Inteligência computacional no mercado financeiro: uma revisão de técnicas para automação de operações
DOI:
https://doi.org/10.33448/rsd-v12i5.41793Palavras-chave:
Aprendizado de máquina; Redes neurais artificiais; Algoritmos genéticos; Lógica difusa.Resumo
O campo de aplicações financeiras tem se tornado cada vez mais complexo e desafiador, com comportamentos não lineares e incertos que mudam com o tempo. Diante disso, as técnicas de inteligência computacional, incluindo redes neurais, algoritmos genéticos e lógica difusa, têm ganhado destaque como soluções promissoras para a automatização de decisões no mercado financeiro. Este artigo tem como objetivo explorar os estudos recentes que abordam o uso dessas técnicas e discutir suas aplicações, vantagens e limitações. Trata-se de uma revisão de literatura narrativa, de caráter descritivo exploratório. A coleta de literatura foi realizada nas bases de dados Science Direct e Scopus, utilizando palavras-chave relacionadas ao tema. Conclui-se que as técnicas de inteligência computacional têm se mostrado capazes de resolver problemas altamente não lineares e variantes no tempo, tornando-se assim uma abordagem eficaz para automatizar operações no mercado financeiro.
Referências
Alardhi, S. M., Al-Jadir, T., Hasan, A. M., Jaber, A. A., & Al Saedi, L. M. (2023). Design of Artificial Neural Network for Prediction of Hydrogen Sulfide and Carbon Dioxide Concentrations in a Natural Gas Sweetening Plant. Ecol. Eng, 2, 55-66, 2023a. DOI: 10.12912/27197050/157092.
Alardhi, S. M., Fiyadh, S. S., Salman, A. D., & Adelikhah, M. (2023). Prediction of methyl orange dye (MO) adsorption using activated carbon with an artificial neural network optimization modeling. Heliyon, v.9(1): 1-15, 2023b. DOI: https://doi.org/10.1016/j.heliyon.2023.e12888.
Bahadur, N., Paffenroth, R., & Gajamannage, K. (2019, December). Dimenslon estlmatlon of equlty markets. In 2019 IEEE International Conference on Big Data (Big Data). pp. 5491-5498, 2019. DOI: 10.1109/BigData47090.2019.9006343.
Bumin, M., & Ozcalici, M. (2023). Predicting the direction of financial dollarization movement with genetic algorithm and machine learning algorithms: The case of Turkey. Expert Systems with Applications, 213, 119301. DOI: https://doi.org/10.1016/j.eswa.2022.119301.
Chen, S. & Zhou, C. (2021). "Stock Prediction Based on Genetic Algorithm Feature Selection and Long Short-Term Memory Neural Network," IEEE Access, vol. 9, pp. 9066-9072, 2021, DOI: 10.1109/ACCESS.2020.3047109.
Coêlho, M. V. F. (2019). O uso da inteligência artificial no meio jurídico. 2019. https://www.editorajc.com.br/o-uso-da-inteligencia-artificial-no-meio-juridico.
Dobay, A., Ford, J., Decker, S., Ampanozi, G., Franckenberg, S., Affolter, R., ... & Ebert, L. C. (2020). Potential use of deep learning techniques for postmortem imaging. Forensic Science, Medicine and Pathology, v. 16, 671-679. DOI: 10.1007/s12024-020-00307-3.
Dutta, A. K. (2018). A fuzzy based soft computing technique to predict the movement of the price of a stock. International Journal of Advanced Computer Science and Applications, 9(2). DOI: 10.14569/IJACSA.2018.090245.
Faridi, S., Madanchi Zaj, M., Daneshvar, A., Shahverdiani, S., & Rahnamay Roodposhti, F. (2023). Portfolio rebalancing based on a combined method of ensemble machine learning and genetic algorithm. Journal of Financial Reporting and Accounting, 21(1), 105-125, 2023. DOI 10.1108/JFRA-11-2021-0413.
Fernandes, R. V. C., Carvalho, A. G. P. (2018). Tecnologia jurídica & direito digital: II Congresso Internacional de Direito, Governo e Tecnologia – 2018. Belo Horizonte: Fórum, 2018. 488p. ISBN 978-85- 450-0584-1. http://adpadvogados.com.br/en/wp-content/uploads/2019/11/Revista_Congresso.pdf.
Fiyadha, S. S., Alardhi, S. M., Al Omar, M., Aljumaily, M. M., Al Saadic, M. A., Fayaedd, S. S., ... & El-Shafie, A. (2023). A comprehensive review on modelling the adsorption process for heavy metal removal from water using artificial neural network technique. Heliyon., v.9(4): 1-11, 2023. DOI: https://doi.org/10.1016/j.heliyon.2023.e15455.
