Simulação de mercado financeiro com compra e venda otimizadas por Enxame de Partículas

Autores

DOI:

https://doi.org/10.5902/2179460X40010

Palavras-chave:

Mercado financeiro, Otimização, Otimização por enxame de partículas, Simulação computacional, Sistemas dinâmicos

Resumo

Tem sido de grande interesse, tanto por parte de pesquisadores quanto de investidores, definir regras de negociação que permitam capturar a dinâmica dos mercados financeiros. Este artigo apresenta um modelo de negociação entre agentes financeiros, baseado no processo de compra e venda de ações, que forma um mercado financeiro. Para a adaptação de agentes econômicos ao mercado, foi implementado o algoritmo Particle Swarm Optimization (PSO) para otimizar as regras de negociação entre agentes, visando maximizar os ganhos no mercado. As séries temporais de mercados artificiais e o mercado brasileiro real da Bovespa, descrito pelo índice Bovespa, foram utilizados nas simulações computacionais. Através das simulações foi explorada a dinâmica da interação de compra e venda entre agentes financeiros. Os resultados revelam que existe uma dependência dos ganhos dos agentes nos mercados em alta em relação às estratégias de negociação adotadas. Em contrapartida, nos mercados em baixa essa dependência não foi observada, uma vez que não foram encontradas diferenças estatisticamente significativas para a quantidade de riqueza acumulada entre os participantes dos mercados. Para o mercado Bovespa, a partir dos limiares de venda e de compra das negociações realizadas foram identificados os agentes que possuem as melhores estratégias nas negociações.

Downloads

Não há dados estatísticos.

Biografia do Autor

Kerolly Kedma Felix do Nascimento, Universidade Federal Rural de Pernambuco, Recife, PE

Graduada em Matemática (Licenciatura). Mestre em Biometria e Estatística Aplicada. Atualmente é aluna do Doutorado em Biometria e Estatística Aplicada da Universidade Federal Rural de Pernambuco.

Jader da Silva Jale, Universidade Federal Rural de Pernambuco, Recife, PE

Possui Bacharelado em Estatística, Mestrado e Doutorado em Biometria e Estatística Aplicada e Pós-Doutorado em Ciência da Computação, todos pela Universidade Federal Rural de Pernambuco. Atualmente é professor Adjunto A e membro titular da Comissão de Pesquisa no Departamento de Estatística e Informática na Universidade Federal Rural de Pernambuco.

Tiago Alessandro Espínola Ferreira, Universidade Federal Rural de Pernambuco, Recife, PE

Possui graduação (Bacharelado) e mestrado em Física, tem doutorado em Ciências da Computação pela Universidade Federal de Pernambuco e pós-doutorado pela Harvard University e professor visitante do Institutee for Applied Computational Science at Harvard Jhon A. Paulson School of Engineering and Appied Sciences. Atualmente é professor associado, fundadores do Programa de Pós-graduação em Informática Aplicada e  membro permanente do Programa de Pós-Graduação em Biometria e Estatística Aplicada da Universidade Federal Rural de Pernambuco.

Referências

Abar, S., Theodoropoulos, G. K., Lemarinier, P., O’Hare, G. M. (2017). Agent based modelling and simulation tools: A review of the state-of-art software. Computer Science Review, 24, 13–33.

Antunes, M. A., Procianoy, J. L. (2003). Os efeitos das decisões de investimentos das empresas sobre os preços de suas ações no mercado de capitais. Revista de Administração da Universidade de São Paulo, 38(1), 5–14.

B3 (2016). Perfil e histórico. URL http://ri.bmfbovespa.com.br/static/ptb/perfil-historico.asp?idioma=ptb.

Bai, J., Ng, S. (2005). Tests for skewness, kurtosis, and normality for time series data. Journal of Business & Economic Statistics, 23(1), 49–60.

Box, G. E., Jenkins, G. M., Reinsel, G. C. (2008). Time Series Analysis: Forecasting and Control, 4º edn. John Wiley and Sons.

Chatterjee, S., Sarkar, S., Hore, S., Dey, N., Ashour, A. S., Balas, V. E. (2017). Particle swarm optimization trained neural network for structural failure prediction of multistoried rc buildings. Neural Computing and Applications, 28(8), 2005–2016.

Clerc, M. (2010). Particle swarm optimization, vol 93. John Wiley & Sons.

