Algotrading
Algotrading
Algotrading
FLORIANÓPOLIS – SC
2022/2
UNIVERSIDADE FEDERAL DE SANTA CATARINA
DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA
CURSO DE BACHARELADO EM SISTEMAS DE INFORMAÇÃO
FLORIANÓPOLIS – SC
2022/2
DANIEL ANTONIO TELL
Banca examinadora
_________________________________
Frank Augusto Siqueira
Universidade Federal de Santa Catarina
_________________________________
Prof. Jean Everson Martina, Dr
Universidade Federal de Santa Catarina
AGRADECIMENTOS
A minha mãe Zelia e meu irmão Bruno, por todo apoio, compreensão, e
principalmente incentivo durante minha vida.
Aos outros membros de nossas famílias que nos deram força para
chegar onde chegamos.
Aos nossos amigos que se mostraram ótimos companheiros mesmo nos
momentos mais difíceis e sempre apoiaram nossas idéias.
Ao orientador Alex Sandro, que sempre meu ajudou quando necessário
e deu rumo a esse trabalho.
Resumo
1.2 OBJETIVOS
11
Os dados históricos das cotações das criptomoedas podem ser
encontrados de forma simples e gratuita na Internet, então bastaria ao usuário
fazer essa carga de dados na ferramenta.
1.3 Justificativa
12
Assim sendo, basta ao usuário fazer a carga de dados no sistema para
que ele gere gráficos com indicadores, e informe as tendências de mercado
utilizando métodos estatísticos comprovados pela comunidade mundial.
1.5. Metodologia
2. FUNDAMENTAÇÃO TEÓRICA
13
eram centralizadas - normalmente lastreados por uma moeda nacional ou um
metal precioso, como o ouro - e, como resultado, eram fáceis de ser atacadas
tanto por governos como por hackers (ANTONOPOULOS, 2014).
14
Objetivo: um token existe porque representa exclusivamente um ativo
(Asset-Backed), confere ao seu titular uma permissão de acesso da
mesma forma que um cartão de acesso (Usage Token) ou é usado
como recipiente de valor para recompensar um determinado
comportamento (Work Token).
Função: os tokens podem conceder um direito ao seu titular (Right),
representar uma unidade de troca de valor em um sistema interno
(Value Exchange), representar uma taxa por fins de pagamento por uso
ou acesso a uma plataforma (Toll), incorporam uma ferramenta para
enriquecer a experiência do usuário e recompensam o comportamento
do usuário (Function), constituem um método de pagamento de fato
(Currency) ou incorporam o direito de conferir participação nos lucros ao
detentor do token (Earnings).
Representação: os tokens podem representar ativos digitais puros,
como direitos de voto ou identidades digitais (Digital), estar vinculados a
objetos físicos como em propriedades inteligentes ou objetos inteligentes
(Physical), ser vinculados a objetos de realidade virtual (Virtual) ou
representar direitos legais concedidos por lei ou acordados entre as
partes (Legal).
Fornecimento: descreve se um fornecimento de token é fixo e
distribuído de uma só vez (Fixed) ou se comporta de acordo com um
cronograma específico (Schedule-based).
Sistema de incentivos: os meio de incentivos na qual os tokens
exercem influência sobre a rede e seu detentor.
Transações: os tokens que podem ser gastos em uma plataforma são
considerados Spendable, enquanto os demais são Non-Spendable.
Propriedade: na maioria dos casos, a propriedade dos tokens pode
mudar de mãos (Tradable), embora haja casos em que isso não é
possível (Non-Tradable).
Fungibilidade: um ativo fungível é intercambiável com outro ativo da
mesma categoria.
15
Camada: um atributo técnico que se refere à distinção de onde os
tokens são baseados.
Cadeia: a cadeia na qual o protocolo se baseia e que também afeta o
design do token.
16
Figura 2 - Classificação das criptomoedas 2
2.1.1 Blockchain
17
2.1.2 Smart Contract
O Ethereum, por sua vez, foi concebido para ser uma rede ponto-a-
ponto de máquinas virtuais e foi criado como uma plataforma para criar e
executar contratos inteligentes ou aplicações descentralizadas sobre
blockchain. Esta rede não é gratuita e para utilizá-la, o usuário do Ethereum
necessita adquirir sua criptomoeda, o Ether (WOOD, 2014).
O blockchain de Ethereum surge como uma interessante e promissora
alternativa às limitações de Bitcoin, tais como longo intervalo de confirmação
entre blocos e centralização da mineração em torno de poucos usuários.
