Análise Autônoma de Investimento: Uma Abordagem Multiagente Discreta

Authors

  • Paulo André Lima de Castro Intituto Tecnológico de Aeronáutica (ITA)
  • Ronald Annoni Junior Raifa Sistems Inteligentes São José dos Campos, SP, Brasil
  • Jaime Simão Sichman Laboratório de Técnicas Inteligentes (LTI)3 Universidade de São Paulo (USP) São Paulo, SP, Brasil

DOI:

https://doi.org/10.22456/2175-2745.74992

Keywords:

Autonomous analysis, technical analysis, artificial intelligence, online learning

Abstract

Desde os primeiros dias da ciência da computação, os pesquisadores se perguntam onde está a linha que separa as tarefas que máquinas podem fazer, daquelas que apenas seres humanos podem realizar. Várias tarefas foram apontadas como impossíveis para as máquinas e mais tarde conquistadas por novos avanços na Inteligência Artificial. Hoje em dia, parece que não estamos longe do dia em que a condução de carros será incluída nas tarefas que as máquinas podem fazer de maneira eficiente. Certamente, atividades ainda mais complexas serão dominadas por máquinas no futuro. Neste artigo, argumentamos que a análise de investimentos, o processo de avaliação e seleção de investimentos em termos de risco e retorno podem estar entre as tarefas executadas de forma eficiente por máquinas em futuro talvez não distante. Na verdade, há esforços de pesquisa significativos para criar algoritmos e métodos quantitativos para analisar investimentos. Apresentamos uma breve revisão sobre eles. Através desta revisão, podemos perceber que há muitos desafios e complexidades a serem enfrentados na busca de análise autônoma de investimentos (AAI). Neste artigo, propomos uma abordagem para simplificar o problema de análise autônoma de investimentos capaz de tratar com as complexidades identificadas (natureza dos ativos, algoritmos de análise múltipla por ativo, não estacionaridade e múltiplos horizonte de investimento). Esta abordagem baseia-se no uso simultâneo de diversos agentes autônomos e na discretização do problema AAI e sua modelagem como um problema de classificação. Essa abordagem quebra a complexidade enfrentada pela AAI em problemas que podem ser abordados por um grupo de agentes que trabalham em conjunto para fornecer conselhos de investimento inteligentes e personalizados para indivíduos. Apresentamos uma implementação dessa abordagem e resultados obtidos através de seu uso com dados históricos do mercado de capitais brasileiro. Acreditamos que tal abordagem pode contribuir para o desenvolvimento de AAI. Além disso, esta abordagem permite a incorporação de algoritmos e técnicas já conhecidas que podem ajudar a resolver parte do problema.

Downloads

Download data is not yet available.

Author Biography

Paulo André Lima de Castro, Intituto Tecnológico de Aeronáutica (ITA)

Engenheiro de Computação pelo Instituto Tecnológico de Aeronáutica (ITA, 1997), Mestre e Doutor em Engenharia Elétrica pela Escola Politécnica da Universidade de São Paulo (Poli/USP 2009). Fez pós-doutorado na City University of New York (2013). Atualmente é professor do Instituto Tecnológico de Aeronáutica (ITA) e vice-chefe da Divisão de Ciência da Computação do ITA. Participou de diversos projetos de Pesquisa e Desenvolvimento incluindo desenvolvimento de simuladores, avaliação de segurança da informação em sistemas computacionais e aplicação de técnicas inteligentes em sistemas distribuídos. Realiza pesquisas na área de Inteligência Artificial com ênfase em Sistemas Multiagentes, atuando principalmente nos seguintes temas: agentes autônomos, arquiteturas multiagentes e em aplicações de técnicas inteligentes 

References

TURING, A. M. Computing machinery and intelligence. Mind, v. 59, n. October, p. 433–60, 1950.

RUSSELL, S.; NORVIG, P. Artificial Intelligence A Modern Approach. 3. ed. Englewood Cliffs - NJ: Prentice Hall, 2013. v. 1.

FAMA, E. Efficient capital markets:a review of theory and empirical work. Journal of Finance, v. 25, p. 383–417, 1970.

BLUM, A. On-line algorithms in machine learning. In Online Algorithms: The State of the Art, edited by A. Fiat and G. Woeginger, v. 1442, n. 1, p. 306–325, 1998.

LUO, K. L. Y.; DAVIS, D. N. The arbitrage theory of capital asset pricing. Journal of Economic Theory, v. 13, n. 1, p. 341–360, 1976.

DAMODARAN, A. Applied Corporate Finance. 4. ed. New York, NY: Wiley, 2010. v. 1.

MARKOWITZ, H. M. Portfolio selection. Journal of Finance, v. 7, n. 1, p. 77–91, 1952.

DOUGHERTY, E. R. Probability and Statistics for the engineering, computing, and physical sciences. 1. ed. Englewood Cliffs, New Jersey, 07632: Prentice Hall International, Inc., 1990. v. 1.

