Aprendizado por reforço como ferramenta na tomada de decisão em investimentos em bolsa de valores

Authors

  • Eduardo Lourenço Costa
  • José dos Reis Vieira de Moura Júnior

DOI:

https://doi.org/10.55905/oelv21n11-207

Keywords:

aprendizado de máquina, aprendizado por reforço, q-learning, bolsa de valores

Abstract

Nesse trabalho é investigado a viabilidade do uso de técnicas de aprendizado de máquina, em específico a de aprendizado por reforço, como ferramenta que possa auxiliar a tomada de decisão sobre negociações por meio de operações de compra e venda em bolsa de valores. Para a modelagem do ambiente de aprendizado foi utilizado as cotações de preços do ativo financeiro BOVA11, negociado na bolsa de valores do brasil, a B3. O ativo em questão é um ETF (Exchange traded fund) que busca replicar o desempenho do Índice Bovespa (IBOV), um dos principais índices utilizado como referência de desempenho do mercado brasileiro. O método proposto para predição das negociações de compra e venda obteve um retorno positivo de 47,9% com dados de preço na periodicidade diária e 85,93% com dados semanais, superando o referencial de comparação proposto, o IBOV, o qual apresentou uma rentabilidade negativa para o mesmo período de 0,30%.

References

AHLAWAT, S. Reinforcement Learning for Finance: Solve Problems in Finance with CNN and RNN Using the TensorFlow Library. 1. ed. Irvington: Apress, 2022.

ALMEIDA, M. Pandas: o que é, para que serve e como instalar. 2023. Disponível em: <https://www.alura.com.br/artigos/pandas-o-que-e-para-que-serve-como-instalar> Acesso em: 13/07/2023.

AROUSSI, R. Yfinance . PyPi. 2023. Disponível em: <https://pypi.org/project/yfinance/>. Acesso em: 13/07/2023.

ASSAF NETO, A. Mercado financeiro. 14. ed. São Paulo: Atlas, 2018.

AZEVEDO, R. Conheça a história do Ibovespa, que completa 50 anos em 2018. 2023. Disponível em: <https://exame.com/invest/mercados/ conheca-a-historia-do-ibovespa-que-completa-50-anos-em-2018/>. Acesso em: 14/06/2023.

B3. A Descoberta da bolsa pelo investidor brasileiro. 2020. Disponível em: < https://b3.com.br/lumis/portal/file/fileDownload.jsp?fileId=8AE490CA76400395017662491534717C>. Acesso em: 06/06/2023.

__. ETF de Renda Variável. 2023. Disponível em: <https://www.b3.com.br/pt_br/ produtos-e-servicos/negociacao/renda-variavel/etf-de-renda-variavel.htm>. Acesso em: 06/06/2023.

__. Manual de definições e procedimentos dos índices da B3. 2018. Disponível em:<https://www.b3.com.br/data/files/AF/83/C4/BA/25CB7610F157B776AC094EA8/Conceitos-Procedimentos-nov2018.pdf>. Acesso em: 12/06/2023.

BELYADI, H.; HAGHIGHAT, A. Machine Learning Guide for Oil and Gas Using Python: A Stepby-Step Breakdown with Data, Algorithms, Codes, and Applications. [S.l.]: Elsevier, 2021.

DUTTA, S. Reinforcement Learning with TensorFlow: A beginner’s guide to designing selflearning systems with TensorFlow and OpenAI Gym. Birmingham,: Packt, 2018.

ELIAS, J. Day trade é cassino, muito mais sorte do que técnica, diz pesquisador. 2020. Disponível em: <https://exame.com/invest/mercados/day-trade-e-cassino-muito-mais-sorte-do-que-tecnica-diz-pesquisador/>. Acesso em:14/06/2023.

FORTUNA, E. Mercado financeiro : produtos e Serviços. 20. ed. Rio de Janeiro: Qualitymark Editora„ 2015.

FOUNDATION, P. S. O tutorial de Python Documentação Python 3.11.4. 2023. Disponível em: <https://docs.python.org/pt-br/3/tutorial/index.html>. Acesso em: 13/07/2023.

GEETHA, T. V.; SENDHILKUMAR, S. Machine learning : concepts, techniques and applications. 1. ed. Nova Iorque: Chapman Hall/CRC Press, 2023.

GOOGLE Colab. 2023. Disponível em: <https://research.google.com/colaboratory/intl/ pt-BR/faq.html>. Acesso em: 13/07/2023.

HABIB, N. Hands-On Q-Learning with Python: Practical Q-learning with OpenAI Gym, Keras, and TensorFlow. Birmingham, Mumbai: Packt Publishing Ltd, 2019.

INVESTOR.GOV. Exchange-Traded Funds(ETFs). 2023. Disponível em: <https://www.investor.gov/introduction-investing/investing-basics/investment-products/mutual-funds-and-exchange-traded-2>. Acesso em: 06/06/2023.

KULKARNI, P. Reinforcement and systemic machine learning for decision making. 1. ed. Hoboken: Wiley-IEEE Press, 2012.

LI, S. E. Reinforcement Learning for Sequential Decision and Optimal Control. 1. ed. [S.l.]: Springer, 2023.

MENESES, A.; MARIANO, F. Mercado financeiro: teoria, questões comentadas e mais de 100 questões propostas. Rio de Janeiro: Elsevier Editora Ltda, 2011.

MURPHY, J. J. Technical Analysis of the Financial Markets: A Comprehensive Guide to Trading Methods and Applications. New York: New York Institute of Finance, 1999.

NUTI, G. et al. Algorithmic trading. Computer, v. 44, n. 11, p. 61–69, 2011.

PIAZZA, M. Bem-vindo a Bolsa de Valores: O guia passo a passo para você fazer seu primeiro investimento pela internet. 9. ed. Rio de Janeiro: Saraiva, 2013.

RUSSELL, S.; NORVIG, P. Inteligência artificial. Rio de Janeiro: Elsevier„ 2013.

SANTIAGO JÚNIOR, L. Entendendo a biblioteca NumPy. 2023. Disponível em: <https://medium.com/ensina-ai/entendendo-a-biblioteca-numpy-4858fde63355>. Acesso em: 13/07/2023.

SUTTON, R. S.; BARTO, A. G. Reinforcement Learning, An Introduction. Cambridge, Massachusetts: MIT Press, 2020.

WINDER, P. Reinforcement Learning: Industrial Applications of Intelligent Agents. 1. ed. Sebastopol: O’Reilly Media, 2020.

WINSTON, P. H. Artificial Intelligence. 9. ed. [S.l.]: Addison-Wesley Publishing Company, 1992.

Published

2023-11-29

How to Cite

Costa, E. L., & de Moura Júnior, J. dos R. V. (2023). Aprendizado por reforço como ferramenta na tomada de decisão em investimentos em bolsa de valores. OBSERVATÓRIO DE LA ECONOMÍA LATINOAMERICANA, 21(11), 22437–22457. https://doi.org/10.55905/oelv21n11-207

Issue

Section

Articles

Most read articles by the same author(s)