Desenvolvimento de estratégia de arbitragem de pares otimizada por redes neurais recorrentes: uma aplicação no mercado de ações brasileiro

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCerqueira, Fábio Ribeiro-
Autor(es): dc.contributorSacco, Wagner Figueiredo-
Autor(es): dc.contributorCoelho, Ana Carolina Rios-
Autor(es): dc.contributorVilcapoma, Anibal Ignacio-
Autor(es): dc.creatorHensoldt, Hugo Vinícius-
Data de aceite: dc.date.accessioned2024-07-11T17:29:12Z-
Data de disponibilização: dc.date.available2024-07-11T17:29:12Z-
Data de envio: dc.date.issued2021-12-16-
Data de envio: dc.date.issued2021-12-16-
Data de envio: dc.date.issued2020-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/23945-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/751285-
Descrição: dc.descriptionO presente Projeto Final de Curso dedica-se a estudar, propor e aperfeiçoar uma estratégia de Arbitragem de Pares utilizando Redes Neurais Recorrentes tipo Long-Short Term Memory. A Arbitragem de Pares é uma prática difundida há décadas no mercado financeiro e, ainda hoje, diversos pesquisadores aplicam as técnicas mais modernas de Inteligência Computacional, com o objetivo de aperfeiçoá-la. Para aplicação no mercado de ações brasileiro, foram selecionados como pares o Míni-Índice Bovespa -WIN$- e o IShares Ibovespa Fundo de Índice -BOVA11-. Para simular Negociações de Alta Frequência, as cotações em nível de tick foram coletadas para ambos os ativos e submetidas ao algoritmo de simulação da estratégia. O desenvolvimento da estratégia foi feito com base nas melhores práticas encontradas na literatura e, para melhor desempenho, através de diversas simulações foram ensaiados o comportamento para diferentes conjuntos de parâmetros. No entanto, diversos fatores podem influenciar a lucratividade da estratégia. Por esse motivo, propomos uma abordagem de Machine Learning para aprender sobre o histórico de negociações da Estratégia de Arbitragem e se tornar capaz de prever o resultado nas oportunidades futuras. No período de testes, ao comparar a performance das estratégias, a versão impulsionada por Redes Neurais teve maior precisão e manteve nível similar de lucratividade, com apenas 80% dos negócios realizados pela estratégia benchmark-
Descrição: dc.descriptionThis Undergraduate Final Project is dedicated to studying, proposing and improving a Pairs Traiding Strategy, using Long-Short Term Memory type of Recurrent Neural Networks. Pairs Traiding has been a widespread practice for decades in the financial market and, even today, many researchers apply the most modern Computational Intelligence techniques with the intention of improving it. For implementation in the Brazilian stock market, the Mini-Index Bovespa -WIN$- and the IShares Ibovespa Index Fund -BOVA11- were selected as pairs. In order to simulate High Frequency Trading, Tick-level quotes were collected for both assets and submitted to the strategy simulation algorithm. The strategy development was based on the best practices found in the literature and, for better performance, the behavior for different sets of parameters was tested through several simulations. However, several factors can influence the profitability of the strategy. For this reason, we propose a Machine Learning approach, trained on the trading history of the Arbitrage Strategy, to be able to predict the result of future opportunities. During the testing period, when comparing the performance of the strategies, the version driven by Neural Networks had greater precision, and maintained a similar level of profitability, with only 80% of the trades carried out by the benchmark strategy-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Federal Fluminense-
Publicador: dc.publisherPetrópolis-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectArbitragem de pares-
Palavras-chave: dc.subjectNegociações de alta frequência-
Palavras-chave: dc.subjectAprendizagem de máquina-
Palavras-chave: dc.subjectRedes neurais recorrentes-
Palavras-chave: dc.subjectLSTM-
Palavras-chave: dc.subjectNegociação em bolsa-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectRede neural-
Palavras-chave: dc.subjectMercado financeiro-
Palavras-chave: dc.subjectPairs trading-
Palavras-chave: dc.subjectHigh-frequency trading-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectRecurrent neural networks-
Palavras-chave: dc.subjectLSTM-
Título: dc.titleDesenvolvimento de estratégia de arbitragem de pares otimizada por redes neurais recorrentes: uma aplicação no mercado de ações brasileiro-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.