Entretanto, ele apresenta um elevado nível de complexidade e isto poderá
trazer dificuldades à sua segurança e à sua ampla adoção. Percebe-se a
necessidade de alternativas que reúnam o enorme potencial de Ethereum com
a simplicidade da arquitetura do Bitcoin.
Foi criada em julho de 2015, tem como algoritmo de Hashing o Ethash e
de acordo com a Investopedia é muito mais rápido adquirir moedas de éter do
que bitcoin, pois seu Block Time é em torno de 15 segundos apenas e
atualmente há muito mais unidades de éter em circulação do que o bitcoin.
2.1.3 Tangle
18
2.2. Algotrading
Esse tipo de algoritmo vem chamando muito a atenção de especialistas
em mercado de ações pelo mundo todo. Sua velocidade surpreendentemente
elevada é o que determina a obtenção de lucro. Eles definem variáveis como
quantidade, preço e a hora ideal para se realizar cada transação, fragmentando
o tamanho das ações para dessa forma reduzir o impacto no mercado. Esses
processos ocorrem de forma automatizada, onde se é dispensada a atuação ou
análise do ser humano para o processo de deliberação (ALDRIDGE, 2010).
Para outros especialistas como, por exemplo, Hanson e Hendershott
(2011) há uma expressiva diminuição nos custos de transação devido a
realização do processo por parte do robô de forma extremamente rápida,
previamente programada e sua vida útil ser notavelmente superior ao do ser
humano. Essa característica não humanal, como enfatizada por Hanson em
seu texto, ainda contribui para a redução dos custos de capitais para as
empresas atuantes no mercado, resultando assim numa diminuição do impacto
de cada operação nos preços das ações comercializadas, devido à expressiva
divisão das transações em ordens de menor tamanho.
19
Os fundamentos do Value Investing segundo Benjamin Graham se
baseiam nos 10 fundamentos a seguir (Graham, Zweig, 2003):
Tamanho das empresas, que não podem ser muito pequenas. Tem que
ter algo em torno de $100 milhões em vendas por ano;
Posição financeira forte;
Bom histórico de dividendos, no mínimo 20 anos;
Nenhum prejuízo nos últimos 10 anos;
Pelo menos 10 anos de crescimentos constantes;
Relação preço da ação e ativos líquidos inferior a 1.5 vezes;
Preço da ação inferior a 15 vezes o lucro dos últimos 3 anos;
O produto do Preço/Lucro pelo Preço/Valor Patrimonial por ação deve
ser inferior a 22,5;
Lucro/preço parecido com certificados emitidos por bancos;
Diversificar o portfólio para não depender de apenas uma barganha.
Apesar de ter várias vantagens, o maior problema desse tipo de analise
é que o investidor perde varias oportunidades de se desfazer de uma ação a
um preço mais alto para depois a recomprar por um preço mais baixo. Agindo
assim, ele ganharia dessa forma algum lucro e manteria a mesma ação com
fundamentos em carteira (Gunther, 2004).
20
2.4.1 Indicadores Técnicos
21
média móvel exponencial atribui um peso que cresce exponencialmente do
preço mais antigo ao mais recente (MATSURA, 2007).
onde:
PN = Preço por período
N = Número de dias no período
onde:
h = Hoje
2
k=
N +1
22
Figura 3 - Tipos de médias móveis
23
trabalhar em cima dos cruzamentos das mesmas para identificar pontos de
entrada e saída do ativo. A figura 4 ilustra os cruzamentos de uma média curta
de 10 períodos com uma média longa de 50 períodos em intervalos de 30
minutos.
IFR=100− ( 1+100FR )
Médiadas variações dos fechamentos em ALTA
FR=
Média das variações dos fechamentos em BAIXA
24
Figura 5 - Sobrecompra e sobrevenda - RSI
3. TRABALHOS RELACIONADOS
25
dados históricos de 2003 a 2012 de duas ações. Os experimentos mostraram
que floresta aleatória foi superior e obteve 83,56% de precisão, já o modelo de
Bayes ingênuo foi o modelo com pior desempenho, 73,3% de precisão apenas.
Observaram que o desempenho de todos os modelos é aprimorado
significativamente quando são aprendidos por meio de dados determinísticos
de tendências.
26
advertência com fundos convencionais dos EUA , demonstrando que os robôs
provêem facilidade de acesso aos investidores e baixo custo.
27
S&P500, Dow Jones e Nasdaq de 2015 a 2020, demonstrando que a
abordagem proposta é adequada a mercados voláteis.
