Desenvolvimento de estratégia de arbitragem de pares otimizada por redes neurais recorrentes: uma aplicação no mercado de ações brasileiro

Abstract

O presente Projeto Final de Curso dedica-se a estudar, propor e aperfeiçoar uma estratégia de Arbitragem de Pares utilizando Redes Neurais Recorrentes tipo Long-Short Term Memory. A Arbitragem de Pares é uma prática difundida há décadas no mercado financeiro e, ainda hoje, diversos pesquisadores aplicam as técnicas mais modernas de Inteligência Computacional, com o objetivo de aperfeiçoá-la. Para aplicação no mercado de ações brasileiro, foram selecionados como pares o Míni-Índice Bovespa -WIN$- e o IShares Ibovespa Fundo de Índice -BOVA11-. Para simular Negociações de Alta Frequência, as cotações em nível de tick foram coletadas para ambos os ativos e submetidas ao algoritmo de simulação da estratégia. O desenvolvimento da estratégia foi feito com base nas melhores práticas encontradas na literatura e, para melhor desempenho, através de diversas simulações foram ensaiados o comportamento para diferentes conjuntos de parâmetros. No entanto, diversos fatores podem influenciar a lucratividade da estratégia. Por esse motivo, propomos uma abordagem de Machine Learning para aprender sobre o histórico de negociações da Estratégia de Arbitragem e se tornar capaz de prever o resultado nas oportunidades futuras. No período de testes, ao comparar a performance das estratégias, a versão impulsionada por Redes Neurais teve maior precisão e manteve nível similar de lucratividade, com apenas 80% dos negócios realizados pela estratégia benchmark