Академический Документы
Профессиональный Документы
Культура Документы
I. I NTRODUC AO
O mercado financeiro, dentro de uma conjectura
globalizada, apresenta um sistema de trocas financeiras entre
moedas de diferentes naco es, este mercado e conhecido
como Foreign Exchange Market (forex, FX, ou mercado corrente). O mercado forex difere em varias caractersticas dos
mercados de aco es e de commodities, o primeiro opera com
papeis de varias empreses espalhadas pelo mundo, como GE
e Petrobras, o segundo com produtos basicos, como cafe e
minerio de ferro, pois o mercado forex opera com as taxas
cambiais de moedas. Alem desta diferenca basica, o mercado
opera com grande velocidade, volumes e liquidez elevados.
Segundo relatorio do Bank for International Settlements [2],
em abril de 2010, o volume de negocios medio diario nos
mercados cambiais globais foi estimado em 3,98 trilhoes
dolares, o que equivale a mais de quinhentas vezes o recorde
diario da bovespa de 7,082 bilhoes de 12 de maio de 2010.
mercados de valores, mais especificamente as particularidades do mercado em foco. Na seque ncia realiza-se uma
revisao conceitual de sistemas fuzzy do tipo-2, seguida pela
modelagem efetuada e terminando com a apresentaca o dos
resultados.
II. C ONCEITUAC AO
A. Mercado Forex
Analise grafica e uma tecnica utilizada por operadores do mercado financeiro para tentar prever o seu
comportamento . Este tipo de analise visa simplificar os
modelos de fora a interpretar as informaco es presentes nos
valores de mercado que se alteram temporalmente com muita
velocidade. Desta forma o tempo e dividido em perodos
de observaca o, que podem variar de minutos ate horas.
Para cada perodo sao observador 5 grandezas, os preco
de abertura e fechamento do perodo, os precos maximos
e mnimos atingidos no perodo e o volume de negociaco es.
Existem basicamente duas formas de representar os quatro
precos do perodo, na forma de barras ou velas (candlestick).
Tanto nas barras como nos candlesticks as linhas verticais
representam a extensao entre os precos maximos e mnimos,
nas barras a linhas horizontais representam a` esquerda o
preco de abertura e a direita o preco de fechamento. No
candlestick nao preenchido, a base e o topo do retangulo
representam respectivamente o preco de abertura e de fechamento; o analogo para o candlestick preenchido [16].
Figura 1.
valores.
Figura 3.
A extensao apresentada pelos sistemas nebulosos do tipo2 (IT2 FS - Interval Type-2 Fuzzy Set) esta no grau de
pertinencia, que e estendido de um valor u nico para uma
funca o de pertinencia, desta forma o grau de pertinencia
de um elemento do conjunto possui uma nova funca o de
pertinencia. Um exemplo de uma funca o de pertinencia do
, e apresentado na figura
de um sistema nebuloso tipo-2, X
4 em tres dimensoes. Fica claro que diferentemente dos
sistemas nebulosos do tipo-1 o valor de pertinencia e agora
um intervalo [0,25, 0,85]. Representando o sistema em duas
coordenadas (figura 5), observa-se tambem que o sistema
nebuloso do tipo-2 possui em suas fronteiras suas funco es
de pertinencia do tipo-1, neste caso X, e X sao chamadas
de funca o de pertinencia superior (FPS ou UMF - upper
member function) e funca o de pertinencia inferior (FPI ou
LMF -lower member function), A a rea entre as duas funco es
de pertinencia e chamada de mancha de incerteza [12] (MI
ou FOU- footprint of iuncertainty).
i=1
n
i=1
n
F n (x) = [f , f ], n = 1...N
(2)
Figura 6.
Na pratica o sistema pode ser significativamente simplificado, considerando um sistema nebuloso do tipo-2 que
consiste em um vetor de entrada x = x1 , ..., x1 0 , sendo que
cada entrada e dividida em N regras nebulosas de entrada
da forma:
1n e . . . e xI e X
In ,
Rn : SE x1 e X
y n = q + p1 x1 + . . . + pI xI n = 1, 2, ..., N
EN T AO
PN
n=1
PN
f n F n (x)
y n Y n
f n yn
n=1
fn
= [yl , yr ]
(3)
yl + yr
2
(4)
(5)
onde os i sao erros aleatorio nao correlacionados, nao observaveis, com media zero e variancia constante e2 . As constantes , 1 , 2 , . . . , q sao constantes desconhecidas que
podem assumir valores positivos ou negativos. No modelo
de media movel devemos considerar que as perturbaco es
aleatorias sejam distribudas independentemente ao longo
do tempo, isto quer dizer que deveremos trabalhar com um
processo de rudo branco.