28
O uso de redes neurais artificiais combinado com algoritmos genéticos
no mercado de Forex foi apresentado em (Evans; Pappas; Xhafa, 2013). Os
pares GBP∖USD, EUR∖GBP e EUR∖USD, foram testados com uma precisão
de 72.5% e retorno anual de 23,3%.
4. SISTEMA
Após ter sido realizado todo o estudo das análises técnicas, dos
recursos tecnológicos e arquitetura do software começou a ser desenvolvida a
ferramenta propriamente dita. Poderemos ver com detalhes nos próximos itens
quais são as funcionalidades disponíveis e como é feita a instalação do
AlgoTradingPy, nome que foi dado a ferramenta.
29
Figura 6 - Visão Geral do Sistema Implementado
30
Figura 7 - Diagrama de Classes do Sistema
4.2 Instalação
31
4.3 Importação dos Dados
32
Figura 8 - Formulário AlgotradingPy no Jupyter Notebook
5. RESULTADOS
33
Ripple (XRP), Solana (SOL), Bitcoin Cash (BCH), Tron (TRX), Litecoin (LTC),
EOS (EOS), NEO (NEO), Monero (XMR).
Motivo da escolha das moedas:
Alta volatilidade: EOS (EOS), NEO (NEO), Solana (SOL) e Tron (TRX)
Média volatilidade: Bitcoin Cash (BCH), Ripple (XRP) e Litecoin(LTC)
Baixa volatilidade: Bitcoin (BTC), Etherium (ETH) e Monero (XMR)
34
3. MaxPrice_ema=9 – cruzamento do preço de fechamento do candle com
MAxMA_ema=13_sma=21 4,05 60 5 4 9
MAxMA_ema=8_sma=13 3,73 60 5 4 9
MAxPrice_ema=9 3 60 5 4 9
35
Figura 9 - Comportamento da estratégia de trade (CMM 13/21) no par
BTC/USD
36
Figura 11 - Comportamento da estratégia de trade (MME9) no par BTC/USD
37
todos os setups foi inferior a estratégia Buy and hold. O baixo retorno
provavelmente é decorrido da estratégia de utilizar stop gain curto (3%). Desta
forma, uma estratégia de stop gain móvel seria mais adequado a este par de
moedas. Uma vez que o aumento de preços do ETH foi alto (Figura 13), um
stop gain curto não conseguiu aproveitar toda a subida de preços.
MAxMA_ema=8_sma=13 11,41 70 10 9 19
MAxPrice_ema=9 6 63 8 7 15
RSI_Min=20.0_Max=80.0 7,302 80 4 4 8
38
Figura 14 - Comportamento da estratégia de trade (CMM 8/13) no par
ETH/USD
39
Figura 16 - Comportamento da estratégia de trade (RSI) no par ETH/USD
MAxPrice_ema=9 -3 50 12 11 23
40
Figura 17 - Comportamento da estratégia de trade (CMM 13/21) no par
SOL/USD
41
Figura 19 - Comportamento da estratégia de trade (MME9) no par SOL/USD
42
MAxPrice_ema=9. A alta volatilidade das moedas com menor capitalização de
mercado pode ser a razão das estratégias propostas atingirem melhores
resultados que a estratégia Buy and hold.
MAxPrice_ema=9 -8 57 13 13 26
43
Figura 22 - Comportamento da Estratégia de trade (CMM 8/13) no par
XRP/USD
44
Figura 24 - Comportamento da estratégia de trade (RSI) no par XRP/USD
MAxPrice_ema=9 0 56 9 8 17
45
Figura 25 - Comportamento da estratégia de trade (CMM 13/21) no par
LTC/USD
46
Figura 27 - Comportamento da estratégia de trade (MME9) no par LTC/USD
47
apenas dois trades no período e obteve uma taxa de acerto ou precisão de 0%.
Isso pode significar que os setups utilizados não estão adequados para
moedas com baixa volatilidade, como o Bitcoin Cash.
MAxPrice_ema=9 -11 44 9 8 17
48
Figura 30 - Comportamento da estratégia de trade (CMM 8/13) no par
BCH/USD
49
Figura 32 - Comportamento da estratégia de trade (RSI) no par BCH/USD
RSI_Min=20.0_Max=80.0 12,427 80 4 4 8
50
Figura 33 - Comportamento da estratégia de trade (CMM 13/21) no par
TRX/USD
51
Figura 35 - Comportamento da estratégia de trade (MME9) no par TRX/USD
52
and hold. O cenário baixista do EOS no período dificulta a obtenção de lucro
nos setups testados.