Fleck, L., Tavares, M. H. F., Eyng, E., Helmann, A. C., Andrade, M. A. M. (2016). Redes neurais artificiais: princípios básicos. Revista Eletrônica Científica Inovação e Tecnologia, v. 1, n. 13, p. 47-57, 2016. DOI: 10.3895/recit.v7i15.4330.
Gajamannage, K., Jayathilake, D. I., Park, Y., & Bollt, E. M. (2023). Recurrent neural networks for dynamical systems: Applications to ordinary differential equations, collective motion, and hydrological modeling. Chaos: An Interdisciplinary Journal of Nonlinear Science, 33(1), 013109, 2023a. DOI: https://doi.org/10.1063/5.0088748.
Gajamannage, K., Park, Y., & Jayathilake, D. I. (2023). Real-time forecasting of time series in financial markets using sequentially trained dual-LSTMs. Expert Systems with Applications, 223, 119879, 2023b. DOI: https://doi.org/10.1016/j.eswa.2023.119879.
Gerhardt, T. E., Silveira, D. T. (2009). Métodos de Pesquisa. Plageder: UFRGS; 2009;1–31. https://lume.ufrgs.br/handle/10183/52806.
Gujral, H., Kushwaha, A. K., Khurana, S. (2020). Utilização de ferramentas de séries temporais em ciências da vida e neurociência. Neurosci Insights, v. 15, 1-15, 2020. DOI: 10.1177/2633105520963045.
Gupta, S., Modgil, S., Choi, T. M., Kumar, A., & Antony, J. (2023). Influences of artificial intelligence and blockchain technology on financial resilience of supply chains. International Journal of Production Economics, 261, 108868. DOI: https://doi.org/10.1016/j.ijpe.2023.108868.
Hemmat, M., Toghraie, D., Amoozad, F. (2023). Prediction of viscosity of MWCNT-Al2O3 (20:80)/ SAE40 nano-lubricant using multi-layer artificial neural network (MLP-ANN) modeling. Engineering Applications of Artificial Intelligence., v. 121: 1-12, 2023. DOI: https://doi.org/10.1016/j.engappai.2023.105948.
Kamara, A. F., Chen, E., & Pan, Z. (2022). An ensemble of a boosted hybrid of deep learning models and technical analysis for forecasting stock prices. Information Sciences, 594, 1-19. DOI: https://doi.org/10.1016/j.ins.2022.02.015.
Kofi, N. I., Adekoya, A. F., & Weyori, B. A. (2020). A systematic review of fundamental and technical analysis of stock market predictions. The Artificial Intelligence Review, 53(4), 3007-3057. DOI:10.1007/s10462-019-09754-z.
Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J. (2017). Building machines that learn and think like people. Behavioral and brain sciences, 40: 1-72, 2017. DOI: https://doi.org/10.1017/S0140525X16001837.
Latha, C. M., Bhuvaneswari, S., Soujanya, K. L. S. (2022). "Stock Price Prediction using HFTSF Algorithm," 2022 Sixth International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (I-SMAC), Dharan, Nepal, 2022, pp. 1053-1059, doi: 10.1109/I-SMAC55078.2022.9987378.
Liu, S., & Xiao, C. (2021). Application and Comparative Study of Optimization Algorithms in Financial Investment Portfolio Problems. Mobile Information Systems, 2021, 1-10. DOI: https://doi.org/10.1155/2021/3462715.
Ma, Y., & Principe, J. (2018). "Comparison of Static Neural Network with External Memory and RNNs for Deterministic Context Free Language Learning," 2018 International Joint Conference on Neural Networks (IJCNN), Rio de Janeiro, Brazil, 2018, pp. 1-7, DOI: 10.1109/IJCNN.2018.8489240.
Martins, T. M., & Neves, R. F. (2020). Applying genetic algorithms with speciation for optimization of grid template pattern detection in financial markets. Expert Systems with Applications, 147, 113191. DOI: https://doi.org/10.1016/j.eswa.2020.113191.
Meymand, A. M., Sulisz, W. (2023). Application of nested artificial neural network for the prediction of significant wave height. Renewable Energy., 209: 157-168, 2023. DOI: https://doi.org/10.1016/j.renene.2023.03.118.
Mirjalili, S. (2019). Genetic algorithm. Evolutionary Algorithms and Neural Networks: Theory and Applications, 43-55. DOI: 10.1007/978-3-319-93025-1_4.
