operaccedilotildees de
MO2 em todo o ano de 2017 foi 9534 no ano de 2018 a quantidade de operaccedilotildees de
MO2 foi 9238 O nuacutemero de execuccedilotildees em MO2 ficou em torno de 10 em relaccedilatildeo
ao nuacutemero de operaccedilotildees realizadas em MO1
Analisando os resultados das simulaccedilotildees percebemos que os melhores resultados
dos rendimentos foram obtidos com a estrateacutegia 2 Embora MO2 tenha se mostrado
mais lucrativo o modelo de operaccedilatildeo 1 praticamente natildeo apresenta risco Com relaccedilatildeo
a MO2 como mitigaccedilatildeo do risco temos o fato de que os valores de stop loss satildeo
pequenos Percebemos isso analisando a equaccedilatildeo 48 Uma vez que x(t) eacute o preccedilo de
fechamento e qo(t+ 1) eacute o preccedilo de abertura de posiccedilatildeo no candle seguinte podemos
observar que qo(t+1)x(t)
sim= 1 Assim o stop loss eacute aproximadamente
Sl sim= qo(t+ 1)minus κl(|∆x|
)(t) (51)
Uma vez que escolhemos κl = 10 o valor da perda maacutexima por operaccedilatildeo satildeo
significativamente menores que o valor da accedilatildeo Durante a simulaccedilatildeo para o caacutelculo
do stop utilizamos a janela de dados Q precedente ao tempo investigado para calcular
uma meacutedia dos moacutedulos dos retornos naquela janela definida como(|∆x|
)(t) Aqui
para analisar relaccedilatildeo entre os valores dos stops e os preccedilos das accedilotildees utilizamos
as seacuteries de fechamento referentes a todo o periacuteodo da simulaccedilatildeo e calculamos a
meacutedia dos moacutedulos dos retornos definida por |∆pc| e a meacutedia dos preccedilos de cada
accedilatildeo definida por pc Assim supondo |∆pc| sim=(|∆x|
)(t) podemos considerar a
aproximaccedilatildeo apresentada na equaccedilatildeo 51 com isso percebemos que os valores dos
stops satildeo substancialmente menores que os valores das accedilotildees A tabela 23 mostra
as meacutedias dos moacutedulos dos retornos |∆pc| meacutedias de preccedilos pc e as razotildees pc|∆pc|
Por outro lado como mitigaccedilatildeo do risco tambeacutem podemos considerar o fato de traba-
lharmos com uma carteira de accedilotildees diversificada Em uma evoluccedilatildeo do trabalho seria
96
interessante desenvolver um modelo de controle de risco utilizando as correlaccedilotildees
entre as accedilotildees
Em relaccedilatildeo agrave alocaccedilatildeo de capital o risco no modelo de operaccedilatildeo 2 eacute maior pois em
todas as simulaccedilotildees em algum momento o capital disponiacutevel zerou Jaacute no modelo
de operaccedilatildeo 1 durante a simulaccedilatildeo utilizamos em meacutedia apenas 20 do capital
disponiacutevel Poreacutem em todas as simulaccedilotildees o modelo de operaccedilatildeo 2 apresentou
melhores resultados que o modelo de operaccedilatildeo 1
Tabela 23 ndash Meacutedia de preccedilos e retornos das accedilotildees
2017|∆pc| pc
pc|∆pc|
BBDC4 002558665 2187134354 000117VALE5 003627768 2887922779 0001256CIEL3 002340959 1953467112 0001198VALE3 004188494 2950070746 000142ITUB4 002380873 2314603021 0001029PETR4 001766138 1399935784 0001262ABEV3 001726891 1814834573 0000952BOVA11 004623921 6587925137 0000702BBAS3 003640741 2898630173 0001256PETR3 002058712 1523066685 0001352
2018|∆pc| pc
pc|∆pc|
ABEV3 00216501 1924430907 0001125BOVA11 00701715 7894486398 0000889MGLU3 021140572 11969484777 0001766ITUB4 003648753 2954197693 0001235PETR4 003357403 2018010619 0001664BBAS3 00510998 3443680947 0001484ITUB3 002432655 2547002471 0000955VALE3 006316666 4901690744 0001289BBDC4 00367708 2628898962 0001399B3SA3 003739952 2353833938 0001589
Nota Os valores satildeo referentes agrave meacutedia dos moacutedulos dos retornos |∆pc| meacutedia dos preccedilospc de cada accedilatildeo e as razotildees pc
|∆pc| Seacuteries de preccedilos de fechamentos relativos aos periacuteodos
em que executamos a simulaccedilatildeo (2017 e 2018) foram utilizadas
97
Capiacutetulo 8
Conclusatildeo
O trabalho teve o objetivo de desenvolver um modelo baseado em um sistema de
equaccedilotildees diferenciais lineares aplicado ao mercado acionaacuterio O intuito foi contribuir
para a compreensatildeo da dinacircmica dos preccedilos no mercado financeiro e auxiliar na
decisatildeo de compra e venda das accedilotildees listadas na Bovespa Para tal nos apoiamos
na lacuna deixada pela hipoacutetese de mercado eficiente
Como parte do desenvolvimento do trabalho inicialmente realizamos uma pesquisa
bibliograacutefica Nesta autores importantes defendem que os mercados satildeo eficientes
e que as seacuteries de preccedilos passados natildeo trazem informaccedilotildees de preccedilos futuros
Na contramatildeo da teoria claacutessica outros autores mostram que os mercados natildeo
satildeo tatildeo eficientes em termos de equiliacutebrio de preccedilos e que as seacuteries apresentam
alguma memoacuteria e um certo niacutevel de correlaccedilatildeo Tendo em vista estas possibilidades
e acreditando que o mercado de accedilotildees brasileiro tambeacutem apresenta resiacuteduos de
ineficiecircncia elaboramos um modelo para ajudar na compreensatildeo da dinacircmica do
mercado de accedilotildees Para tal desenvolvemos um modelo baseado em um sistema de
equaccedilotildees diferencias lineares com o objetivo de prever tendecircncias de preccedilos das
accedilotildees
No capiacutetulo 5 apresentamos a formulaccedilatildeo do modelo baseado em um sistema de
equaccedilotildees diferenciais lineares e a sua adaptaccedilatildeo para um novo modelo de ajuste de
pontos bem como a definiccedilatildeo de um modelo de previsatildeo de tendecircncia de preccedilos
Diante das seacuteries de dados dos ativos calculamos as matrizes de coeficientes A(t)
Para verificar a variaccedilatildeo de tais matrizes em t calculamos a distacircncia entre as matrizes
obtidas em tempos adjacentes O resultado da anaacutelise foi que agrave medida em que
aumentamos o valor deR as distacircncias das matrizes calculadas em tempos seguintes
diminuiacuteam Este resultado nos sugere que as matrizes A(t) satildeo boas estimativas para
A(t+ 1) podendo assim serem utilizadas como paracircmetro no modelo de previsatildeo
No capiacutetulo 6 exploramos algumas das possibilidades de combinaccedilatildeo de paracircmetros
e dados para ajustar o modelo de previsatildeo de forma a obter melhores resultados de
