RESUMOSistemas de informação que tem por objetivo realizar previsões em séries temporais financeiras e negociar a partir destas estão sujeitos a diversos riscos, pois o mercado acionário sofre influências de diferentes origens continuamente. O estudo das finanças quantitativas aborda métodos para tratamento de problemas desta natureza, fato que se dá, principalmente, por meio do uso de inteligência computacional. Neste trabalhoé apresentada uma estratégia automatizada (robô investidor) que combina previsões feitas por redes neurais artificiais e preditores econométricos em uma segunda rede neural, esta age como um comitê de decisão. As previsões são utilizadas para gerar sinais de compra ou venda por meio de um modelo de negociação incorporado ao algoritmo. Os experimentos foram conduzidos com séries reais referentes a três ações de alta liquidez, uma commoditie e umíndice de mercado. Os resultados obtidos são comparados de forma financeira frenteà aplicação individual de cada preditor e, também, a técnicas clássicas de mercado.
Palavras-ChaveSistemas de informação inteligentes, finanças quantitativas, econometria de séries temporais, redes neurais artificias.
ABSTRACTInformation systems with the objective to make forecasts for financial time series and negotiate from these are subject to various risks, because the stock market is influenced by diffe-rent sources continuously. The study of quantitative finance addresses methods for treating problems such as these, a fact which occurs mainly through the use of computational intelligence. This paper presents an automated strategy (investor robot) that combines predictions made by artificial neural networks and econometric predictors in a second neural network, this acts like a ensemble. The predictions are used to generate purchase or sell signals through a negotiation model built into the algorithm. The experiments were conducted with real series of three assets with high liquidity, a commodity and a market index. The financial results are compared against the individual application of each predictor and also the classical market techniques.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.