Anais do I Brazilian Workshop on Artificial Intelligence in Finance (BWAIF 2022)最新文献

筛选
英文 中文
Differentiable Planning for Optimal Liquidation 最优清算的可微分规划
Anais do I Brazilian Workshop on Artificial Intelligence in Finance (BWAIF 2022) Pub Date : 2022-07-31 DOI: 10.5753/bwaif.2022.223144
Alan A. Pennacchio, L. N. Barros, D. Mauá
{"title":"Differentiable Planning for Optimal Liquidation","authors":"Alan A. Pennacchio, L. N. Barros, D. Mauá","doi":"10.5753/bwaif.2022.223144","DOIUrl":"https://doi.org/10.5753/bwaif.2022.223144","url":null,"abstract":"Optimal liquidation consists of selling large blocks of single stocks within given time frames optimally with respect to specified risk-sensitive objectives. In this paper, we extend the Almgren-Chriss model for the liquidation process to a more generic and realistic setting and present a differentiable planning algorithm to solve it. We evaluate the performance of the proposed method through experiments, demonstrating the potential of differentiable planning for optimal liquidation in realistic scenarios.","PeriodicalId":439551,"journal":{"name":"Anais do I Brazilian Workshop on Artificial Intelligence in Finance (BWAIF 2022)","volume":"12 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-07-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"116627969","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 0
Avaliação de estratégias de operação em swing trade baseadas em aprendizado de máquina 基于机器学习的摇摆交易操作策略评估
Anais do I Brazilian Workshop on Artificial Intelligence in Finance (BWAIF 2022) Pub Date : 2022-07-31 DOI: 10.5753/bwaif.2022.223230
A. E. S. Machado, Rubio T. C. Viana, D. Dalip, R. N. Cardoso, Andreza Caroline da Cruz
{"title":"Avaliação de estratégias de operação em swing trade baseadas em aprendizado de máquina","authors":"A. E. S. Machado, Rubio T. C. Viana, D. Dalip, R. N. Cardoso, Andreza Caroline da Cruz","doi":"10.5753/bwaif.2022.223230","DOIUrl":"https://doi.org/10.5753/bwaif.2022.223230","url":null,"abstract":"Realizar operações na bolsa de valores é uma tarefa complexa, uma vez que alterações nos mais diversos setores acabam impactando o mercado acionário e, por isso, diversos estudos na área de inteligência artificial abordam esse tema com o propósito de facilitar operações. Esse artigo visa apresentar diferentes estratégias apoiadas pelo uso de algoritmos baseados em aprendizado supervisionado com o intuito de criar um ambiente propício à apreciação do capital. Foram trabalhadas três estratégias para quatro ativos de segmentos diferentes listados na B3 entre 2009 e 2021. Foi adotado o modelo LSTM como o algoritmo para previsão de valores futuros a partir das séries temporais do mercado e seus indicadores. Os resultados apontam que a estratégia proposta pode gerar lucro em mais de 70% das operações, obtendo um retorno geral maior que outros investimentos utilizados como comparação, considerando aportes entre os anos entre os anos de 2012 e 2021.","PeriodicalId":439551,"journal":{"name":"Anais do I Brazilian Workshop on Artificial Intelligence in Finance (BWAIF 2022)","volume":"37 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-07-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"114500217","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 0
Aprendizado por Reforço Profundo com Redes Recorrentes Aplicado à Negociação do Minicontrato Futuro de Dólar 循环网络深度强化学习应用于美元期货小合约交易
Anais do I Brazilian Workshop on Artificial Intelligence in Finance (BWAIF 2022) Pub Date : 2022-07-31 DOI: 10.5753/bwaif.2022.222808
Jonathan Kenji Kinoshita, Douglas De Rizzo Meneghetti, R. A. C. Bianchi
{"title":"Aprendizado por Reforço Profundo com Redes Recorrentes Aplicado à Negociação do Minicontrato Futuro de Dólar","authors":"Jonathan Kenji Kinoshita, Douglas De Rizzo Meneghetti, R. A. C. Bianchi","doi":"10.5753/bwaif.2022.222808","DOIUrl":"https://doi.org/10.5753/bwaif.2022.222808","url":null,"abstract":"Recentemente, houve um aumento considerável no uso de técnicas de aprendizado de máquina no mercado financeiro, principalmente para negociação de ações, na tentativa de prever preços futuros. O objetivo desse projeto é investigar a aplicação do aprendizado por reforço em um sistema de negociação inteligente do minicontrato futuro de dólar, usando uma Deep Recurrent Q-Network, uma técnica baseada no treinamento de uma rede recorrente para resolução de problemas de aprendizado por reforço parcialmente observáveis. O treinamento foi baseado em uma base da dados históricos do ativo e o agente realizou três ações: comprar, vender ou manter o ativo, sempre visando maximizar o retorno financeiro. Os experimentos realizados indicam que o sistema pode alcançar desempenho superior à estratégia de Buy and Hold e a tradicional DQN.","PeriodicalId":439551,"journal":{"name":"Anais do I Brazilian Workshop on Artificial Intelligence in Finance (BWAIF 2022)","volume":"103 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-07-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"127136173","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 1