MAxMA_ema=13_sma=21 -6,48 50 8 7 15
53
Figura 38 - Comportamento da estratégia de trade (CMM 8/13) no par
EOS/USD
54
Figura 40 - Comportamento da estratégia de trade (RSI) no par EOS/USD
MAxMA_ema=13_sma=21 6,64 75 7 7 14
MAxMA_ema=8_sma=13 9,13 70 10 9 19
RSI_Min=20.0_Max=80.0 -5,57 50 3 3 6
55
Fonte: O autor (2022).
56
Figura 43 - Comportamento da estratégia de trade (MME9) no par NEO/USD
57
Mesmo em um cenário estável (o retorno da estratégia Buy and hold foi de -
0,26%) duas estratégias obtiveram resultado positivo no período testado.
58
Figura 46 - Comportamento da estratégia de trade (CMM 8/13) no par
XMR/USD
59
Figura 48 - Comportamento da estratégia de trade (RSI) no par XMR/USD
60
6. CONCLUSÃO E TRABALHOS FUTUROS
61
Referências
Graham, B., Zweig, J. The Intelligent Investor: A Book of Practical Counsel. Ed.
Harper Collins Trade Division, 2003.
Pinheiro, J. L.. Mercado de capitais (3a ed.). São Paulo: Atlas. 2005.
62
HENDERSHOTT, T; JONES, C.M.; MENKVELD, A.J. Does algorithmic trading
improve liquidity? The Journal of Finance, v.66, n. 1, p. 1-33. 2011.
http://dx.doi.org/10.1111/j.1540-6261.2010.01624.x. Acesso em: 02 out. 2019
Pratik Patil, Ching-Seh Mike Wu, Katerina Potika, Marjan Orang, "Stock Market
Prediction Using Ensemble of Graph Theory, Machine Learning and Deep
63
Learning Models", Proceedings of the 3rd International Conference on Software
Engineering and Information Management, pp.85, 2020.
Isaac Kofi Nti, Adebayo Felix Adekoya, Benjamin Asubam Weyori, "A
comprehensive evaluation of ensemble learning for stock-market prediction",
Journal of Big Data, vol.7, no.1, 2020.
Luke K. Rose, Automated Stock Market Trading Using Machine Learning, 2018
64
(https://www.sciencedirect.com/science/article/pii/S0895717713000290)
Kalariya, V.; Parmar, P.; Jay, P.; Tanwar, S.; Raboaca, M.S.; Alqahtani, F.;
Tolba, A.; Neagu, B.-C. Stochastic Neural Networks-Based Algorithmic Trading
for the Cryptocurrency Market. Mathematics 2022, 10, 1456.
https://doi.org/10.3390/math10091456
L. Zhang, T. Wu, S. Lahrichi, C. -G. Salas-Flores and J. Li, "A Data Science
Pipeline for Algorithmic Trading: A Comparative Study of Applications for
Finance and Cryptoeconomics," 2022 IEEE International Conference on
Blockchain (Blockchain), 2022, pp. 298-303, doi:
10.1109/Blockchain55522.2022.00048.
65
Ran Tao, Chi-Wei Su, Yidong Xiao, Ke Dai, Fahad Khalid, Robo advisors,
algorithmic trading and investment management: Wonders of fourth industrial
revolution in financial markets, Technological Forecasting and Social Change,
Volume 163, 2021, 120421, ISSN 0040-1625,
https://doi.org/10.1016/j.techfore.2020.120421.
(https://www.sciencedirect.com/science/article/pii/S0040162520312476)
Jean Pierre Jarrier Conti, Heitor Silverio Lopes , Algorithmic Trading Using
Genetic Algorithms in the Brazilian Stock Exchange, CBIC 2019.
Project Jupyter. Free software, open standards, and web services for interactive
66
APÊNDICE A – Código Fonte
• https://github.com/danieltell/algo-trading-py
• https://web.archive.org/web/20221222065402/https://github.com/
danieltell/algo-trading-py
67
APÊNDICE B – Artigo SBC
68
Utilização de Algotrading no Mercado de Criptomoedas
Daniel Antonio Tell
Departamento de Informática e Estatística – Universidade Federal de Santa Catarina
(UFSC)
Florianópolis – SC – Brasil
[email protected]
1. Introdução
A busca por investimentos com uma alta taxa de obtenção de ganhos financeiros é um
assunto que desperta o interesse de muitos indivíduos da sociedade. Onde aplicar,
quanto aplicar, a possível existência de riscos, o prazo ideal são dúvidas que cercam os
novos investidores. Investidores esses que agora estão voltando seus olhos para o
mercado de moedas digitais, ou também conhecidas por Criptomoedas, que surgiram
alguns anos atrás chamando pouca ou nenhuma atenção, mas hoje fazem parte de
tópicos de discussão em grande parte dos assuntos relacionados a investimentos e
finanças.
