AVALIAÇÃO DO DESEMPENHO DE TÉCNICAS DE APRENDIZAGEM DE MÁQUINA PARA PREVISÃO DO VALOR DE AÇÕES

LASTRA, Thalita Lopes1; NIEVOLA, Julio Cesar2;

Resumo

Introdução:A relação entre inteligência artificial e o mercado financeiro tem se tornado mais forte com o avanço da tecnologia. Para que o valor das ações seja previsto com um grande nível de confiabilidade pode-se fazer o uso de tecnologias, como o WEKA, que utiliza técnicas de aprendizagem máquina e, com elas, treinar uma máquina de forma que ela aprenda com os dados fornecidos, identificando padrões e criando modelos para que assim possa prever o valor da ação no futuro.

Objetivo:O objetivo original desta pesquisa consiste em implementar um algoritmo de regressão baseado em técnicas tradicionais de Mineração de Dados para realizar a previsão da evolução do valor de ações da Bolsa de Valores. Após a análise da literatura este objetivo foi alterado para a utilização de algoritmos de classificação, já que não existe muita literatura em relação a esta abordagem do problema, o que pode ser uma contribuição mais original do trabalho.

Metodologia:Para determinar quais técnicas fornecem mais confiança nos resultados, fez-se uma avaliação do desempenho de cada método aplicado a uma situação real. Para o estudo foi escolhida uma base de dados que passou por um pré-processamento, em que foram retirados dados desnecessários e redundantes. Em seguida, com o auxílio do software WEKA, foram treinados seis classificadores que criaram diferentes modelos, e foram testados nos dados. Todos eles foram utilizados de duas maneiras: a primeira através da classificação usando seleção de atributos, em que o software analisa e elimina as características (atributos) que não influenciam e, portanto, não são relevantes para a situação estudada, e a classificação sem a seleção de atributos, onde todas as características originais são usadas.

Resultados:Analisando os resultados obtidos, é possível constatar que tanto a classificação com seleção de atributos, quanto a sem seleção de atributos possuem níveis de confiança bons e muito próximos. Também é possível constatar que, os classificadores SMO e IBk forneceram um maior nível de confiança sem a seleção de atributos, enquanto os classificadores NaiveBayes e JRip, forneceram maior nível de confiabilidade quando selecionadas apenas as características mais importantes.

Conclusões:A partir deste estudo, foi concluído que existem classificadores com um maior nível de confiabilidade que outros, ou seja, o desempenho deles não é o mesmo. Verificou-se também que a confiabilidade depende da qualidade da base de dados, da quantidade de instâncias (exemplos) presentes na base e da quantidade de atributos utilizados. Portanto, para que os resultados aqui obtidos possam ser generalizados, é necessário expandir o trabalho com bases correspondentes a um número elevado de ações e com um histórico bastante amplo, ou seja, com muitos exemplos; com isto obtém-se um maior nível de confiança na previsão dos valores de ações e os investidores da bolsa de valores podem lucrar cada vez mais com um risco menor.

Palavras-chave:Mercado de Capitais. Mineração de Dados. Seleção de Atributos. Classificadores.

Legendas

    1. Estudante
    2. Orientador