98
acuraacutecia As anaacutelises foram realizadas utilizando diferentes valores de R diferentes
nuacutemeros de accedilotildees vaacuterias granularidades das seacuteries de dados expoente de Hurst e
tambeacutem a votaccedilatildeo entre os valores de R Nesta parte do trabalho tambeacutem investiga-
mos o niacutevel de eficiecircncia em dois tipos de mercados com caracteriacutesticas diferentes
por meio da anaacutelise dos resultados de acuraacutecias As anaacutelises foram realizadas utili-
zando as accedilotildees dos iacutendices Dow Jones e Ibovespa e os resultados apontaram que
as melhores taxas de acuraacutecias foram obtidas no mercado brasileiro indicando uma
certa ineficiecircncia
Como resultado da exploraccedilatildeo do modelo definimos os paracircmetros satisfatoacuterios dentro
do cenaacuterio explorado Como mencionamos anteriormente natildeo podemos afirmar que
os paracircmetros definidos satildeo os oacutetimos Para tal afirmaccedilatildeo seria necessaacuterio um estudo
mais elaborado utilizando teacutecnicas de otimizaccedilatildeo
Na investigaccedilatildeo foram considerados os paracircmetros que retornaram as melhores taxas
de acuraacutecias do modelo na previsatildeo de tendecircncia dos preccedilos das accedilotildees Quando
analisamos os resultados dos diferentes valores de R observamos que para valores
maiores de R as acuraacutecias a tendem a aumentar Assim para as anaacutelises que
utilizaram apenas uma janela para o ajuste o valor definido foi R = 1000 Jaacute para
anaacutelises aplicando a votaccedilatildeo os valores dos paracircmetros definidos foram R = 500
R = 1000 e R = 1500
Quando analisamos os resultados obtidos de a em relaccedilatildeo agrave quantidade de accedilotildees
utilizadas na combinaccedilatildeo das seacuteries de entrada para o modelo percebemos uma
moderada melhora nos valores em torno da combinaccedilatildeo de 10 accedilotildees (ver figura 10)
Na anaacutelise da relaccedilatildeo entre a acuraacutecia do modelo e a granularidade dos dados os
melhores resultados foram obtidos para a frequecircncia de cotaccedilatildeo de 5 minutos
Quando analisamos a associaccedilatildeo entre as acuraacutecias obtidas e os expoentes de
Hurst H das seacuteries em geral natildeo encontramos padrotildees relevantes relacionados agraves
acuraacutecias e tais expoentes Um padratildeo atiacutepico foi encontrado para a accedilatildeo CPFE3
em que o expoente de Hurst da seacuterie correspondente tem o valor baixo (H = 0 28)
enquanto que o valor da acuraacutecia para esta accedilatildeo eacute relevante (a = 68 10) Calculando
os coeficientes de correlaccedilatildeo linear de Pearson ρ entre as acuraacutecias obtidas em cada
quadrimestre e os expoentes de Hurst calculados nos respectivos periacuteodos os valores
obtidos de ρ foram negativos em todos os casos Os valores mais significativos
foram obtidos para as accedilotildees do Ibovespa Estes resultados indicam que haacute uma
anti-correlaccedilatildeo entre as acuraacutecias obtidas e os expoentes H das seacuteries analisadas
A outra exploraccedilatildeo do modelo foi baseada na votaccedilatildeo em relaccedilatildeo agrave direccedilatildeo da
tendecircncia prevista utilizando 10 diferentes valores de R Os resultados natildeo apontaram
ganhos significativos em relaccedilatildeo agrave utilizaccedilatildeo de apenas o valor R = 1000 A vantagem
do uso da teacutecnica de votaccedilatildeo estaacute na possibilidade de aumento do tamanho da
99
amostra uma vez que teremos mais sinais natildeo neutros retornados pelo modelo
(retornos previstos no quarto quartil)
Nesta parte do trabalho tambeacutem investigamos a consistecircncia dos resultados apli-
cando o modelo de previsatildeo em diferentes periacuteodos Os resultados sugeriram que
o modelo manteacutem consistecircncia nos diferentes quadrimestres em relaccedilatildeo agraves accedilotildees
que apresentaram melhores acuraacutecias e tambeacutem em relaccedilatildeo aos seus valores de
acuraacutecias
Dessa maneira os paracircmetros definidos para a simulaccedilatildeo foram baseados nesse
capiacutetulo de exploraccedilatildeo do modelo Estas anaacutelises foram importantes para ajudar
na definiccedilatildeo da quantidade de accedilotildees frequecircncia de cotaccedilatildeo e tamanho da janela
de dados que foram utilizadas na simulaccedilatildeo Como resultado as seacuteries utilizadas
foram as com frequecircncia de cotaccedilatildeo de 5 minutos das 10 accedilotildees com maior liquidez
na Bovespa A votaccedilatildeo entre os sinais obtidos com diferentes tamanhos de R foi
utilizada como sinal de tendecircncia Nesta exploraccedilatildeo tambeacutem observamos que os
melhores resultados foram obtidos no mercado brasileiro sendo este o definido para a
simulaccedilatildeo O mercado emergente escolhido para a simulaccedilatildeo foi devido agrave expectativa
de que o modelo tenha melhor desempenho neste cenaacuterio
No capiacutetulo 7 desenvolvemos duas estrateacutegias de negociaccedilatildeo baseadas no modelo
apresentado no capiacutetulo 5 Em ambas as estrateacutegias se o modelo envia um sinal
natildeo neutro as operaccedilotildees satildeo abertas de acordo com a tendecircncia do preccedilo prevista
(alta ou baixa) No modelo de operaccedilatildeo 1 (MO1) as operaccedilotildees satildeo fechadas a cada
passo de tempo (cada candle) com ordens a mercado No modelo de operaccedilatildeo 2
(MO2) as operaccedilotildees satildeo fechadas de acordo com os valores dos stops defindos
nas equaccedilotildees 48 e 49 Ambos os modelos de negociaccedilatildeo apresentaram custos de
processamento baixos sendo possiacutevel a execuccedilatildeo em frequecircncias de dados menores
Para quantificar o efeito dos custos operacionais as estrateacutegias foram simuladas sem
considerar taxas e tambeacutem aplicando taxas operacionais
O modelo de operaccedilatildeo 1 quando executado aplicando taxas natildeo obteve um retorno
financeiro satisfatoacuterio Sendo um modelo de operaccedilatildeo baseado em negociaccedilotildees de
curta duraccedilatildeo o ganho proveniente da acuraacutecia alcanccedilada eacute pequeno em relaccedilatildeo agraves
taxas Poreacutem este modelo foi importante para a anaacutelise estatiacutestica dos dados nos
periacuteodos utilizados na simulaccedilatildeo Tambeacutem foi um modelo importante para a anaacutelise