Entretanto, existem problemas acerca de informações mais detalhadas, como
análises técnicas ou gráficas, das flutuações de preços desses ativos no mercado que o
investidor deve se atentar neste tipo de mercado.
A utilização de robôs para atuarem no mercado de financeiro já ocorre há algum
tempo e com relativo sucesso, permitindo que um investidor com pouco conhecimento
consiga operar e ainda obter ganhos. Mas tem o problema econômico, pois esses robôs
são muito caros para o investidor de pequeno porte, isso faz com que esses softwares
sirvam apenas para grandes investidores ou corretoras. Será que é possível, claro que
com algumas adaptações, desenvolver uma ferramenta utilizando esse tipo de artifício
para que se possa obter resultados positivos de ganhos financeiros nos novos mercados
de criptomoedas?
2. Objetivos
O objetivo deste trabalho é desenvolver uma ferramenta que possa realizar análises
técnicas de moedas digitais além de ser capaz de realizar backtesting e simulação da
estratégia nos dados históricos, a fim obter um melhor resultado financeiro.
3. Fundamentação Teórica
As criptomoedas são moedas virtuais, conversíveis e descentralizadas, e que se
caracterizam, adicionalmente, por serem protegidas por criptografia. A criptografia
começou a ser utilizada para o uso na construção de moedas digitais no final dos anos
80, porém, as pioneiras não obtiveram sucesso pois eram centralizadas - normalmente
lastreados por uma moeda nacional ou um metal precioso, como o ouro - e, como
resultado, eram fáceis de ser atacadas tanto por governos como por hackers
(ANTONOPOULOS, 2014).
A primeira e mais importante dessas moedas é o Bitcoin, lançado, em 2009, por
um programador de nome (mais provavelmente um codinome) Satoshi Nakamoto, ou
grupo de programadores. Os Bitcoins podem ser comprados, vendidos ou trocados por
outras moedas em casas de cambio especializadas. De certo modo, o Bitcoin é o
dinheiro perfeito para a Internet, pois é rápido, seguro e sem fronteiras
(ANTONOPOULOS, 2014).
Existem também centenas de outras espécies de criptomoedas, que seguem
aproximadamente a mesma lógica, diferenciando-as apenas pelas tecnologias utilizadas,
e às quais se atribui, genericamente, o nome de altcoins. Como exemplos, entre outras, a
Ethereum, a XRP, o Bitcoin Cash, a Litecoin, a EOS, a TRON, a Monero, a IOTA, a
Dash, a NEO, a Zcash e Bitcoin Gold. A grande maioria das altcoins são derivadas do
código-fonte do Bitcoin, mais conhecidas como “forks” (em português, bifurcações),
baseando-se no modelo do Blockchain e, em alguns casos, implementadas do zero sem
utilizar nenhum código-fonte do Bitcoin.
3.1 Algotrading
Esse tipo de algoritmo vem chamando muito a atenção de especialistas em mercado de
ações pelo mundo todo. Sua velocidade surpreendentemente elevada é o que determina
a obtenção de lucro. Eles definem variáveis como quantidade, preço e a hora ideal para
se realizar cada transação, fragmentando o tamanho das ações para dessa forma reduzir
o impacto no mercado. Esses processos ocorrem de forma automatizada, onde se é
dispensada a atuação ou análise do ser humano para o processo de deliberação
(ALDRIDGE, 2010).
Para outros especialistas como, por exemplo, Hanson e Hendershott (2011) há
uma expressiva diminuição nos custos de transação devido a realização do processo por
parte do robô de forma extremamente rápida, previamente programada e sua vida útil
ser notavelmente superior ao do ser humano. Essa característica não humanal, como
enfatizada por Hanson em seu texto, ainda contribui para a redução dos custos de
capitais para as empresas atuantes no mercado, resultando assim numa diminuição do
impacto de cada operação nos preços das ações comercializadas, devido à expressiva
divisão das transações em ordens de menor tamanho.
A análise técnica de ações surgiu por volta do ano 1700, quando famílias japonesas
passaram a acompanhar a variação do preço do arroz, com o intuito de formular
tendências para tais oscilações. Esse método ficou conhecido como Candlesticks.
O comportamento da massa de investidores gera tendências consistentes; o
mercado não é aleatório e mostra situações de grande previsibilidade. O movimento dos
preços reflete a percepção positiva ou negativa dos investidores em relação ao mercado
(MATSURA, 2007).