(6)
1 1 + 2 . . . p
(7)
1 1 . . . p
(9)
(10)
0.000
0.002
0.004
diferenciao
0.002
500
1000
1500
2000
Observaes
Figura 8.
Visualizaca o da serie inicial
0.6
Autocorrelao
0.0
10
15
20
Lag
0.00
0.06
Para utilizarmos a metodologia de Box-Jenkins, deveremos usar uma serie estacionaria. Logo, a serie acima foi
diferenciada uma vez e o teste Aumentado de Dickey-Fuller,
foi usado para mostrar que a nova serie obtida pode pode
ser considerada estacionaria.
H0 : Nao estacionaridade;
H1 : Estacionaridade.
Autocorrelao Parcial
Figura 7.
10
15
20
Lag
Figura 9.
(11)
(12)
H0 : Distribuica o Normal;
H1 : Outra distribuica o.
No modelo AR(1), a Estatstica de Anderson Darling foi
de AD = 11, 072 e um p-value=< 0, 005 para testar se os
dados sao provenientes da distribuica o normal. Como o pvalor e menor do que o valor alfa escolhido (5%), entao
rejeitaremos a hipotese nula, ou seja, os dados nao sao
provenientes de uma distribuica o normal, desta forma, nao
poderemos utilizar o modelo para realizar previsoes, visto
que o mesmo nao se mostrou um rudo branco.
Figura 11.
H0 : = 0 (Existe independencia)
H1 : 6= 0 (Existe dependencia).
Figura 10.
A estatstica de Durbin-Watson foi igual a 2.003 e o pvalor e 0.5276. Logo nao rejeitamos a hipotese nula ao nvel
de 5% de significancia, indicando que existe independencia
nos resduos, o que e visto na figura 13.
C. Teste de Breusch-Pagan
O teste de Breusch-Pagan detecta a presenca de Homocedasticidade nos resduos, logo temos:
H0 : i2 = 2
H1 : i2 6= 2
Onde temos as seguintes estatsticas de teste de BreuschPagan:
BP = 1.8156, df = 1, p value = 0.1778
Logo como o p-valor acima e maior do que 5% nao
possumos evidencias amostrais para rejeitarmos a hipotese
nula, ou seja, os resduos sao constantes.
Figura 12.
Figura 15.
Figura 13.
Teste
Anderson-Darling
Breush-Pagan
Durbin-Watson
Estatstica
11,122
1,7599
1,9985
P-valor
< 0, 005
0,1846
0,4865
Varios trabalhos [17] ja demonstraram a compatibilidade dos sistemas nebulosos para modelagem de equaco es
lineares e nao lineares incluindo sistemas caoticos. Basicamente a utilizaca o de sistemas neuro-fuzzy para predica o de
series temporais esta na utilizaca o de valores passados para
a predica o de um valor futuro. No caso de series temporais
discretas, pode-se definir os parametros como o numero
de entradas passadas, o numero de perodos adiantes que
deseja-se prever, e o espacamento entre as entradas passadas.
Sobre o espacamento entre as entradas passadas pode-se
escolher um espacamento homogeneo ou nao [17].
Desta forma tem-se: o valor de entrada futura n+P, onde n
e o valor atual da amostra e P o numero de amostras adiante
que se deseja prever; e D o vetor de espacamentos para as
entradas passadas. Por exemplo para D = [0,1,2,3,5,8] e P
=1 temos o vetor x de entrada e y de sada como sendo:
x = [x(n 8), x(n 5), x(n 3), x(n 2), x(n 1), x(n)]0
y = x(n + 1)
Figura 14.
IV. R ESULTADOS
Figura 16.
s
s
Figura 17.
variavel.
Figura 18.
Figura 19.
V. C ONCLUS AO
Primeiramente, uma proposta de continuidade seria
avaliar a utilizaca o do modelo agregando diferentes indicadores ao vetor de entrada como indicador de tendencia
MACD (Moving Averenge Convergence Divergence), indi-