das acuraacutecias e o retorno acumulado De fato que as acuraacutecias por si soacute natildeo satildeo
bons indicadores de sucesso de um modelo Outras variaacuteveis devem ser levadas em
consideraccedilatildeo tais como liquidez volume e volatilidade do ativo
O MO1 eacute mais controlaacutevel pois conhecendo as acuraacutecias o retorno meacutedio do ativo
e as taxas praticadas no mercado eacute possiacutevel definir em qual niacutevel o modelo se
torna rentaacutevel A partir deste ponto o risco eacute menor uma vez que nesta estrateacutegia
100
desfazemos as posiccedilotildees a cada passo de tempo natildeo ficando expostos a grandes
oscilaccedilotildees do mercado O valor financeiro investido para se manter alocado nas
posiccedilotildees tambeacutem eacute menor A desvantagem eacute em relaccedilatildeo ao elevado nuacutemero de
operaccedilotildees realizadas gerando altas taxas operacionais
Dessa maneira concluiacutemos que o MO1 natildeo gera bons resultados no cenaacuterio de taxas
e acuraacutecias que apresentamos Contudo para taxas menores e acuraacutecias maiores
pode constituir-se um modelo interessante devido ao baixo risco que apresenta bem
como ao reduzido capital necessaacuterio
O modelo de operaccedilatildeo 2 apresentou um retorno financeiro interessante mesmo no
contexto real considerando os custos operacionais da Bovespa o modelo ainda
apresentou resultados consistentes nos periacuteodos analisados (resultados positivos
em cinco quadrimestres e negativo em apenas um) Estes resultados nos sugerem
indiacutecios em direccedilatildeo a desvios da hipoacutetese de mercado eficiente A vantagem do MO2
eacute o nuacutemero reduzido de operaccedilotildees Como mitigaccedilatildeo do risco deste modelo podemos
considerar o fato de trabalharmos com uma carteira diversificada de accedilotildees (10 accedilotildees
mais negociadas na Bovespa nos anos de 2017 e 2018) Tambeacutem como amenizaccedilatildeo
de risco podemos considerar a escolha de valores de stop loss pequenos em relaccedilatildeo
aos preccedilos das accedilotildees Assim os valores das perdas maacuteximas por operaccedilatildeo satildeo
significativamente menores que os valores das accedilotildees limitando as perdas caso a
operaccedilatildeo seja fechada com stop loss (ver tabela 23)
Diante dos resultados o modelo de operaccedilatildeo 2 apresentou maiores ganhos e se apre-
sentou como uma alternativa promissora como estrateacutegia de operaccedilatildeo em mercados
reais Poreacutem apesar de MO2 ter se mostrado mais rentaacutevel durante a simulaccedilatildeo natildeo
podemos afirmar que pode ser utilizado como ferramenta de decisatildeo para operaccedilotildees
em mercado real O modelo deve ser submetido em outros intervalos em outras situa-
ccedilotildees de mercado e tambeacutem levando em consideraccedilatildeo outras variaacuteveis para que se
possa obter consistecircncia estabilidade e com isso aumentar os retornos financeiros
Assim este trabalho natildeo tem por finalidade apresentar uma ferramenta de negociaccedilatildeo
finalizada para ser aplicada no mercado real
Durante o trabalho detectamos resiacuteduos de ineficiecircncia nas seacuteries de preccedilos ana-
lisadas Estes resiacuteduos possibilitam oportunidades de arbitragem Isto nos levou a
acreditar que eacute possiacutevel fazer inferecircncia do preccedilo futuro baseando-se em dados passa-
dos Assim os resultados aqui apresentados apontam na direccedilatildeo de explicitar desvios
da Hipoacutetese de Mercado Eficiente no mercado brasileiro Dadas estas oportunidades
e a importacircncia do tema estudado considera-se que muito haacute ainda que percorrer no
campo da investigaccedilatildeo nesta aacuterea sendo portanto um campo feacutertil para trabalhos
futuros
101
81 Trabalhos Futuros
Dentre as inuacutemeras possibilidades de futuras investigaccedilotildees destacamos as seguintes
propostas
ndash Ateacute este ponto do trabalho sugerimos que nossos dados podem ser descritos
por um modelo de regressatildeo multidimensional Poreacutem eacute preciso testar a ade-
quaccedilatildeo do modelo como tal com rigor estatiacutestico Lembremos que a violaccedilatildeo
das premissas natildeo invalida o modelo pois ateacute o momento estamos interessados
principalmente nos resultados de acerto de previsatildeo de tendecircncia
ndash Utilizar teacutecnicas de otimizaccedilatildeo para auxiliar na escolha de paracircmetros oacutetimos
para aplicar ao modelo de previsatildeo
ndash Calcular valores de stop gain e stop loss por meio de teacutecnicas de otimizaccedilatildeo
ndash Desenvolver um modelo de controle de risco com criteacuterios de otimizaccedilatildeo de
carteiras para minimizar o risco das estrateacutegias
ndash Utilizar o modelo em combinaccedilatildeo com outros indicadores
ndash Testar o modelo em negociaccedilatildeo de contratos em ambiente de mercados futuros
tais como commodities (agriacutecola1 mineral2) moedas (doacutelar e euro) e iacutendices
(Bovespa e SampP 500)
1Soja milho trigo e cafeacute2Petroacuteleo mineacuterio de ferro e ouro
102
Referecircncias
AGUIRRE L Introduccedilatildeo agrave Identificaccedilatildeo de Sistemas ndash Teacutecnicas Lineares e Natildeo-Lineares Aplicadas a Sistemas Reais Editora UFMG 2007 ISBN 9788570415844Disponiacutevel em lthttpsbooksgooglecombrbooksid=f9IwE7Ph0fYCgt Citado 3vezes nas paacuteginas 8 31 e 113
AL-KHAZALI O M PYUN C S KIM D Are exchange rate movements predictablein asia-pacific markets evidence of random walk and martingale difference processesInternational Review of Economics amp Finance Elsevier v 21 n 1 p 221ndash2312012 Citado 2 vezes nas paacuteginas 1 e 14
ALLEZ R BOUCHAUD J-P Individual and collective stock dynamics intra-dayseasonalities New Journal of Physics IOP Publishing v 13 n 2 p 025010 2011Citado na paacutegina 5
ALONSO-RIVERA A CRUZ-AKEacute S VENEGAS-MARTIacuteNEZ F Impact of monetarypolicy on financial markets efficiency and speculative bubbles A non-linear entropy-based approach 2014 Citado na paacutegina 14
ANATOLYEV S GOSPODINOV N Modeling financial return dynamics via decompo-sition Journal of Business amp Economic Statistics Taylor amp Francis 2012 Citadona paacutegina 4
