Estratégia de investimento value optimizada por algoritmos genéticos distribuídos

Helder de Oliveira Mota

Key information

Authors:

Helder de Oliveira Mota (Helder de Oliveira Mota)

Supervisors:

Rui Fuentecilla Maia Ferreira Neves (Rui Fuentecilla Maia Ferreira Neves); Nuno Cavaco Gomes Horta (Nuno Cavaco Gomes Horta)

Published in

November 20, 2015

Abstract

Mercados de Capitais tornaram-se extremamente populares na comunidade académica, principalmente na área de Machine Learning e Softcomputing, onde o impacto de vários fatores e a previsão de preços futuros são investigados utilizando uma variedade de algoritmos. Entre essas metodologias, é possível destacar técnicas, tais como Algoritmos Genéticos, Máquinas de vectores de suporte e Redes Neuronais. Este documento apresenta a solução proposta para uma aplicação que preveja a evolução dos mercados de capitais, recorrendo aos fundamentais das empresas. A aplicação irá optimizar a estratégia value tendo em conta dois objetivos, o retorno do investimento e o risco associado ao investimento. A abordagem escolhida combina elementos dos algoritmos genéticos, da otimização por múltiplos objetivos e a adaptação destes a uma arquitetura paralela e distribuída para ser usada num cluster. Para validar a abordagem usa-se um período de teste entre julho de 2013 e julho de 2015. Assimulações demonstram que a seleção de ações com base em indicadores fundamentais é uma solução que pode ser usada para escolher as melhores empresas em termos operacionais, com retornos acima da média do mercado. A versão paralela é capaz de melhorar os resultados obtidos pela versão sequencial e melhora a diversidade das soluções encontradas além de diminuir o tempo de execução. The capital market has become extremely popular among academic community, particularly in Machine Learning and Softcomputing areas where the impact of various factors and prediction of future prices are analysed using a variety of algorithms. Among those intelligent methodologies, it is possible to highlight techniques such as Genetic Algorithms, Support Vector Machines and Neural Networks. This document presents a solution that predicts the stock market evolution, using a fundamental approach. The application main goal is to optimize the value strategy with two objectives, the investment return and the investment risk. The chosen approach combines elements from genetic algorithms, multi objective optimization and a parallelization. The application will be used in a cluster. To validate the application, it was tested in a period between July 2013 and July 2015. The simulations show that a selection based on financial ratios can be used to evaluate the best companies, obtaining above market returns. The parallel version improves the sequential version, both in solution quality and runtime execution.