Os tipos mais comuns de médias móveis são: Simples (ou também conhecida como
Aritmética), Exponencial, Ponderada, Dupla e Tripla Exponencial, entre outras. Iremos
focar apenas nas duas primeiras que são as que estão disponíveis na ferramenta. A
principal vantagem da média móvel é o alisamento dos ruídos do gráfico de preços,
facilitando assim a determinação da tendência.
A média móvel simples é uma média aritmética, ou seja, a soma dos preços é
dividida pela quantidade de preços. A média móvel ponderada dá maior peso aos preços
mais recentes e menores aos preços mais antigos. A média móvel exponencial atribui
um peso que cresce exponencialmente do preço mais antigo ao mais recente
(MATSURA, 2007).
A seguir podemos ver as fórmulas utilizadas para calculá-las e um gráfico
utilizando média aritmética e exponencial pode ser visto na figura 1 (Investopedia,
2019).
onde:
PN = Preço por período
N = Número de dias no período
onde:
h = Hoje
2
k=
N +1
Também é conhecido como IFR (Índice de Força Relativa) no Brasil. Foi desenvolvido
em 1978 por Welles Wilder. O que se mede é a força relativa dos compradores
(fechamentos em Alta) em relação aos vendedores (fechamento em Baixa). Podemos
ver a sua fórmula abaixo. FR é a razão entre a média dos dias que esteve em alta no
período e a média dos dias em baixa.
IFR=100− ( 1+100FR )
Médiadas variações dos fechamentos em ALTA
FR=
Média das variações dos fechamentos em BAIXA
4. Sistema
Após ter sido realizado todo o estudo das análises técnicas, dos recursos tecnológicos e
arquitetura do software começou a ser desenvolvida a ferramenta propriamente dita.
Poderemos ver com detalhes nos próximos itens quais são as funcionalidades
disponíveis e como é feita a instalação do AlgoTradingPy, nome que foi dado a
ferramenta.
4.2 Instalação
Para ser possível executar a ferramenta no computador, são necessários alguns
requisitos básicos instalados. Estes seriam ter pelo menos distribuição Linux Ubuntu e
derivados na versão 16.04 ou superior, Linguagem Python 3.6 ou superior e banco de
dados MySQL 5.7 ou superior. A escolha por utilizar essa linguagem e ferramentas, foi
devido a elas serem facilmente encontradas na internet, além de serem totalmente
gratuitas.
Alta volatilidade: EOS (EOS), NEO (NEO), Solana (SOL) e Tron (TRX)
Média volatilidade: Bitcoin Cash (BCH), Ripple (XRP) e Litecoin(LTC)
Baixa volatilidade: Bitcoin (BTC), Etherium (ETH) e Monero (XMR)
A simulação ou backtest foi realizada usando a técnica All In, onde a cada operação de
negociação utiliza todo o saldo disponível. Com relação à a indicadores utilizados,
foram escolhidos o indicador de médias móveis, utilizando a técnica de cruzamento de
médias como explicado na seção 3.4.2.
O outro indicador utilizado foi Índice de Força Relativa (RSI), onde cada trade
(compra/venda) é executado quando o valor do índice ultrapassa o limite superior
(sobrecomprado) ou inferior (sobrevendido) como explicado no na seção 3.4.3.
Os parâmetros foram escolhidos através de observações empíricas realizadas ao
longo dos testes. Para todas as quatro estratégias foram utilizados stop gain de 3% e
stop loss de -5%. A seguir a configuração de cada estratégia:
Nos resultados, para simplificação dos cálculos, não foi considerado uma eventual taxa
por trade executado. A cobrança de taxas por operação é bastante comum nas principais
corretoras.
Na tabela 1 nota-se que todos os setups de trade tiveram um retorno menor do
que a estratégia de Buy and hold. Este comportamento pode ser explicado por duas
razões: ou pela baixa volatilidade do BTC ou devido aos parâmetros utilizados no setup
de trade não serem adequados a esta moeda. Desta forma, seria necessário otimizar estes
parâmetros para verificar se estas estratégias de trade são adequadas para este par de
moedas.
Na Figura 7, 8, 9 e 10 é possível notar os pontos onde foram detectados os sinais
de trade. Apesar de atingir uma precisão média de 60%, não foi possível superar a
estratégia de Buy and hold. Logo, outras estratégias deveriam ter sido consideradas.
Nota-se que a estratégia de RSI, somente detectou 4 trades, não sendo adequada ao
comportamento do BTC. Os resultados evidenciam a necessidade de otimização dos
parâmetros do setup de trade.