ATSALAKIS G K V Surveying stock market forecasting techniques - part i Conven-tional methods Computation optimization in economics and finance researchcompendium p 49ndash104 01 2013 Citado 2 vezes nas paacuteginas 4 e 17
ATSALAKIS G S VALAVANIS K P Surveying stock market forecasting techniquesndashpart ii Soft computing methods Expert Systems with Applications Elsevier v 36n 3 p 5932ndash5941 2009 Citado 2 vezes nas paacuteginas 4 e 17
BARKOULAS J T BAUM C F Long-term dependence in stock returns EconomicsLetters Elsevier v 53 n 3 p 253ndash259 1996 Citado 2 vezes nas paacuteginas 1 e 14
BELAIRE-FRANCH J OPONG K K Testing for random walk in euro exchange ratesusing the subsampling approach Applied Economics Letters Taylor amp Francis v 17n 12 p 1145ndash1151 2010 Citado 2 vezes nas paacuteginas 1 e 14
BMampFBOVESPA Metodologia do iacutendice Bovespa 2015 Disponiacutevel em lthttpwwwb3combrpt_brmarket-data-e-indicesindicesindices-amplosibovespahtmgt Citadona paacutegina 21
BMampFBOVESPA Taxa meacutedia de crescimento Ibovespa 2019 Disponiacute-vel em lthttpwwwb3combrpt_brmarket-data-e-indicesindicesindices-amplosindice-ibovespa-ibovespa-estatisticas-historicashtmgt Citado 2 vezes nas paacuteginas89 e 121
BMampFBOVESPA Histoacuterico pessoas fiacutesicas 2020 Disponiacutevel em lthttpwwwb3combrpt_brmarket-data-e-indicesservicos-de-dadosmarket-dataconsultasmercado-a-vistahistorico-pessoas-fisicasgt Citado na paacutegina 2
103
BMampFBOVESPA Negociaccedilatildeo- Segmento BMampFBOVESPA 2020 Dis-poniacutevel em lthttpwwwb3combrpt_brregulacaoestrutura-normativaregulamentos-e-manuaisnegociacaohtmgt Citado na paacutegina 21
BORDO M D LANDON-LANE J Does expansionary monetary policy causeasset price booms some historical and empirical evidence [Sl] 2013 Citadona paacutegina 14
BRUNNERMEIER M K Information leakage and market efficiency Review of Finan-cial Studies Soc Financial Studies v 18 n 2 p 417ndash457 2005 Citado 3 vezesnas paacuteginas 1 2 e 14
CAGINALP G Does the market have a mind of its own and does it get carried awaywith excess cash The Journal of Psychology and Financial Markets Taylor ampFrancis v 3 n 2 p 72ndash75 2002 Citado na paacutegina 19
CAGINALP G DESANTIS M A paradigm for quantitative behavioral finance Ameri-can Behavioral Scientist Sage Publications v 55 n 8 p 1014ndash1034 2011 Citado3 vezes nas paacuteginas 1 14 e 19
CAGINALP G ERMENTROUT G A kinetic thermodynamics approach to the psycho-logy of fluctuations in financial markets Applied Mathematics Letters v 3 n 4 p17 ndash 19 1990 ISSN 0893-9659 Citado 2 vezes nas paacuteginas 2 e 16
CAGINALP G PORTER D SMITH V Momentum and overreaction in experimentalasset markets International Journal of Industrial Organization Elsevier v 18 n 1p 187ndash204 2000 Citado na paacutegina 19
CAJUEIRO D O TABAK B M The hurst exponent over time testing the assertionthat emerging markets are becoming more efficient Physica A Statistical Mechanicsand its Applications Elsevier v 336 n 3 p 521ndash537 2004 Citado 6 vezes naspaacuteginas 1 5 14 17 19 e 52
CARBONE A CASTELLI G STANLEY H E Time-dependent hurst exponentin financial time series Physica A Statistical Mechanics and its ApplicationsElsevier v 344 n 1-2 p 267ndash271 2004 Citado 2 vezes nas paacuteginas 16 e 19
CHARLES A DARNEacute O KIM J H Exchange-rate return predictability and theadaptive markets hypothesis Evidence from major foreign exchange rates Journal ofInternational Money and Finance Elsevier v 31 n 6 p 1607ndash1626 2012 Citado2 vezes nas paacuteginas 1 e 14
CHEN P-w HUANG H-c SU Y-c The central bank in market efficiency The caseof taiwan Pacific-Basin Finance Journal Elsevier v 29 p 239ndash260 2014 Citadona paacutegina 14
CHEN Z et al Effect of nonstationarities on detrended fluctuation analysis Physicalreview E Statistical nonlinear and soft matter physics v 65 p 041107 05 2002Citado na paacutegina 48
CHEVAPATRAKUL T Return sign forecasts based on conditional risk Evidence fromthe uk stock market index Journal of Banking amp Finance Elsevier v 37 n 7 p2342ndash2353 2013 Citado na paacutegina 4
104
CHORDIA T ROLL R SUBRAHMANYAM A Liquidity and market efficiency Jour-nal of Financial Economics Elsevier v 87 n 2 p 249ndash268 2008 Citado 3 vezesnas paacuteginas 1 2 e 14
CHOUDHRY T JAYASEKERA R Comparison of efficiency characteristics betweenthe banking sectors of us and uk during the global financial crisis of 2007ndash2011International Review of Financial Analysis Elsevier v 25 p 106ndash116 2012 Citado2 vezes nas paacuteginas 1 e 14
CHOUDHRY T JAYASEKERA R Market efficiency during the global financial crisisEmpirical evidence from european banks Journal of international Money andFinance Elsevier v 49 p 299ndash318 2014 Citado 2 vezes nas paacuteginas 1 e 14
CHUNG D HRAZDIL K Liquidity and market efficiency A large sample studyJournal of Banking amp Finance Elsevier v 34 n 10 p 2346ndash2357 2010 Citado 2vezes nas paacuteginas 2 e 14
COHEN J Statistical power analysis for the behavioral sciences [Sl] New YorkAcademic Press 1977 Citado 2 vezes nas paacuteginas 52 e 62
CURME C STANLEY H E VODENSKA I Coupled network approach to predic-tability of financial market returns and news sentiments International Journal ofTheoretical and Applied Finance World Scientific v 18 n 07 p 1550043 2015Citado 2 vezes nas paacuteginas 1 e 14
FAN Y et al The effect of investor psychology on the complexity of stock market Ananalysis based on cellular automaton model Computers amp Industrial EngineeringElsevier v 56 n 1 p 63ndash69 2009 Citado na paacutegina 16
FENG L et al Linking agent-based models and stochastic models of financial marketsProceedings of the National Academy of Sciences National Acad Sciences v 109n 22 p 8388ndash8393 2012 Citado na paacutegina 1
GARCIA M et al Forecast model for financial time series An approach basedon harmonic oscillators Physica A Statistical Mechanics and its ApplicationsElsevier p 124365 2020 Citado 2 vezes nas paacuteginas 17 e 88
GRECH D MAZUR Z Can one make any crash prediction in finance using thelocal hurst exponent idea Physica A Statistical Mechanics and its ApplicationsElsevier v 336 n 1 p 133ndash145 2004 Citado 2 vezes nas paacuteginas 1 e 14
HEALY P M PALEPU K G Information asymmetry corporate disclosure and thecapital markets A review of the empirical disclosure literature Journal of accountingand economics Elsevier v 31 n 1 p 405ndash440 2001 Citado 3 vezes nas paacuteginas1 2 e 14