Clerc, M., Kennedy, J. (2002). The particle swarm-explosion, stability, and convergence in a multidimensional complex space. IEEE transactions on Evolutionary Computation, 6(1), 58–73.

Cont, R. (2001). Empirical properties of asset returns: stylized facts and statistical issues. QUANTITATIVE FINANCE, 1, 223–236.

Damasceno, N. C., Gabriel Filho, O. (2017). Pi controller optimization for a heat exchanger through metaheuristic bat algorithm, particle swarm optimization, flower pollination algorithm and cuckoo search algorithm. IEEE Latin America Transactions, 15(9), 1801–1807.

Delice, Y., Aydogan, E. K., Özcan, U., Ilkay, M. S. (2017). A modified particle swarm optimization algorithm to mixed-model two-sided assembly line balancing. Journal of Intelligent Manufacturing, 28(1), 23–36.

Dorigo, M., Gambardella, L. M. (1997). Ant colony system: a cooperative learning approach to the traveling salesman problem. IEEE Transactions on evolutionary computation, 1(1), 53–66.

Eberhart, R., Kennedy, J. (1995). Particle swarm optimization. Em: Proceedings of the IEEE international conference on neural networks, Citeseer, vol 4, pp. 1942–1948.

Engle, R. F. (2011). Long-term skewness and systemic risk. Journal of Financial Econometrics, 9(3), 437–468.

Goez, G. D., Velasquez, R. A., Botero, J. S. (2016). On-line route planning of uav using particle swarm optimization on microcontrollers. IEEE Latin America Transactions, 14(4), 1705–1710.

Gujarati, D. N. (2006). Econometria Basica. Elsevier Brasil.

Hegazy, O., Soliman, O. S., Salam, M. A. (2015). Comparative study between fpa, ba, mcs, abc, and pso algorithms in training and optimizing of ls-svm for stock market prediction. International Journal of Advanced Computer Research, 5(18), 35–45.

Jale, J. S., Júnior, S. F., Stošic, T., Stošic, B., Ferreira, T. A. (2019). Information flow between ibovespa and constituent companies. Physica A: Statistical Mechanics and its Applications, 516(C), 233–239, URL https://EconPapers.repec.org/RePEc:eee:phsmap:v:516:y:2019:i:c:p:233-239.

Karazmodeh, M., Nasiri, S., Hashemi, S. M. (2013). Stock price forecasting using support vector machines and improved particle swarm optimization. Journal of Automation and Control Engineering, 1(2), 173–176.

Koad, R., Zobaa, A. F., El-Shahat, A. (2017). A novel mppt algorithm based on particle swarm optimization for photovoltaic systems. IEEE Transactions on Sustainable Energy, 8(2), 468–476.

Kwapien, J., Drozdz, S. (2012). Physical approach to complex systems. Physics Reports, 515(3-4), 115–226.

de Lima, N. F., Fernandes, L. H., Jale, J. S., de Mattos Neto, P. S., Stošic, T., Stoši ´ c, B., Ferreira, T. A. (2018). Long-term ´correlations and cross-correlations in ibovespa and constituent companies. Physica A: Statistical Mechanics and its Applications, 492(C), 1431–1438, URL https://ideas.repec.org/a/eee/phsmap/v492y2018icp1431-1438.html.

Macal, C. M., North, M. J. (2005). Tutorial on agent-based modeling and simulation. Em: Proceedings of the Winter Simulation Conference, 2005., IEEE, pp. 14–pp.

Mandelbrot, B. (1963). The variation of certain speculative prices. The Journal of Business, 36(4), 394–419.

Miramontes, O., Volke, K. (2013). Fronteras de la física en el siglo XXI. CopIt-arXives.

Mitchell, M. (1996). An introduction to genetic algorithms. 9780585030944, MIT press.

Nenortaite, J., Simutis, R. (2004). Stocks’ trading system based on the particle swarm optimization algorithm. Em: International Conference on Computational Science, Springer, pp. 843–850.

Nenortaite, J., Simutis, R. (2005). Adapting particle swarm optimization to stock markets. Em: 5th International Conference on Intelligent Systems Design and Applications (ISDA’05), IEEE, pp. 520–525.

Ramos, W. V., Neto, C. R. (2015). A utilização da modelagem de sistemas complexos na construção de um mercado de ações artificial. Revista Eletrônica do Departamento de Ciências Contábeis & Departamento de Atuária e Métodos Quantitativos (REDECA), 2(1), 101–115.

