Comportamento de agentes financeiros em um mercado artificial desenvolvido com o algoritmo Particle Swarm Optimization

Autores

DOI:

https://doi.org/10.33448/rsd-v9i7.4216

Palavras-chave:

Mercados Financeiros; Simulação Computacional; Otimização; PSO

Resumo

Os mercados financeiros são sistemas complexos em que os negociadores interagem usando as mais variadas estratégias. Técnicas computacionais que usam agentes inteligentes podem auxiliar na tomada de decisão com o objetivo de maximizar os ganhos. Neste sentido, o objetivo deste artigo é observar o comportamento dos agentes financeiros participantes de mercados simulados e inferir sobre os ganhos destes agentes. Por meio do algoritmo Particle Swarm Optimization, utilizamos dois grupos distintos de agente inteligentes: um grupo utiliza um grau de crença na previsão dos ativos para o dia seguinte e o outro grupo não utiliza, em que ambos interagem entre si buscando maximizar seus ganhos. Foi realizada uma pesquisa exploratória, com análise de natureza quantitativa sobre os dados. Os resultados mostraram que o grupo que usa a previsão é mais homogêneo, apresentando maiores ganhos de riqueza média, com concentrações de capital e de ações adquiridos variando de acordo com a série histórica de preços utilizada (Bitcoin, Ethereum, Litcoin ou Ripple). Diante disso, o procedimento implementado pode ser aperfeiçoado e utilizado para o desenvolvimento de ambientes que visem a melhor compreensão dos mercados financeiros e auxiliem os agentes participantes dos mercados na definição de estratégias de negociação que possibilitem a minimização de perdas financeiras.

Referências

Ahmed, M. K., Wajiga, G. M., Blamah, N. V., & Modi, B. (2019). Stock Market Forecasting Using ant Colony Optimization Based Algorithm. American Journal of Mathematical and Computer Modelling, 4(3), 52-57. https://doi.org/10.11648/j.ajmcm.20190403.11.

Hitam, N. A., Ismail, A. R., & Saeed, F. (2019). An Optimized Support Vector Machine (SVM) based on Particle Swarm Optimization (PSO) for Cryptocurrency Forecasting. Procedia Computer Science, 163, 427-433. https://doi.org/10.1016/j.procs.2019.12.125.

Kennedy, J., & Eberhart, R. (1995). Particle swarm optimization. In Proceedings of ICNN'95-International Conference on Neural Networks (Vol. 4, pp. 1942-1948). IEEE. http://doi.org/10.1109/ICNN.1995.488968.

Lajevardy, P., Parand, F. A., Rashidi, H., & Rahimi, H. (2017). A hybrid method for load forecasting in smart grid based on neural networks and cuckoo search optimization approach. International Journal of Renewable Energy Resources, 5(1), 13-20.

Mandes, A., & Winker, P. (2017). Complexity and model comparison in agent based modeling of financial markets. Journal of Economic Interaction and Coordination, 12(3), 469-506.

https://doi.org/10.1007/s11403-016-0173-0.

Pessin, G., & Osório, F. (2009). Otimização por Enxame de Partículas aplicado à formação e atuação de grupos robóticos. Scientia, 20(2), 94-106. http://doi.org/10.4013/sct.2009.20.2.03.

Pereira, A.S. et al. (2018). Metodologia da pesquisa científica. [e-book]. Santa Maria. Ed. UAB/NTE/UFSM. Acesso em: 5 maio 2020. Disponível em: https://repositorio.ufsm.br/bitstream/handle/1/15824/Lic_Computacao_Metodologia-Pesquisa-Cientifica.pdf?sequence=1.

Ramos, W. V., & Neto, C. R. (2015). A Utilização da Modelagem de Sistemas Complexos na Construção de um Mercado de Ações Artificial. Revista Eletrônica do Departamento de Ciências Contábeis & Departamento de Atuária e Métodos Quantitativos (REDECA), 2(1), 101-115.

Serapião, A. B. D. S. (2009). Fundamentos de otimização por inteligência de enxames: uma visão geral. Sba: Controle & Automação Sociedade Brasileira de Automatica, 20(3), 271-304.

https://doi.org/10.1590/S0103-17592009000300002.

Tang, L., Wang, A., Xu, Z., & Li, J. (2017). Online-purchasing behavior forecasting with a firefly algorithm-based SVM model considering shopping cart use. Eurasia Journal of Mathematics, Science and Technology Education, 13(12), 7967-7983.

Downloads

Publicado

12/05/2020

Como Citar

NASCIMENTO, K. K. F. do; SANTOS, F. S. dos; JALE, J. da S.; FERREIRA, T. A. E. Comportamento de agentes financeiros em um mercado artificial desenvolvido com o algoritmo Particle Swarm Optimization. Research, Society and Development, [S. l.], v. 9, n. 7, p. e285974216, 2020. DOI: 10.33448/rsd-v9i7.4216. Disponível em: https://rsdjournal.org/index.php/rsd/article/view/4216. Acesso em: 23 dez. 2024.

Edição

v. 9 n. 7

Seção

Ciências Exatas e da Terra

Licença

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.