HOMMES C KOPAacuteNYI-PEUKER A SONNEMANS J Bubbles crashes and infor-mation contagion in large-group asset market experiments Experimental EconomicsSpringer p 1ndash20 2020 Citado na paacutegina 16
HU K et al Effect of trends on detrended fluctuation analysis Phys Rev E AmericanPhysical Society v 64 p 011114 Jun 2001 Disponiacutevel em lthttpslinkapsorgdoi101103PhysRevE64011114gt Citado na paacutegina 48
105
KAHNEMAN D et al Noise How to overcome the high hidden cost of inconsistentdecision making Harvard Business Review v 94 p 38ndash46 2016 Citado na paacutegina16
KAHNEMAN D TVERSKY A Prospect theory An analysis of decision under riskEconometrica Journal of the econometric society JSTOR v 47 n 2 p 263ndash2911979 Citado 3 vezes nas paacuteginas 2 14 e 15
KATUSIIME L SHAMSUDDIN A AGBOLA F W Foreign exchange market effici-ency and profitability of trading rules Evidence from a developing country Internatio-nal Review of Economics amp Finance Elsevier v 35 p 315ndash332 2015 Citado 2vezes nas paacuteginas 1 e 14
LAZAR D TODEA A FILIP D Martingale difference hypothesis and financial crisisEmpirical evidence from european emerging foreign exchange markets EconomicSystems Elsevier v 36 n 3 p 338ndash350 2012 Citado 2 vezes nas paacuteginas 1 e 14
LIM K-P BROOKS R D KIM J H Financial crisis and stock market efficiencyEmpirical evidence from asian countries International Review of Financial AnalysisElsevier v 17 n 3 p 571ndash591 2008 Citado na paacutegina 14
LIU S Transaction costs and market efficiency Evidence from commission deregu-lation The Quarterly Review of Economics and Finance Elsevier v 50 n 3 p352ndash360 2010 Citado na paacutegina 14
MALKIEL B G FAMA E F Efficient capital markets A review of theory and empiricalwork The journal of Finance Wiley Online Library v 25 n 2 p 383ndash417 1970Citado na paacutegina 1
MANTEGNA R N STANLEY H E Introduction to econophysics correlationsand complexity in finance [Sl] Cambridge university press 1999 Citado 2 vezesnas paacuteginas 13 e 14
MEI D et al Forecasting stock market volatility Do realized skewness and kurtosishelp Physica A Statistical Mechanics and its Applications v 481 p 153ndash1592017 Citado na paacutegina 18
MERKLE C MUumlLLER-DETHARD J WEBER M Closing a mental account Therealization effect for gains and losses Experimental Economics Springer p 1ndash272020 Citado na paacutegina 16
MONTGOMERY D C Design and analysis of experiments [Sl] John Wiley ampSons 2008 Citado na paacutegina 42
NAMETALA C et al Uma estrateacutegia automatizada de investimento por meio de redesneurais artificiais e preditores economeacutetricos In Anais Principais do XII SimpoacutesioBrasileiro de Sistemas de Informaccedilatildeo Porto Alegre RS Brasil SBC 2016 p 152ndash159 ISSN 0000-0000 Disponiacutevel em lthttpssolsbcorgbrindexphpsbsiarticleview5957gt Citado 2 vezes nas paacuteginas 2 e 18
NELSON D M PEREIRA A C OLIVEIRA R A de Stock marketrsquos price movementprediction with lstm neural networks In IEEE 2017 International joint conferenceon neural networks (IJCNN) [Sl] 2017 p 1419ndash1426 Citado na paacutegina 18
106
NTIM C G et al On the efficiency of the global gold markets International Reviewof Financial Analysis Elsevier v 41 p 218ndash236 2015 Citado 2 vezes nas paacuteginas1 e 14
NYBERG H Forecasting the direction of the us stock market with dynamic binaryprobit models International Journal of Forecasting Elsevier v 27 n 2 p 561ndash5782011 Citado na paacutegina 4
OLIVEIRA F A de NOBRE C N ZARATE L E Applying artificial neural networksto prediction of stock price and improvement of the directional prediction indexndashcasestudy of petr4 petrobras brazil Expert Systems with Applications Elsevier v 40n 18 p 7596ndash7606 2013 Citado na paacutegina 17
PASQUARIELLO P ZAFEIRIDOU C Political uncertainty and financial market qualityRoss School of Business Paper n 1232 2014 Citado na paacutegina 14
PENG C-K et al Mosaic organization of dna nucleotides Phys Rev E AmericanPhysical Society v 49 p 1685ndash1689 Feb 1994 Citado na paacutegina 48
PODOBNIK B et al Fractionally integrated process for transition economics PhysicaA Statistical Mechanics and its Applications Elsevier v 362 n 2 p 465ndash4702006 Citado 2 vezes nas paacuteginas 1 e 14
POumlNKAuml H Predicting the direction of us stock markets using industry returns Empiri-cal Economics Springer p 1ndash30 2014 Citado na paacutegina 4
RAFFERTY M TOMLJANOVICH M Central bank transparency and market efficiencyAn econometric analysis Journal of Economics and Finance Springer v 26 n 2p 150ndash161 2002 Citado na paacutegina 14
RECHENTHIN M STREET W N Using conditional probability to identify trends inintra-day high-frequency equity pricing Physica A Statistical Mechanics and itsApplications Elsevier v 392 n 24 p 6169ndash6188 2013 Citado na paacutegina 17
RESENDE C C de et al Investigating market efficiency through a forecasting modelbased on differential equations Physica A Statistical Mechanics and its Applica-tions v 474 n C p 199ndash212 2017 Citado 6 vezes nas paacuteginas 1 8 10 28 31e 35
ROSS S A Information and volatility The no-arbitrage martingale approach to timingand resolution irrelevancy The Journal of Finance Wiley Online Library v 44 n 1 p1ndash17 1989 Citado 3 vezes nas paacuteginas 1 2 e 14
SAMUELSON P A Proof that properly anticipated prices fluctuate randomly[Sl sn] 1965 41ndash45 p Citado 2 vezes nas paacuteginas 1 e 13
SHARMA C BANERJEE K A study of correlations in the stock market PhysicaA Statistical Mechanics and its Applications Elsevier v 432 p 321ndash330 2015Citado na paacutegina 14
SHILLER R J Do stock prices move too much to be justified by subsequentchanges in dividends [Sl] National Bureau of Economic Research CambridgeMass USA 1980 421ndash436 p Citado na paacutegina 1
SHILLER R J FISCHER S FRIEDMAN B M Stock prices and social dynamicsBrookings papers on economic activity JSTOR v 1984 n 2 p 457ndash510 1984Citado 2 vezes nas paacuteginas 2 e 14
107
TVERSKY A KAHNEMAN D Loss Aversion in Riskless Choice A Reference-Dependent Model The Quarterly Journal of Economics v 106 n 4 p 1039ndash106111 1991 ISSN 0033-5533 Disponiacutevel em lthttpsdoiorg1023072937956gt Citado2 vezes nas paacuteginas 15 e 16