MAxMA_ema=13_sma=21 4,05 60 5 4 9
MAxMA_ema=8_sma=13 3,73 60 5 4 9
MAxPrice_ema=9 3 60 5 4 9
Referências
Matsura, E.. Comprar ou vender? Como investir na bolsa utilizando análise gráfica (6a
ed.). São Paulo: Saraiva. 2007.
Graham, B., Zweig, J. The Intelligent Investor: A Book of Practical Counsel. Ed.
Harper Collins Trade Division, 2003.
Gunther, M.. Os Axiomas de Zurique. Ed. Record. 2004.
Noronha, M.. Análise técnica: teorias, ferramentas e estratégias. Rio de Janeiro: Editec.
1995.
Pinheiro, J. L.. Mercado de capitais (3a ed.). São Paulo: Atlas. 2005.
NAKAMOTO, Satoshi. Bitcoin: A peer-to-peer electronic cash system. 2008.
ANTONOPOULOS, Andreas M. Mastering Bitcoin: unlocking digital cryptocurrencies.
" O'Reilly Media, Inc.", 2014.
CHUEN, D. L. K.; GUO, L.; WANG, Y. Cryptocurrency: A new investment
opportunity? Singapore: University of Singapore, 2017. 54p.
COINMARKETCAP. TOP 100 CRYPTOCURRENCIES BY MARKET
Disponível em: <https://coinmarketcap.com/>. Acesso em: 15 set. 2019.
ALDRIDGE, I. High-frequency trading: a practial guide to algorithmic strategies and
trading systems. New Jersey: John Wiley and Sons, 2010.
HENDERSHOTT, T; RIORDAN, R. Algorithmic trading and information. Manuscript,
University of California, Berkeley. 2011.
HENDERSHOTT, T; JONES, C.M.; MENKVELD, A.J. Does algorithmic trading
improve liquidity? The Journal of Finance, v.66, n. 1, p. 1-33. 2011.
http://dx.doi.org/10.1111/j.1540-6261.2010.01624.x. Acesso em: 02 out. 2019
Atsalakis, G. S. , & Valavanis, K. P. (2009). Surveying stock market forecasting
techniques–Part II: Soft computing methods. Expert Systems with Applications, 36 (3),
5932–5941.
Hayes, A (2019, 21 de nov.). How Does Bitcoin Mining Work? Disponível em
https://www.investopedia.com/tech/how-does-bitcoin-mining-work/
Frankenfield, J (2019, 23 de set.). Ethereum. Disponível em
https://www.investopedia.com/terms/e/ethereum.asp. Acesso em: 20 nov. 2019.
S.Popov, “TheTangle,”Ago. 2017. Disponível em
https://www.docdroid.net/mWTNlgd/iota1-2.pdf. Acesso em: 15 out. 2019.
WOOD, Gavin, et al. Ethereum: A secure decentralised generalised transaction ledger.
Ethereum project yellow paper, 2014, 151.2014: 1-32.
Thalita Ramires da Silva, AVALIAÇÃO DE UM ALGOTRADING BASEADO EM
DEEP LEARNING PARA O MERCADO DE CAPITAIS UTILIZANDO
GERENCIAMENTO DE RISCO, 2021.
J. de Mello Assis, A. C. M. Pereira and R. C. e Silva, "Designing Financial Strategies
based on Artificial Neural Networks Ensembles for Stock Markets," 2018 International
Joint Conference on Neural Networks (IJCNN), 2018, pp. 1-8, doi:
10.1109/IJCNN.2018.8489688.
Pratik Patil, Ching-Seh Mike Wu, Katerina Potika, Marjan Orang, "Stock Market
Prediction Using Ensemble of Graph Theory, Machine Learning and Deep Learning
Models", Proceedings of the 3rd International Conference on Software Engineering and
Information Management, pp.85, 2020.
Isaac Kofi Nti, Adebayo Felix Adekoya, Benjamin Asubam Weyori, "A comprehensive
evaluation of ensemble learning for stock-market prediction", Journal of Big Data,
vol.7, no.1, 2020.