HORNE, J. C. V. Financial Management and Policy. 12. ed. Englewood Cliffs, New Jersey, 07632: Prentice Hall, 1995. v. 1.

CAMARGOS, M. A. de; BARBOSA, F. V. Teoria e evideˆncia da eficiencia informacional do mercado de capitais brasileiro. Caderno de Pesquisas em Administrac ̧a ̃o, v. 10, n. 1, p. 41–55, 2003.

MALKIEL, B. G. A Random Walk Down Wall Street. 9. ed. New York: W.W. Norton and Company, 1975. v. 1.

LYNCH, P. Beating the Street. 1. ed. New York: Simon and Schuster, 1994. v. 1.

PINHEIRO, J. L. Mercado de Capitais: fundamentos e tecnicas. 7. ed. Sao Paulo - Brasil: Atlas, 2001. v. 1.

CASTRO, P. A. L.; SICHMAN, J. S. Automated asset management based on partially cooperative agents for a world of risks. Applied Intelligence, v. 38, n. 1, p. 210–225, 2013.

KATZ, J.; MCCORMICK, D. The Encyclopedia of trading strategies. 1. ed. New York: McGraw-Hill, 2000. v. 1.

APPEL, G. Technical Analysis: Power Tools for Active Investors. 1. ed. New York: Financial Times Prentice Hall, 2005. v. 1.

KENDALL, G.; SU, Y. Co-evolution of successful trading strategies in a simulated stock market. proceedings of The 2003 International Conference on Machine Learning and Applications (ICMLA’03), v. 1, p. 1–7, 2003.

LANGKVIST, M.; KARLSSON, L.; LOUTFI, A. A review of unsupervised feature learning and deep learning for time-series modeling. Pattern Recognition Letters, v. 42, p. 11 – 24, 2014.

SHERSTOV, A. A.; STONE, P. Three automated stock-trading agents: A comparative study. In: FARATIN, P.; RODRIGUEZ-AGUILAR, J. A. (Ed.). Proceedings of the Agent Mediated Electronic Commerce (AMEC) Workshop -

AAMAS 2004. New York: Springer, 2004. (Lecture Notes in Artificial Intelligence, v. 3435).

NEVMYVAKA, Y.; FENG, Y.; KEARNS, M. Reinforcement learning for optimized trade execution. In: COHEN, W.; MOORE, A. (Ed.). Proceedings of the 23rd International Conference on Machine Learning- ICML 2006. Pittsburgh, Pennsylvania: ACM press, 2006. v. 1.

DECKER, K. et al. Designing behaviors for information agents. In: JOHNSON, W. L.; HAYES-ROTH, B. (Ed.). Proceedings of the First International Conference on Autonomous Agents (Agents’97). New York: ACM Press, 1997. v. 1.

LUO, K. L. Y.; DAVIS, D. N. A multi-agent decision support system for stock trading. IEEE Network, v. 16, n. 1, p. 20–27, 2002.

X., F.; C., J. Agent-Based stock trading. In: DEBNATH, N. (Ed.). Proceedings of the ISCA CATA-2003. Honolulu, USA: ISCA, 2003. v. 1.

KEARNS, M.; ORTIZ, L. The penn-lehman automated trading project. IEEE Intelligent System, v. 18, n. 6, p. 22–31, 2003.

KENDALL, G.; SU, Y. A particle swarm optimisation approach in the construction of optimal risky portfolios. In: HAMZA, M. H. (Ed.). proceedings of the 23rd IASTED International Multi-Conference Artificial Intelligence and Applications. Innsbruck, Austria: ACTA press, 2005. v. 8.

LUO, Y.; LIU, K. A multi-agent system for stock trading. IEEE Network, IEEE press, New York, USA, v. 16, n. 1, p. 20–27, 2002.

FENG, Y. et al. Two stock-trading agents: Market making and technical analysis. In: FARATIN, P. et al. (Ed.). Agent-Mediated Electronic Commerce V. 1. ed. Berlin, Germany: Springer, 2003, (Lecture Notes in Artificial Intelligence, 1). cap. 2.

FRANK, M. A. H. E.; WITTEN, I. H. Data Mining: Practical Machine Learning Tools and Techniques. 4. ed. New York: Morgan Kaufmann, 2016. v. 1.

LEBARON, B. Agent-based computational finance. In: SCHMEDDERS, K.; JUDD, K. L. (Ed.). Agent-based Computational Economics. Amsterdam, The Netherlands: North-Holland, 2006, (Handbook of Computational Economics, v. 2). p. 1187–1233.

Published

2018-02-18

How to Cite

de Castro, P. A. L., Junior, R. A., & Sichman, J. S. (2018). Análise Autônoma de Investimento: Uma Abordagem Multiagente Discreta. Revista De Informática Teórica E Aplicada, 25(1), 23–38. https://doi.org/10.22456/2175-2745.74992

Issue

Section

Regular Papers