Mondragon, A. E. C., Mastrocinque, E., Tsai, J. F., & Hogg, P. J. (2019). An AHP and fuzzy AHP multifactor decision making approach for technology and supplier selection in the high-functionality textile industry. IEEE Transactions on Engineering Management, 68(4), 1112-1125, 2021. DOI: 10.1109/TEM.2019.2923286.
Nabipour, M., Nayyeri, P., Jabani, H., Shahab, S., & Mosavi, A. (2020). Predicting stock market trends using machine learning and deep learning algorithms via continuous and binary data; a comparative analysis. IEEE Access, v.8, 150199-150212, 2020. DOI: 10.1109/ACCESS.2020.3015966.
Naranjo, R., & Santos, M. (2019). A fuzzy decision system for money investment in stock markets based on fuzzy candlesticks pattern recognition. Expert Systems with Applications, 133, 34-48. DOI: https://doi.org/10.1016/j.eswa.2019.05.012.
Olatunji, K. O., Ahmed, N.A., Madyira, D.M., Adebayo, A.O., Ogunkunle, O., Adeleke, O. (2022). Performance evaluation of ANFIS and RSM modeling in predicting biogas and methane yields from Arachis hypogea shells pretreated with size reduction Renew. Energy, 189 (2022), pp. 288-303. DOI: DOI: 10.1016/j.renene.2022.02.088.
Pereira, A. S., Shitsuka D. M., Parreira, F. J., Shitsuka, R. (2018). Metodologia
da pesquisa científica [recurso eletrônico]. – 1. ed. – Santa Maria, RS: UFSM, NTE, 2018. 1 e-book. https://www.ufsm.br/app/uploads/sites/358/2019/02/Metodologia-da-Pesquisa-Cientifica_final.pdf.
Qiu, J., Wang, B., & Zhou, C. (2020). Forecasting stock prices with long-short term memory neural network based on attention mechanism. PloS one, 15(1), e0227222. DOI: https://doi.org/10.1371/journal.pone.0227222.
Ribeiro, V.S. (2022). Method for the estimation of institutional quality indexes using fuzzy logic. MethodsX. 2022 Mar 25;9:101676. DOI: 10.1016/j.mex.2022.101676. PMID: 35402169; PMCID: PMC8983336.
Sezer, O. B., Gudelek, M. U., & Ozbayoglu, A. M. (2020). Financial time series forecasting with deep learning: A systematic literature review: 2005–2019. Applied soft computing, 90, 106181. DOI: https://doi.org/10.1016/j.asoc.2020.106181.
Silva, J. A. S., Mairink, C. H. P. (2019). Inteligência artificial: aliada ou inimiga.LIBERTAS: Rev. Ciênci. Soc. Apl., Belo Horizonte, v. 9, n. 2, p. 64-85, 2019. http://famigvirtual.com.br/famig-libertas/index.php/libertas/article/view/247/230.
Silver, M., Svoray, T., Karnieli, A., Fredjc, E. (2020). Improving weather radar precipitation maps: a fuzzy logic approach. Atmos. Res. 2020;234 doi: 10.1016/j.atmosres.2019.104710.
Tealab, A., Hefny, H., & Badr, A. (2018). Short-term stock market fuzzy trading system with fuzzy capital management. International Journal of Intelligent Engineering and Systems, 11(3). DOI: 10.22266/ijies2018.0630.06.
Thakkar, A., & Chaudhari, K. (2022). Information fusion-based genetic algorithm with long short-term memory for stock price and trend prediction. Applied Soft Computing, 128, 109428. DOI: https://doi.org/10.1016/j.asoc.2022.109428.
Vogl, M., Rötzel, P. G., & Homes, S. (2022). Forecasting performance of wavelet neural networks and other neural network topologies: A comparative study based on financial market data sets. Machine Learning with Applications, 8, 100302, 2022. DOI: https://doi.org/10.1016/j.mlwa.2022.100302.
Zhang, C., Zhang, F., Chen, N. et al. (2022). Application of artificial intelligence technology in financial data inspection and manufacturing bond default prediction in small and medium-sized enterprises (SMEs). Oper Manag Res, v. 15, 941–952 (2022). DOI: https://doi.org/10.1007/s12063-022-00314-3.
Zhang, Y., Chu, G., & Shen, D. (2021). The role of investor attention in predicting stock prices: The long short-term memory networks perspective. Finance Research Letters, v. 38:1-12, 2021. DOI: https://doi.org/10.1016/j.frl.2020.101484.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Guilherme Francisco Lima Sobrinho; Rodolfo Carneiro Cavalcante
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