ZUNINO L et al Inefficiency in latin-american market indices The European PhysicalJournal B Springer v 60 n 1 p 111ndash121 2007 Citado 3 vezes nas paacuteginas 1 5e 14
108
Apecircndices
APEcircNDICE A ndash Estimaccedilatildeo da matriz
de coeficientes pelo meacutetodo dos
miacutenimos quadrados
Seja a relaccedilatildeo
x (t) = Ax (tminus 1) (52)
onde
x (t) =
X1 (t)
X2 (t)
Xn (t)
e A =
a11 a12 middot middot middot a1n
a21 a22 middot middot middot a2n
an1 an2 middot middot middot ann
(53)
Esta equaccedilatildeo pode ser escrita na forma
Xi (t) =(ai1 ai2 middot middot middot ain
)
X1 (tminus 1)
X2 (tminus 1)
Xn (tminus 1)
i = 1 2 middot middot middot n (54)
ou equivalentemente
Xi (t) =(X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
)
ai1
ai2
ain
(55)
110
Consideremos muacuteltiplas observaccedilotildees para cada Xi (t)
Xi (t) =(X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
)
ai1
ai2
ain
Xi (tminus 1) =(X1 (tminus 2) X2 (tminus 2) middot middot middot Xn (tminus 2)
)
ai1
ai2
ain
Xi (tminusN + 1) =(X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
)
ai1
ai2
ain
(56)
Observe que estamos assumindo que o vetor de paracircmetros natildeo muda dentro da
faixa de tempos analisada Estas equaccedilotildees podem ser escritas na formaXi (tminusN + 1)
Xi (tminus 1)
Xi (t)
=
X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
middot middot middot
X1 (tminus 2) X2 (tminus 2) Xn (tminus 2)
X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
ai1
ai2
ain
(57)
Se N gt n temos para cada valor fixo de i mais equaccedilotildees que valores de aij
(j = 1 2 middot middot middot n) para estimar Eacute natural entatildeo que ao estimarmos os paracircmetros aijcometamos erros Definindo os vetores de paracircmetros estimados e de erros (resiacuteduos)
na forma
ai=
ai1
ai2
ain
e ξi =
ξi (t)
ξi (tminus 1)
ξi (tminusN + 1)
i = 1 2 middot middot middot n (58)
respectivamente a relaccedilatildeo (57) torna-se
111
Xi (tminusN + 1)
Xi (tminus 1)
Xi (t)
=
X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
middot middot middot
X1 (tminus 2) X2 (tminus 2) Xn (tminus 2)
X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
ai1
ai2
ain
+
ξi (tminusN + 1)
ξi (tminus 1)
ξi (t)
(59)
Numa forma compacta
yi = Xai + ξi (60)
onde
yi =
Xi (tminusN + 1)
Xi (tminus 1)
Xi (t)
X=
X1 (tminusN) X2 (tminusN) middot middot middot Xn (tminusN)
middot middot middot
X1 (tminus 2) X2 (tminus 2) Xn (tminus 2)
X1 (tminus 1) X2 (tminus 1) middot middot middot Xn (tminus 1)
e i = 1 2 middot middot middot n
Calculando a transposta em ambos os lados da equaccedilatildeo (59) encontramos
(Xi (tminusN + 1) middot middot middot Xi (t)
)=
(ai1 ai2 middot middot middot ain
)
X1 (tminusN) middot middot middot X1 (tminus 1)
X2 (tminusN) middot middot middot X2 (tminus 1)
Xn (tminusN) middot middot middot Xn (tminus 1)
+(ξi (tminusN + 1) middot middot middot ξi (t)
) (61)
112
Agregando as equaccedilotildees acima vaacutelidas para i = 1 2 middot middot middot n chegamos aX1 (tminusN + 1) middot middot middot X1 (t)
X2 (tminusN + 1) middot middot middot X2 (t)
Xn (tminusN + 1) middot middot middot Xn (t)
=
a11 middot middot middot a1n
a21 middot middot middot a2n
an1 middot middot middot ann
X1 (tminusN) middot middot middot X1 (tminus 1)
X2 (tminusN) middot middot middot X2 (tminus 1)
Xn (tminusN) middot middot middot Xn (tminus 1)
+
ξ1 (tminusN + 1) middot middot middot ξ1 (t)
ξ2 (tminusN + 1) middot middot middot ξ2 (t)
ξn (tminusN + 1) middot middot middot ξn (t)
(62)
Explicitando a matriz de erros
ξ1 (tminusN + 1) middot middot middot ξ1 (t)
ξ2 (tminusN + 1) middot middot middot ξ2 (t)
ξn (tminusN + 1) middot middot middot ξn (t)
=
X1 (tminusN + 1) middot middot middot X1 (t)
X2 (tminusN + 1) middot middot middot X2 (t)
Xn (tminusN + 1) middot middot middot Xn (t)
(63)
minus
a11 middot middot middot a1n
a21 middot middot middot a2n
an1 middot middot middot ann
X1 (tminusN) middot middot middot X1 (tminus 1)
X2 (tminusN) middot middot middot X2 (tminus 1)
Xn (tminusN) middot middot middot Xn (tminus 1)
Notemos que para i fixo os resiacuteduos ξi (τ) (τ = t tminus 1 middot middot middot tminusN + 1) soacute dependem
dos coeficientes aij (j = 1 2 middot middot middot n) Assim podemos encontrar os valores dos aijque minimizam a soma dos quadrados dos ξi (τ)
Si =tsum
τ=tminusN+1
(ξi (τ))2 (64)
para cada valor de i de forma independente A soma dos quadrados de todos os
resiacuteduos
S =nsumi=1
Si (65)
seraacute minimizada utilizando-se os aij calculados para todos os valores de i Buscare-
mos entatildeo a minimizaccedilatildeo dos Si separadamente Conforme descrito em (AGUIRRE
2007) a matriz que realiza essa minimizaccedilatildeo eacute dada pela equaccedilatildeo
ai =(XTX
)minus1XTyi (66)
113
Definindo a matriz
M =(XTX
)minus1XT =
M11 M12 middot middot middot M1N
M21 M22 middot middot middot M2N
Mn1 Mn2 middot middot middot MnN
(67)
podemos escreverai1
ai2
ain
=
M11 M12 middot middot middot M1N
M21 M22 middot middot middot M2N
Mn1 Mn2 middot middot middot MnN
Xi (tminusN + 1)
Xi (tminus 1)
Xi (t)
i = 1 2 middot middot middot n
(68)
relaccedilatildeo que pode ser colocada na formaa11 middot middot middot an1
a12 middot middot middot an2
a1n middot middot middot ann
=
M11 middot middot middot M1N
M21 middot middot middot M2N
Mn1 middot middot middot MnN
X1 (tminusN + 1) middot middot middot Xn (tminusN + 1) middot middot middot
X1 (tminus 1) Xn (tminus 1)
X1 (t) middot middot middot Xn (t)
(69)
Observe que a matriz representada no lado esquerdo da equaccedilatildeo acima eacute a matriz
transposta da matriz A correspondente ao valor estimado para A que minimiza a
soma dos quadrados dos resiacuteduos Definamos
XN (t) =
X1 (tminusN + 1) middot middot middot X1 (tminus 1) X1 (t)
X2 (tminusN + 1) middot middot middot X2 (tminus 1) X2 (t)
Xn (tminusN + 1) middot middot middot Xn (tminus 1) Xn (t)
(70)
para escrevermos a equaccedilatildeo (69) como
AT =(XTX
)minus1XTXT
N (t) (71)
Observando que
X= XTN (tminus 1) (72)
obtemos a seguinte expressatildeo para A
A =(XN (t) XT
N (tminus 1)) (
XN (tminus 1) XTN (tminus 1)
)minus1 (73)
114
APEcircNDICE B ndash Tabelas lotes padratildeo
das accedilotildees
Tabela 24 ndash Tabela da quantidade de accedilotildees que compotildeem o lote padratildeo de negociaccedilatildeo nomercado real e na plataforma de simulaccedilatildeo no ano de 2017
