CADEIAS DE MARKOV EM ESTRATÉGIA DE NEGOCIAÇÃO DE AÇÕES EM ALTA FREQUÊNCIA

Cesar Almiñana; Leandro Augusto da Silva

Autores

Cesar Almiñana Universidade Presbiteriana Mackenzie
Leandro Augusto da Silva Universidade Presbiteriana Mackenzie

Palavras-chave:

Ações, Random Walks, Cadeias de Markov, High Frequency Trading

Resumo

O problema de predição do preço ou valor de uma determinada ação tem sido objeto de estudo, aprofundamento e evolução nas últimas décadas, buscando alcançar o objetivo básico de realizações financeiras positivas com o menor risco possível. Uma estratégia conhecida para redução de riscos é a operação em um regime de high frequency trading, que se beneficia de pequenas variações de preço e permite realizar ganhos múltiplas vezes ao dia. Partindo da hipótese e da interpretação de que a variação dos preços de ações equivale a um passeio aleatório (random walks), é possível caracterizar um processo (estocástico) de Markov com estados e probabilidades de transição conhecidos, descrevendo as variações de preço de uma ação específica ao longo do tempo. Desse modo, este estudo busca estimar o retorno financeiro potencial a partir do uso de cadeias de Markov para tomada de decisões automatizada em uma estratégia de compra e venda de ações em alta frequência, comparando os resultados obtidos com a valorização (ou desvalorização) do papel no mesmo período.

Downloads

Não há dados estatísticos.

Referências

ABELL, H. Digital day trading: moving from one winning stock position to the next. [S. l.]: Dearborn Trade Pub, 1999.

ALMASARWEH, M.; WADI, S. ARIMA model in predicting banking stock market data. Modern Applied Science, v. 12, n. 11, p. 309-312, 2018. Disponível em: https://www.ccsenet. org/journal/index.php/mas/article/view/0/37282. Acesso em: 7 dez. 2022.

ASSAF NETO, A. Mercado Financeiro. 12. ed. São Paulo: Atlas, 2014.

B3. Ações. 2021. Disponível em: http://www.b3.com.br/pt_br/produtos-e-servicos/negociacao/ renda-variavel/acoes.htm. Acesso em: 12 jun. 2021.

BALLINI, R. et al. A comparative analysis of neurofuzzy, ANN and ARIMA models for Brazilian stock index forecasting. In: INTERNATIONAL CONFERECE ON COMPUTING IN ECONOMICS AND FINANCE – CEF, 16., Londres, Inglaterra, 2010.

BRIOLA, A. et al. Deep reinforcement learning for active high frequency trading. Arxiv, Cornell University, Feb. 2021. Disponível em: https://arxiv.org/abs/2101.07107. Acesso em: 7 dez. 2022.

CHITENDERU, T. T.; MAREDZA, A.; SIBANDA, K. The random walk theory and stock prices: evidence from Johannesburg stock exchange. International Business & Economics Research Journal, v. 13, n. 6, p. 1241-1250, Dec. 2014.

CHAN, E. P. Quantitative trading: how to build your own algorithmic trading business. New Jersey: John Wiley & Sons, 2009.

CHOU, J.; NGUYEN, T. Forward forecast of stock price using sliding-window metaheuristic-optimized machine learning regression. IEEE Transactions on Industrial Informatics, v. 14, n. 17, July 2018.

CLEAR. Custos. 2021. Disponível em: https://www.clear.com.br/site/custos. Acesso em: 15 jun. 2021.

CONEGUNDES, L.; PEREIRA, A. C. M. Beating the stock market with a deep reinforcement learning day trading system. In: INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), Belo Horizonte, 2020, p. 1-8

CORRAL, H. Day trade no imposto de renda: como declarar? Expert XP, 8 fev. 2021. Disponível em: https://conteudos.xpi.com.br/aprenda-a-investir/relatorios/day-trade-no-imposto-de-renda/. Acesso em: 15 jun. 2021.

CRANE, J. Advanced swing trading: strategies to predict, identify, and trade future markets swings. New York: John Wiley & Sons, 2003.

CRUZ, R. R.; GONZALEZ, A. D. D. Investment portfolio trading based on Markov chain and fuzzy logic. In: IEEE LATIN AMERICAN CONFERENCE ON COMPUTATIONAL INTELLIGENCE, Guadalajara, 2018. p. 1-6. DOI 10.1109/LA-CCI.2018.8625246.