Luci, Filippo (A.A. 2021/2022) Algorithmic trading systems in blockchain era. Tesi di
Laurea in Blockchain and cryptocurrencies, Luiss Guido Carli, relatore Massimo
Bernaschi, pp. 26. [Bachelor's Degree Thesis]
Broderick Crawford, Ricardo Soto, Marco Alarcón San Martín, Hanns de la Fuente-
Mella, Carlos Castro, Fernando Paredes, "Automatic High-Frequency Trading: An
Application to Emerging Chilean Stock Market", Scientific Programming, vol. 2018,
Article ID 8721246, 12 pages, 2018. https://doi.org/10.1155/2018/8721246
James Cumming, An Investigation into the Use of Reinforcement Learning Techniques
within the Algorithmic Trading Domain, 2015
Luke K. Rose, Automated Stock Market Trading Using Machine Learning, 2018
Jung, D., Glaser, F., Köpplin, W. (2019). Robo-Advisory: Opportunities and Risks for
the Future of Financial Advisory. In: Nissen, V. (eds) Advances in Consulting
Research. Contributions to Management Science. Springer, Cham.
https://doi.org/10.1007/978-3-319-95999-3_20
Cain Evans, Konstantinos Pappas, Fatos Xhafa,Utilizing artificial neural networks and
genetic algorithms to build an algo-trading model for intra-day foreign exchange
speculation, Mathematical and Computer Modelling, Volume 58, Issues 5–6, 2013,
Pages 1249-1266, ISSN 0895-7177, https://doi.org/10.1016/j.mcm.2013.02.002.
(https://www.sciencedirect.com/science/article/pii/S0895717713000290)
M. E. Aloud and N. Alkhamees, "Intelligent Algorithmic Trading Strategy Using
Reinforcement Learning and Directional Change," in IEEE Access, vol. 9, pp. 114659-
114671, 2021, doi: 10.1109/ACCESS.2021.3105259.
Thibaut Théate, Damien Ernst, An application of deep reinforcement learning to
algorithmic trading, Expert Systems with Applications, Volume 173, 2021, 114632,
ISSN 0957-4174,
https://doi.org/10.1016/j.eswa.2021.114632.
(https://www.sciencedirect.com/science/article/pii/S0957417421000737)
C. Tudor and R. Sova, "Flexible Decision Support System for Algorithmic Trading:
Empirical Application on Crude Oil Markets," in IEEE Access, vol. 10, pp. 9628-9644,
2022, doi: 10.1109/ACCESS.2022.3143767.
T. Salkar, A. Shinde, N. Tamhankar and N. Bhagat, "Algorithmic Trading using
Technical Indicators," 2021 International Conference on Communication information
and Computing Technology (ICCICT), 2021, pp. 1-6, doi:
10.1109/ICCICT50803.2021.9510135.
Kalariya, V.; Parmar, P.; Jay, P.; Tanwar, S.; Raboaca, M.S.; Alqahtani, F.; Tolba, A.;
Neagu, B.-C. Stochastic Neural Networks-Based Algorithmic Trading for the
Cryptocurrency Market. Mathematics 2022, 10, 1456.
https://doi.org/10.3390/math10091456
L. Zhang, T. Wu, S. Lahrichi, C. -G. Salas-Flores and J. Li, "A Data Science Pipeline
for Algorithmic Trading: A Comparative Study of Applications for Finance and
Cryptoeconomics," 2022 IEEE International Conference on Blockchain (Blockchain),
2022, pp. 298-303, doi: 10.1109/Blockchain55522.2022.00048.
Ran Tao, Chi-Wei Su, Yidong Xiao, Ke Dai, Fahad Khalid, Robo advisors, algorithmic
trading and investment management: Wonders of fourth industrial revolution in
financial markets, Technological Forecasting and Social Change, Volume 163, 2021,
120421, ISSN 0040-1625,
https://doi.org/10.1016/j.techfore.2020.120421.
(https://www.sciencedirect.com/science/article/pii/S0040162520312476)
P. Mahajan, Y. Salian, V. Jadhav and S. Kulkarni, "A Multi-Strategic Approach to
Automated Trading," 2021 International Conference on Communication information
and Computing Technology (ICCICT), 2021, pp. 1-7, doi:
10.1109/ICCICT50803.2021.9510079.
E. O. Yıldırım, M. Uçar and A. M. Özbayoğlu, "Evolutionary Optimized Stock Support-
Resistance Line Detection for Algorithmic Trading Systems," 2019 1st International
Informatics and Software Engineering Conference (UBMYK), 2019, pp. 1-6, doi:
10.1109/UBMYK48245.2019.8965471
Jean Pierre Jarrier Conti, Heitor Silverio Lopes , Algorithmic Trading Using Genetic
Algorithms in the Brazilian Stock Exchange, CBIC 2019.
Project Jupyter. Free software, open standards, and web services for interactive
computing across all programming languages.
Disponível em: <https://jupyter.org/> Acesso em: 05 ago. 2022.