Algoritmos de Trading com Machine Learning

Nesse curso foram abordadas características das negociações de ativos buscando suporte em algoritmos de machine learning com python. Nesse repositório estão minhas anotações sobre as aulas e scripts desenvolvidos. Abaixo segue uma breve descrição dos módulos do curso.

Módulo 1 - Introdução a Aquisição de Dados, Retornos e Volatilidade

No módulo mais básico, o conteúdo exposto foi a aquisição de dados financeiros por meio do Yahooo Finance e, além disso, tópicos básicos como o cálculo de retorno e volatilidade foram trabalhados, assim como o índice Sharpe.

Módulo 2 - Análise Técnica

Breve introdução a análise técnica foi feita, abordando a interpretação e construção do gráfico de candlesticks por meio do python, padrões básicos de análise gráfica e indicadores técnicos. Ainda sobre os indicadores, os que receberam maior destaque foram:

• Médias móveis;
• Bandas de Bollinger;
• Níveis de suporte e resistência;
• RSI.

Além da parte teórica, nesse módulo também tive a oportunidade de criar o meu primeiro algoritmo de negociação que foi baseado nas médias móveis de 5 e 20 dias, com os algoritmos conhecidos como Golden/Death Cross.

Módulo 3 - Backtest, Avaliação de Algoritmos

Nesta seção a análise do algoritmo foi trabalhada.

Itens como a criação dos sinais de decisão (compra, venda ou espera) foram desenvolvidas, tal como a compreensão da importância e aplicação dos conceitos de take profit e stop loss.

Por ultimo, o módulo encerra com o desenvolvimento de um algoritmo para realizar o backtesting dos scripts de negociação baseando-se no investimento hipotético de um valor x, sujeito às condições de variação do preço com determinado take profit e stop loss. Para mais, a comparação entre o desempenho do algoritmo com diferentes ativos também foi realizada.

Módulo 4 - Trading com Algoritmos de Machine Learning

Em um primeiro momento, a definição de Machine Learning (ML) foi apresentada, no qual foi feita a distinção entre os aprendizados supervisionados e não supervisionados, sempre os relacionando com sua aplicação dentro do mundo de finanças e também sua aplicação:

• Supervisionado

  • Classificação: decisão sobre compra ou venda;
  • Regressão: previsão de preços;

• Não supervisionado

  • Clustering: análise de características de grupos e setores;
  • Redução: identificação das variáveis mais relevantes na avaliação de algum ativo.

Apesar dessa breve introdução, o módulo focou principalmente nos algoritmos de classificação e os principais testados foram:

• SVM - Support Vector Machine;
• Árvore de Decisão: Básica;
• Árvore de Decisão: Random Forest
• Redes Neurais: Modelo MLPC de 64 e 32 camadas.

Além disso, outros indicadores foram apresentados, como o ATR - Average True Range e Williams Range, assim como a "normalização" das médias móveis (processo necessário para tratar os dados antes de inputa-los em um algoritmo de ML.

Ainda sobre esse módulo, foram apresentadas e desenvolvidas métricas para a avaliação dos algoritmos de ML, como a medida de acurácia, matriz de confusão, curva ROC e AUC - Area Under Curve.

Por último, o backtest desenvolvido no módulo anterior foi utilizado para validar a eficácia os modelos de ML e próximos passos para continuar os estudos sobre a aplicação de ML no campo de finanças foram apresentados, como otimização dos parâmetros, alimentação dos dados por meio da avaliação conjunta de ativos.

Certificado: https://www.coursera.org/account/accomplishments/certificate/ETH7XYEXN2J5