GRAMI, A. Probability, random variables, statistics and random processes: fundamentals & applications. New York: John Wiley & Sons, 2020.

HENRIQUE, B. M.; SOBREIRO, V. A.; KIMURA, H. Stock price prediction using support vector regression on daily and up to the minute prices. The Journal of Finance and Data Science, v. 4, n. 3, p. 183-201, Sept. 2018.

HUANG, C. Financial trading as a game: a deep reinforcement learning approach. Arxiv, Cornell University, July 2018.

JIANG, W. Applications of deep learning in stock market prediction: recent progress. Arxiv, Cornell University, Feb. 2020.

LACHIHEB, O.; GOUIDER, M. S. A hierarchical deep neural network design for stock returns prediction. Procedia Computer Science, v. 126, p. 264-272, 2018.

NIKOU, M.; MANSOURFAR, G.; BAGHERZADEH, J. Stock price prediction using deep learning algorithms and its comparison with machine learning algorithms. Intelligent Systems in Accounting, Finance and Management: An International Journal, v. 26, p. 164-174, Sept. 2019.

PANDEY, V. S.; BAJPAI, A. Predictive efficiency of ARIMA and ANN models: a case analysis of Nifty Fifty in Indian stock market. International Journal of Applied Engineering Research, v. 14, n. 2, p. 232-244, 2019.

PAPOULIS, A.; PILLAI, S. U. Probability, random variables, and stochastic processes. 4th. ed. New York: McGraw-Hill, 2002.

PARMAR, I. et al. Stock market prediction using machine learning. In: INTERNATIONAL CONFERENCE ON SECURE CYBER COMPUTING AND COMMUNICATION, 1., Punjab, India: Dr B R Ambedkar National Institute of Technology, 2018.

RAMPELL, A.; KUPOR, S. Breaking down the payment for order flow debate. A16Z, 2021. Disponível em: https://a16z.com/2021/02/17/payment-for-order-flow/. Acesso em: 13 jun. 2021.

RICO. Custos. 2021. Disponível em: https://www.rico.com.vc/custos. Acesso em: 15 jun. 2021.

RUNDO, F. Deep LSTM with reinforcement learning layer for financial trend prediction in FX high frequency trading systems. Applied Sciences, 2019.

SADORSKY, P. A Random Forests approach to predicting clean energy stock prices. Journal of Risk and Financial Management, v. 14, n. 2, p. 1-20, 2021.

SATTAROV, O. et al. Recommending cryptocurrency trading points with deep reinforcement learning approach. Applied Sciences, v. 10, n. 4, 1506, Feb. 2020.

SHIN, H.; RA, I.; CHOI, Y. A deep multimodal reinforcement learning system combined with CNN and LSTM for stock trading. In: INTERNATIONAL CONFERENCE ON INFORMATION AND COMMUNICATION TECHNOLOGY CONVERGENCE (ICTC), Keju, Coreia do Sul, 2019.

TAKAR, T. Investe e ações? Pode ter de pagar IR todo mês, com multa cara se esquecer. UOL, 28 maio 2019. Disponível em: https://economia.uol.com.br/financas-pessoais/noticias/redacao/2019/05/28/como-calcular-imposto-de-renda-sobre-acoes.htm. Acesso em: 15 jun. 2021.

VIGG, S.; ARORA, D. A study of randomness in the national stock exchange. Prestige International Journal of Management & IT-Sanchayan, v. 7, p. 112-125, 2018.

VIJH, M. et al. Stock closing price prediction using machine learning techniques. Procedia Computer Science, v. 167, p. 599-606, 2020.

VISHWANATH, S. R.; KRISHNAMURTI C. (Ed.). Investment management: a modern guide to security analysis and stock selection. [S. l.]: Springer, 2009.

WIERING, M.; OTTERLO M. Reinforcement learning state-of-the-art. [S. l.]: Springer, 2012.

WU J. et al. Quantitative trading on stock market based on deep reinforcement learning. In: INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS, Budapeste, Hungria, 2019.

YADAV, A.; JHA, C. K.; SHARAN, A. Optimizing LSTM for time series prediction in Indian stock market. Procedia Computer Science, v. 167, p. 2091-2100, 2020.

YANG, H. et al. Deep reinforcement learning for automated stock trading: an ensemble strategy. SSRN, Sept. 2020. Disponível em: http://dx.doi.org/10.2139/ssrn.3690996. Acesso em: 8 dez. 2022.