Empresa Coacutedigo de negociaccedilatildeo Lote na plataforma Lote BovespaVale on VALE3 100 100Itauacute pn ITUB4 150 100Vale pn VALE5 100 100
Bradesco pn BBDC4 145 100Fundo Ibovespa BOVA11 10 10
Ambev on ABEV3 100 100Petrobras pn PETR4 100 100
Cielo on CIEL3 120 100Petrobras on PETR3 100 100
Banco do Brasil on BBAS3 100 100Nota Apresentamos o lote padratildeo de negociaccedilatildeo definido no mercado real e tambeacutem naplataforma de simulaccedilatildeo As informaccedilotildees satildeo referentes agraves 10 accedilotildees com maior liquidez noano de 2017 Os dados destacados na cor azul referem-se agraves accedilotildees que natildeo compotildeem alista das 10 accedilotildees com maior liquidez no ano de 2018 Jaacute os dados em destaque na cor
verde referem-se agraves accedilotildees que tecircm o lote padratildeo de negociaccedilatildeo no mercado real diferentedo lote de negociaccedilatildeo definido na plataforma O coacutedigo pn eacute referente as accedilotildees
preferencias e on as accedilotildees ordinaacuterias das empresas Os dados de negociaccedilatildeo das accedilotildeesestatildeo disponiacuteveis em lthttpwwwb3combrpt_brmarket-data-e-indices
servicos-de-dadosmarket-dataconsultasmercado-a-vistalotes-de-negociacaogt
115
Tabela 25 ndash Tabela da quantidade de accedilotildees que compotildeem o lote padratildeo de negociaccedilatildeo nomercado real e na plataforma de simulaccedilatildeo no ano de 2018
Empresa Coacutedigo de negociaccedilatildeo Lote na plataforma Lote BovespaVale on VALE3 100 100Itauacute pn ITUB4 150 100B3 on B3SA3 100 100
Bradesco pn BBDC4 145 100Fundo Ibovespa BOVA11 10 10
Ambev on ABEV3 100 100Petrobras pn PETR4 100 100
Magazine Luiza on MGLU3 100 100Itauacute on ITUB3 150 100
Banco do Brasil on BBAS3 100 100Nota Apresentamos o lote padratildeo de negociaccedilatildeo definido no mercado real e tambeacutem naplataforma de simulaccedilatildeo As informaccedilotildees satildeo referentes agraves 10 accedilotildees com maior liquidez noano de 2018 Os dados destacados na cor azul referem-se agraves accedilotildees que natildeo compotildeem alista das 10 accedilotildees com maior liquidez no ano de 2017 Jaacute os dados em destaque na cor
verde referem-se agraves accedilotildees que tecircm o lote padratildeo de negociaccedilatildeo no mercado real diferentedo lote de negociaccedilatildeo definido na plataforma O coacutedigo pn eacute referente as accedilotildees
preferencias e on as accedilotildees ordinaacuterias das empresas Os dados de negociaccedilatildeo das accedilotildeesestatildeo disponiacuteveis emlthttpwwwb3combrpt_brmarket-data-e-indices
servicos-de-dadosmarket-dataconsultasmercado-a-vistalotes-de-negociacaogt
116
Anexos
ANEXO A ndash Tabela de accedilotildees que
participaram da carteira teoacuterica do
Ibovespa no primeiro quadrimestre de
2017
118
Tabela 26 ndash Composiccedilatildeo da carteira teoacuterica do Ibovespa no primeiro quadrimestre de 2017
Virada do Ibovespa para Janeiro a Abril de 2017COacuteDIGO ACcedilAtildeO TIPO PARTICIPACcedilAtildeO ()
ITUB4 ITAUUNIBANCO PN EDJ N1 10681BBDC4 BRADESCO PN EJ N1 77402ABEV3 AMBEV SA ON EJ 71825PETR4 PETROBRAS PN 60083PETR3 PETROBRAS ON 45918VALE5 VALE PNA N1 45442VALE3 VALE ON N1 3776BRFS3 BRF SA ON NM 37215BBAS3 BRASIL ON NM 34462ITSA4 ITAUSA PN EJ N1 31492BVMF3 BMFBOVESPA ON EJ NM 29414UGPA3 ULTRAPAR ON NM 27619CIEL3 CIELO ON NM 25919BBSE3 BBSEGURIDADE ON NM 19019KROT3 KROTON ON NM 18728VIVT4 TELEF BRASIL PN EJ 18181JBSS3 JBS ON NM 17712BBDC3 BRADESCO ON EJ N1 16499LREN3 LOJAS RENNER ON NM 14737CCRO3 CCR SA ON NM 13755RADL3 RAIADROGASIL ON NM 12199EMBR3 EMBRAER ON NM 11756CTIP3 CETIP ON EJ NM 11596
SANB11 SANTANDER BR UNT 11399EQTL3 EQUATORIAL ON EJ NM 10802HYPE3 HYPERMARCAS ON NM 10534SBSP3 SABESP ON NM 09795GGBR4 GERDAU PN N1 09264BRKM5 BRASKEM PNA N1 09068LAME4 LOJAS AMERIC PN 0893WEGE3 WEG ON NM 0884PCAR4 PACUCAR-CBD PN N1 08504CPFE3 CPFL ENERGIA ON NM 08192KLBN11 KLABIN SA UNT N2 07869FIBR3 FIBRIA ON NM 07324EGIE3 ENGIE BRASIL ON NM 07139BRML3 BR MALLS PAR ON NM 06907CSNA3 SID NACIONAL ON 06527CMIG4 CEMIG PN EJ N1 06394TIMP3 TIM PART SA ON NM 06333ELET3 ELETROBRAS ON N1 05955CSAN3 COSAN ON NM 05843SUZB5 SUZANO PAPEL PNA N1 05522RENT3 LOCALIZA ON EJ NM 05095ESTC3 ESTACIO PART ON ED NM 04868MULT3 MULTIPLAN ON N2 04651RUMO3 RUMO LOG ON NM 04619QUAL3 QUALICORP ON NM 04229NATU3 NATURA ON NM 03964BRAP4 BRADESPAR PN EJ N1 03292ENBR3 ENERGIAS BR ON EJ NM 03119MRVE3 MRV ON NM 03022GOAU4 GERDAU MET PN N1 02877CPLE6 COPEL PNB N1 02765SMLE3 SMILES ON EJ NM 02552CYRE3 CYRELA REALT ON NM 02516MRFG3 MARFRIG ON NM 021USIM5 USIMINAS PNA N1 01975ECOR3 ECORODOVIAS ON NM 0164
Adaptado do site BMampFBOVESPA
119
ANEXO B ndash Tabela de accedilotildees que
participaram da carteira teoacuterica do
Dow Jones no primeiro quadrimestre
de 2017
Tabela 27 ndash Composiccedilatildeo do iacutendice Dow Jones no primeiro quadrimestre de 2017
NUacuteMERO ACcedilAtildeO COacuteDIGO PARTICIPACcedilAtildeO ()1 Boeing BA 7282 Goldman Sachs GS 7183 3M MMM 6414 UnitedHealth Group UNH 6055 Apple AAPL 5006 Home Depot HD 4827 McDonalds MCD 4818 IBM IBM 4409 Johnson amp Johnson JNJ 414
10 Travelers TRV 40411 United Technologies UTX 36412 Caterpillar CAT 35513 Chevron CVX 34414 Disney DIS 31915 Visa A V 31416 JPMorgan Chase JPM 29117 Procter amp Gamble PG 28618 American Express AXP 26619 Wal Mart WMT 25320 Dupont DD 25321 ExxonMobil XOM 24922 Microsoft MSFT 22523 Merck MRK 19424 NIKE B NKE 18625 Verizon Communications VZ 15026 Coca-Cola KO 14227 Intel INTC 11428 Pfizer PFE 10429 Cisco Systems CSCO 09830 General Electric GE 080
Adaptado do site wwwindexarbcom
120
ANEXO C ndash Tabela das taxas anuais
de crescimento do Ibovespa
Reproduzimos neste anexo a tabela das taxas anuais de crescimento do Ibovespa
desde o ano de 1968 A taxa de crescimento refere-se agrave taxa meacutedia de variaccedilatildeo do
iacutendice composta anualmente entre dois periacuteodos disponiacutevel em (BMampFBOVESPA
2019)
121
TX
_M
ED
IA_1968
TA
XA
MEacute
DIA
DE
CR
ES
CIM
EN
TO
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
IBO
VE
SP
A
AN
UA
L
1968
00
0000000021
1969
1647
00
0000000055
1970
1023
546
00
0000000085
1971
1058
815
1130
00
0000000181
1972
484
223
88
(444
)00
0000000101
1973
384
177
75
(237
)48
00
0000000105
1974
381
212
141
(74
)196
365
00
0000000144
1975
376
234
180
18
245
357
349
00
0000000194
1976
359