Rao, P. S., Jana, P. K., Banka, H. (2017). A particle swarm optimization based energy efficient cluster head selection algorithm for wireless sensor networks. Wireless networks, 23(7), 2005–2020.

Serapião, A. B. d. S. (2009). Fundamentos de otimização por inteligência de enxames: uma visão geral. Sba: Controle & Automação Sociedade Brasileira de Automatica, 20(3), 271–304.

Shi, Y., Eberhart, R. C. (1999). Empirical study of particle swarm optimization. Em: Proceedings of the 1999 Congress on Evolutionary Computation-CEC99 (Cat. No. 99TH8406), IEEE, vol 3, pp. 1945–1950.

Stanley, H. E., Amaral, L. A. N., Canning, D., Gopikrishnan, P., Lee, Y., Liu, Y. (1999). Econophysics: Can physicists contribute to the science of economics? Physica A: Statistical Mechanics and its Applications, 269(1), 156–169.

Wang, F., Philip, L., Cheung, D. W. (2012). Complex stock trading strategy based on particle swarm optimization. Em: 2012 IEEE Conference on Computational Intelligence for Financial Engineering & Economics (CIFEr), IEEE, pp. 1–6.

Downloads

Publicado

2021-03-10

Como Citar

Nascimento, K. K. F. do, Jale, J. da S., & Ferreira, T. A. E. (2021). Simulação de mercado financeiro com compra e venda otimizadas por Enxame de Partículas. Ciência E Natura, 43, e21. https://doi.org/10.5902/2179460X40010

Edição

v. 43 (2021): Publicação Contínua

Seção

Estatística

Licença

Para acessar a DECLARAÇÃO DE ORIGINALIDADE E EXCLUSIVIDADE E CESSÃO DE DIREITOS AUTORAIS clique aqui.

 

Diretrizes Éticas para Publicação de Revistas

A revista Ciência e Natura está empenhada em garantir a ética na publicação e na qualidade dos artigos.

A conformidade com padrões de comportamento ético é, portanto, esperada de todas as partes envolvidas: Autores, Editores e Revisores.

Em particular, 

Autores: Os Autores devem apresentar uma discussão objetiva sobre a importância do trabalho de pesquisa, bem como detalhes e referências suficientes para permitir que outros reproduzam as experiências. Declarações fraudulentas ou intencionalmente incorretas constituem comportamento antiético e são inaceitáveis. Artigos de Revisão também devem ser objetivos, abrangentes e relatos precisos do estado da arte. Os Autores devem assegurar que seu trabalho é uma obra totalmente original, e se o trabalho e / ou palavras de outros têm sido utilizadas, isso tem sido devidamente reconhecido. O plágio em todas as suas formas constitui um comportamento publicitário não ético e é inaceitável. Submeter o mesmo manuscrito a mais de um jornal simultaneamente constitui um comportamento publicitário não ético e é inaceitável. Os Autores não devem submeter artigos que descrevam essencialmente a mesma pesquisa a mais de uma revista. O Autor correspondente deve garantir que haja um consenso total de todos os Co-autores na aprovação da versão final do artigo e sua submissão para publicação.

Editores: Os Editores devem avaliar manuscritos exclusivamente com base no seu mérito acadêmico. Um Editor não deve usar informações não publicadas na própria pesquisa do Editor sem o consentimento expresso por escrito do Autor. Os Editores devem tomar medidas de resposta razoável quando tiverem sido apresentadas queixas éticas relativas a um manuscrito submetido ou publicado.

Revisores: Todos os manuscritos recebidos para revisão devem ser tratados como documentos confidenciais. As informações ou ideias privilegiadas obtidas através da análise por pares devem ser mantidas confidenciais e não utilizadas para vantagens pessoais. As revisões devem ser conduzidas objetivamente e as observações devem ser formuladas claramente com argumentos de apoio, de modo que os Autores possam usá-los para melhorar o artigo. Qualquer Revisor selecionado que se sinta desqualificado para rever a pesquisa relatada em um manuscrito ou sabe que sua rápida revisão será impossível deve notificar o Editor e desculpar-se do processo de revisão. Os Revisores não devem considerar manuscritos nos quais tenham conflitos de interesse resultantes de relacionamentos ou conexões competitivas, colaborativas ou outras conexões com qualquer dos autores, empresas ou instituições conectadas aos documentos.