Dissertação de Mestrado de Newton Paulo Linchen

DEFESA DE DISSERTAÇÃO DE MESTRADO

Aluno: Newton Paulo Linchen
Orientadora: Profa. Dra. Renata de Matos Galante

Título: Proposta e Avaliação de Features para Negociação Algorítmica em Mercado Financeiro
Linha de Pesquisa: Mineração, Integração e Análise de Dados

Data: 05/04/2023
Horário: 09h
Local: https://mconf.ufrgs.br/webconf/00109032

Banca Examinadora:
– Profa. Dra. Viviane Pereira Moreira (UFRGS)
– Prof. Dr. Felipe Dias Paiva (CEFET-MG)
– Prof. Dr. Leandro Krug Wives (UFRGS)

Presidente da Banca: Profa. Dra. Renata de Matos Galante

Resumo: Séries temporais de ativos financeiros de negociação são conhecidas por ter propriedades estocásticas que tornam a previsão uma tentativa quase fútil. Na Economia, a teoria dominante da Hipótese do Mercado Eficiente propõe que qualquer tentativa de prever os preços futuros de um ativo negociável é em vão e não deve ser perseguida. Nas últimas décadas, o surgimento de algoritmos de aprendizado de máquina deu à comunidade de investimentos ferramentas interessantes para avançar na pesquisa de previsão. No entanto, entendemos que algoritmos não são suficientes para fazer previsões bem-sucedidas: para construir modelos melhores, o pesquisador deve empregar o desenvolvimento de recursos, especialmente com o conhecimento e experiência de um praticante e especialista no campo. Neste trabalho, avaliamos o desempenho de um algoritmo de classificação (QDA – Análise Discriminante Quadrática) com a adição de recursos, comparando os resultados com um benchmark (compra e retenção) e um experimento de linha de base. A investigação foi realizada usando o Contrato Futuro do Índice Bovespa (Ibovespa Futuro), fazendo previsões de curto prazo em um ambiente simulado.

Palavras-Chave: Aprendizado de máquina. Algotrading. Mercado de Ações e Futuros. Quadratic Discriminant Analysis. Engenharia de Features. Classificação. Previsão. Séries Temporais.