A Methodology for Definition and Refinement of a LSTM Stock Predictor Architecture using iRace and NSGA-II 一种使用iRace和NSGA-II的LSTM库存预测器架构的定义和改进方法
Anais do I Brazilian Workshop on Artificial Intelligence in Finance (BWAIF 2022) Pub Date : 2022-07-31 DOI: 10.5753/bwaif.2022.222869
Thiago F. Costa, E. Wanner, F. V. Martins, A. R. Cruz
{"title":"A Methodology for Definition and Refinement of a LSTM Stock Predictor Architecture using iRace and NSGA-II","authors":"Thiago F. Costa, E. Wanner, F. V. Martins, A. R. Cruz","doi":"10.5753/bwaif.2022.222869","DOIUrl":"https://doi.org/10.5753/bwaif.2022.222869","url":null,"abstract":"This paper presents a novel methodology aiming to define and refine a LSTM architecture applied to predict stock market prices. The methodology, dubbed STOCK-PRED: THE LSTM PROPHET OF THE STOCK MARKET, uses iRace and NSGA-II algorithms. The LSTM is built in two steps: (i) initially, iRace determines a robust set of hyperparameters using a compound objective function; afterwards, (ii) one of the best structures is used to define a tiny search space for the NSGA-II populations. In this step NSGA-II optimizes, simultaneously, the Mean Squared Error, in relation to price prediction, and the Accumulated Accuracy Rate for a time horizon of seven days, relative to growth price tendency. The methodology is tested considering stock market tickers from USA and Brazil. Even in a challenging scenario surrounded by possibly turbulent events, the Stock-Pred predicts the prices based on historical data and machine learning techniques. Since the optimization problem is noisy and the objective functions have a high computational cost, we consider a low budget in relation to the number of fitness evaluations. The analysis of the non-dominated solution indicates that the proposed methodology is promising, achieving a MAPE of 1.279%, 1.564% and 2.047% for BVSP, IBM and AAPL stocks respectively.","PeriodicalId":439551,"journal":{"name":"Anais do I Brazilian Workshop on Artificial Intelligence in Finance (BWAIF 2022)","volume":"11 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-07-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"124497928","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 0
Short-term prediction for Ethereum with Deep Neural Networks 基于深度神经网络的以太坊短期预测
Anais do I Brazilian Workshop on Artificial Intelligence in Finance (BWAIF 2022) Pub Date : 2022-07-31 DOI: 10.5753/bwaif.2022.222629
Eduardo José Costa Lopes, R. Bianchi
{"title":"Short-term prediction for Ethereum with Deep Neural Networks","authors":"Eduardo José Costa Lopes, R. Bianchi","doi":"10.5753/bwaif.2022.222629","DOIUrl":"https://doi.org/10.5753/bwaif.2022.222629","url":null,"abstract":"The main contribution of this research is to investigate whether an Artificial Neural Network is an option to predict Ethereum cryptocurrency close price on a time constrained scenario. The ANN training time and time lagged data availability are considered as constraints on finding the fastest and the most accurate regression model using ARIMA results as a baseline. As part of the study, hourly aggregated data is processed to generate a step-ahead forecast and then processing time is compared for each architecture. Previous work related to cryptocurrency forecasting usually focus the analysis only on accuracy, and use coarser data granularity. Results have shown that convolutional neural networks over performed other architectures for accuracy and time objectives.","PeriodicalId":439551,"journal":{"name":"Anais do I Brazilian Workshop on Artificial Intelligence in Finance (BWAIF 2022)","volume":"11 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-07-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"115584459","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 1
Aplicação de Algoritmos de Otimização para a Minimização do Risco em um Portfólio de Negociações Automatizadas 在自动化交易组合中应用优化算法使风险最小化
Anais do I Brazilian Workshop on Artificial Intelligence in Finance (BWAIF 2022) Pub Date : 2022-07-31 DOI: 10.5753/bwaif.2022.223149
Daniele Fernandes Campos, C. Rodrigues, Angelo C. Loula