235
190
59
244
317
294
240
00
0000000241
1977
364
256
219
111
275
340
331
322
410
00
0000000340
1978
328
230
196
101
234
275
253
222
214
45
00
0000000355
1979
348
260
232
150
276
319
310
301
321
279
566
00
0000000556
1980
356
276
252
180
296
336
331
328
350
331
503
442
00
0000000801
1981
404
332
314
252
370
417
424
437
480
499
690
756
1138
00
0000001714
1982
420
353
338
283
395
440
450
465
506
526
677
716
872
639
00
0000002808
1983
601
544
544
503
646
722
767
827
931
1035
1325
1567
2111
2753
7593
00
0000024133
1984
728
679
689
659
817
911
976
1062
1197
1340
1677
1980
2573
3241
5822
4415
00
00001307
1985
839
798
816
796
965
1071
1151
1253
1408
1574
1928
2250
2824
3423
5157
4212
4016
00
00006555
1986
813
773
788
767
919
1011
1077
1160
1283
1408
1673
1886
2239
2520
3261
2373
1662
412
00
0000926
1987
785
746
758
737
875
954
1009
1076
1176
1273
1478
1624
1858
2000
2385
1682
1122
380
349
00
0001249
1988
1042
1015
1044
1039
1212
1325
1415
1526
1680
1841
2140
2392
2775
3095
3770
3240
2989
2696
4978
25
495
00
0033082
1989
1269
1252
1296
1306
1507
1648
1768
1913
2111
2323
2692
3022
3508
3949
4795
4426
4429
4537
7731
21
214
17
625
00
061615
1990
1330
1316
1364
1376
1576
1716
1836
1980
2172
2376
2723
3028
3464
3844
4547
4210
4177
4210
6220
11
630
7720
3083
00
25157
1991
1580
1577
1640
1669
1898
2067
2216
2396
2632
2886
3299
3676
4204
4688
5532
5312
5451
5728
8193
13
853
11
248
8932
23
159
06
0777
1992
1742
1746
1819
1857
2100
2283
2447
2642
2896
3169
3602
4000
4546
5048
5891
5724
5908
6232
8494
13
027
10
965
9324
15
417
10
156
67
805
1993
2092
2112
2209
2269
2557
2781
2989
3236
3554
3900
4432
4937
5619
6273
7328
7302
7706
8327
11
214
16
634
15
255
14
711
23
621
23
855
54
372
3754
52
1994
2254
2281
2385
2454
2753
2988
3208
3467
3797
4155
4696
5208
5890
6539
7561
7558
7959
8556
11
135
15
609
14
366
13
786
19
397
18
277
24
340
10
596
43
539
2
1995
2113
2133
2222
2278
2541
2743
2927
3142
3414
3703
4138
4534
5053
5520
6251
6149
6332
6615
8183
10
671
9381
8418
10
131
8171
7591
2384
(13
)42
990
0
1996
2042
2058
2139
2189
2429
2611
2774
2963
3200
3449
3822
4151
4578
4946
5520
5383
5471
5622
6729
8383
7241
6335
7088
5498
4676
1657
272
638
70
399
4
1997
1966
1978
2051
2093
2313
2476
2620
2786
2993
3206
3526
3801
4153
4444
4897
4741
4767
4834
5637
6784
5794
4989
5326
4060
3320
1283
328
540
448
101
965
0
1998
1821
1828
1889
1922
2115
2253
2373
2510
2680
2852
3112
3326
3599
3811
4146
3973
3943
3937
4480
5224
4385
3692
3774
2787
2163
784
117
164
(18
)(3
35
)67
843
0
1999
1811
1817
1876
1907
2090
2222
2334
2462
2620
2779
3017
3211
3455
3641
3934
3766
3725
3705
4162
4772
4026
3409
3446
2599
2061
890
315
412
344
295
1519
170
916
0
2000
1712
1714
1766
1791
1956
2072
2169
2279
2415
2549
2752
2911
3111
3255
3487
3319
3258
3212
3554
4000
3352
2813
2787
2082
1624
698
232
288
213
144
500
(107
)152
592
0
2001
1622
1621
1666
1686
1836
1939
2024
2119
2236
2350
2524
2657
2822
2935
3121
2956
2883
2822
3084
3420
2852
2377
2320
1722
1327
566
176
211
140
74
260
(109
)(1
10
)135
775
0
2002
1535
1532
1571
1586
1723
1814
1887
1970
2071
2168
2318
2428
2566
2654
2803
2644
2564
2493
2697
2954
2452
2032
1958
1443
1099
459
126
148
82
20
135
(130
)(1
41
)(1
70
)112
684
0
2003
1517
1513
1550
1565
1694
1781
1850
1927
2021
2111
2250
2350
2475
2553
2686
2534
2455
2384
2563
2786
2325
1940
1867
1400
1087
504
199
228
179
139
268
68
134
280
973
222
363
0
2004
1464
1459
1493
1505
1626
1705
1767
1836
1921
2001
2126
2213
2322
2387
2500
2354
2274
2201
2350
2535
2116
1766
1690
1272
990
471
197
222
179
144
253
89
145
245
525
178
261
962
5
2005
1421
1415
1446
1456
1569
1642
1699
1762
1839
1911
2024
2101
2198
2252
2350
2210
2131
2058
2185
2340
1957
1636
1560
1181
924
454
204
228
189
160
256
118
170
253
437
227
277
334
559
4
2006
1383
1376
1405
1413
1520
1587
1640
1697
1768
1833
1936
2005
2091
2137
2223
2089
2011
1939
2048
2182
1829
1532
1457
1110
873
444
214
237
202
178
265
146
195
268
409
260
303
329
444
737
1
2007
1352
1345
1372
1379
1479
1543
1591
1645
1710
1770
1865
1927
2005
2045
2121
1992
1916
1845
1941
2058
1730
1453
1381
1060
841
443
230
252
222
201
283
179
227
294
415
302
346
382
436
638
861
0
2008
1272
1263
1286
1290
1382
1439
1481
1527
1584
1635
1717
1770
1835
1865
1927
1803
1728
1656
1734
1827
1528
1276
1203
913
714
359
166
181
150
126
187
91
119
156
222
110
94
39
(8
1)
(412
)375
503
1
2009
1260
1251
1273
1277
1365
1419
1459
1503
1557
1605
1683
1731
1792
1819
1876
1758
1684
1615
1686
1772
1489
1251
1181
909
720
385
202
219
191
172
234
149
182
224
294
207
212
197
155
36
827
685
884
1
2010
1217
1208
1227
1230
1313
1363
1399
1439
1488
1531
1602
1645
1699
1721
1771
1657
1585
1517
1579
1653
1389
1167
1099
846
670
359
189
204
177
159
214
136
163
199
255
176
176
157
117
28
359
10
693
048
1
2011
1166
1156
1174
1175
1252
1298
1331
1366
1410
1449
1513
1550
1597
1614
1657
1548
1477
1411
1463
1526
1280
1073
1007
772
609
322
163
175
149
130
178
105
127
154
197
124
117
92
50
(29
)148
(90
)(1
81
)567
540
8
2012
1132
1121
1137
1138
1211
1254
1283
1316
1357
1392
1451
1484
1527
1540
1578
1473
1405
1340
1386
1441
1210
1014
951
730
576
307
158
169
144
127
170
103
122
146
184
119
111
89
54
(09
)129
(39
)(6
2)
74
609
520
8
2013
1089
1077
1092
1091
1160
1199
1226
1256
1292
1323
1377
1406
1444
1454
1487
1386
1319
1256
1296
1343
1127
943
881
675
530
279
139
148
124
107
145
82
98
118
148
88
78
55
21
(35
)65
(69
)(9
4)
(47
)(1
55
)515
071
6
2014
1054
1043
1056
1054
1119
1156
1180
1207
1241
1269
1319
1345
1379
1386
1415
1318
1253
1192
1226
1268
1063
890
830
636
499
262
130
138
115
98
133
74
88
105
132
76
67
46
15
(34
)49
(61
)(7
8)
(41
)(9
4)
(29
)500
074
1
2015
1017
1005
1017
1014
1075
1109
1132
1156
1187
1213
1258
1281
1311
1316
1341
1247
1185
1125
1155
1191
998
834
776
593
464
241
116
122
100
84
115
60
72
86
109
57
47
26
(0
3)
(47
)21
(74
)(9
0)
(65
)(1
07
)(8
3)
(133
)433
499
6
2016
1001
989
1000
998
1056
1089
1110
1133
1162
1186
1229
1251
1279
1283
1305
1215
1154
1096
1124
1157
972
815
759
584
461
247
127
134
113
98
129
77
90
104
127
80
72
55
31
(07
)61
(18
)(2
3)
12
(03
)54
97
389
602
272
8
2017
976
964
974
971
1027
1058
1078
1099
1126
1148
1188
1207
1233
1236
1256
1169
1109
1053
1078
1108
932
782
728
561
443
240
125
131
112
97
126
77
89
103
124
80
72
57
35
02
63
(07
)(0
9)
23
13
60
91
224
79
649
840
6
Paacutegin
a 1
Figu
ra22
ndashTa
xas
anua
isde
cres
cim
ento
doIb
oves
pade
sde
1968
122