{"title":"Aplicação de Algoritmos de Otimização para a Minimização do Risco em um Portfólio de Negociações Automatizadas","authors":"Daniele Fernandes Campos, C. Rodrigues, Angelo C. Loula","doi":"10.5753/bwaif.2022.223149","DOIUrl":"https://doi.org/10.5753/bwaif.2022.223149","url":null,"abstract":"O uso de portfólios de ATS (Automated Trading System) têm se tornado cada vez mais comum nos mercados de renda variável mas essa combinação vem acompanhada de alta volatilidade. Para atenuar essa situação esse trabalho apresenta um estudo envolvendo cinco métodos de otimização aplicados a um portfólio de ATS atuando no mercado Forex para aumentar os lucros e diminuir o risco (drawdown), através da definição de pesos de ótimos de capital a serem aplicados em cada ATS. Foram utilizadas como funções objetivo indicadores de análise técnica. Também é apresentado um filtro de correlação e o método de Monte Carlo para o ajuste do risco. Na maioria dos casos, as otimizações baseadas nos indicadores Sharpe-Ratio e K-Ratio obtiveram resultados melhores que o portfólio de pesos iguais e o filtro de correlação contribuiu com a diminuição do risco mas também com a diminuição dos lucros.","PeriodicalId":439551,"journal":{"name":"Anais do I Brazilian Workshop on Artificial Intelligence in Finance (BWAIF 2022)","volume":"11 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-07-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"121231491","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 0
Previsão de Preços de Ações Utilizando Inteligência Artificial 使用人工智能预测股票价格
Anais do I Brazilian Workshop on Artificial Intelligence in Finance (BWAIF 2022) Pub Date : 2022-07-31 DOI: 10.5753/bwaif.2022.223129
O. S. Nascimento, F. G. Santos, Karl H. A. Ferreira
{"title":"Previsão de Preços de Ações Utilizando Inteligência Artificial","authors":"O. S. Nascimento, F. G. Santos, Karl H. A. Ferreira","doi":"10.5753/bwaif.2022.223129","DOIUrl":"https://doi.org/10.5753/bwaif.2022.223129","url":null,"abstract":"O uso da Inteligência artificial pode por meio de análise de dados de séries temporais conseguir prever a tendência dos preços das ações possibilitando ajudar na tomada de decisões. O presente artigo teve como objetivo analisar e aplicar técnicas de análise de dados utilizando inteligência artificial para prever tendências dos preços das ações e auxiliar os investidores sobre qual decisão tomar na hora de comprar ou vender. Utilizou-se três algoritmos de aprendizagem de máquina ARIMA, PROPHET e LSTM, onde todos os testes foram realizados no Google Colab e posteriormente após definir o melhor modelo foi elaborado uma aplicação web denominada The Seer com uso do framework Django o que possibilitou a realização das previsões com mais facilidade. A validação dos modelos foi realizada com base nos valores fechamento diário de duas ações e uma ETF negociadas na BM&F Bovespa. Ambos os modelos conseguiram melhor resultado para o período de até 60 dias, sendo que os modelos ARIMA e PROPHET conseguiram melhor precisão para um período de até 30 dias. O modelo LSTM obteve melhor métrica RMSE e MAPE para os 90 dias observado. Por fim pode concluir que o trabalho conseguiu atingir o objetivo proposto.","PeriodicalId":439551,"journal":{"name":"Anais do I Brazilian Workshop on Artificial Intelligence in Finance (BWAIF 2022)","volume":"103 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-07-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"130683998","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 0
A Bayesian Network Model to Improve Stock Market Trend Following Strategies 改进股票市场趋势跟踪策略的贝叶斯网络模型
Anais do I Brazilian Workshop on Artificial Intelligence in Finance (BWAIF 2022) Pub Date : 2022-07-31 DOI: 10.5753/bwaif.2022.223291
Fabio Katsumi, E. Gomi
{"title":"A Bayesian Network Model to Improve Stock Market Trend Following Strategies","authors":"Fabio Katsumi, E. Gomi","doi":"10.5753/bwaif.2022.223291","DOIUrl":"https://doi.org/10.5753/bwaif.2022.223291","url":null,"abstract":"Traditional trend-following models have been used for many years to invest in various asset classes. In this paper we propose a Bayesian Network architecture to enhance classical trend following performance applied to the US stock index. The results show that a Bayesian Network that considers other market variables outperforms both traditional trend following and buy and hold strategies.","PeriodicalId":439551,"journal":{"name":"Anais do I Brazilian Workshop on Artificial Intelligence in Finance (BWAIF 2022)","volume":"1 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-07-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"130859529","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 0
0
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
相关产品
×
本文献相关产品
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:604180095
Book学术官方微信
小红书