SGF: Stop and Go Fibo – Estratégia Automatizada de Negociação no Mercado Financeiro Baseada nas Regressões de Fibonacci / SGF: Stop and Go Fibo - Automated Financial Market Trading Strategy Based on Fibonacci Regressions

Authors

  • Augusto Lima dos Santos Brazilian Journals Publicações de Periódicos, São José dos Pinhais, Paraná
  • Leandro Coelho de Souza
  • Diego Frias Suarez

DOI:

https://doi.org/10.34117/bjdv.v7i5.30451

Keywords:

Forex, Regressões de Fibonacci, Séries Temporais, Estratégia de Negociação.

Abstract

Este artigo descreve uma estratégia de negociação automatizada para mercados financeiros voláteis chamada Stop and Go Fibo (SGF). A estratégia proposta usa a técnica de regressão de Fibonacci combinada com um método de monitoramento das tendências de alta e baixa nos preços dos ativos para realizar transações de compra(venda) e reven da(recompra) toda vez que ocorre uma flutuação significativa no ativo negociado. A base da estratégia SGF consiste em definir os preços de uma sequência hierárquica de linhas de suporte e resistência controladas pelos níveis de retração da sequência das razões de Fibonacci. Esses níveis são utilizados como preços de entrada e saída de negociações em função do cumprimento de um conjunto de regras quantitativas parametrizadas. Para avaliar o desempenho do robô que automatiza o método desenvolvido, introduzimos um conjunto de métricas altamente relevantes no contexto da aplicação, e não as teóricas usadas com frequência. O estudo foi realizado com séries diárias do preço de fechamento ajustado de ações muito voláteis (ASRT, IHT, SCX, CMT, MGI, CPS, DKS, ARKR e CPSS) de janeiro de 2011 a abril de 2021, baixadas do repositório de finanças do Yahoo. Sessenta por cento da série foi usada para treinar o método e 40% para testar. O método foi treinado, calculando o valor otimizado de seus 5 parâmetros, usando duas métricas de desempenho: o lucro bruto (diferença entre o ganho bruto e a perda bruta) e o fator de lucro (relação entre o ganho bruto e a perda bruta). O alto desempenho operacional observado em ações voláteis sugere que a estratégia pode ser implementada para negociação automatizada no mercado financeiro.

 

References

Alon, I.; Qi, M.; Sadowski, R. J. “Forecasting aggregate retail sales: a comparison of artificial neural networks and traditional methods.” Journal of Retailing and Consumer Services, Elsevier, v. 8, n. 3, p. 147–156, 2001.

Alrefaie, M.T., Hamouda, A.-A. and Ramadan, R. “A smart agent to trade and predict foreign exchange market.” IEEE Symposium on Computational Intelligence for Engineering Solutions (CIES), page(s): 141 – 148. 2013.

Bahrammirzaee, A. “A comparative survey of artificial intelligence applications in finance: artificial neural networks, expert system and hybrid intelligent systems”. Neural Computing and Applications, Springer, v. 19, n. 8, p. 1165–1195, 2010.

Boratto, Rodrigo Picinin and Mendes, Luis Augusto Mattos. “Implementando Redes Neurais para Classificação de Tendências do Mercado de Troca de Divisas”. Universidade Presidente Antônio Carlos (UNIPAC). Barbacena 2009.

Bortoli, Mário. “Indicadores Baseados em Diferenças de Primeira Ordem para Orientar Robôs no Mercado Forex”. Trabalho de Conclusão de Curso. Programa de Graduação em Sistemas de Informação. Departamento de Ciências Exatas e da Terra I. Universidade do Estado da Bahia. 2015.

Box, G. E.; Jenkins, G. M.; Reinsel, G. C. “Time series analysis: forecasting and control”. [S.l.]: John Wiley & Sons, 2013.

Brooks, Chris. “Introductory Econometrics for Finance”. Cambridge University Press. p. 8. ISBN 978-0-521-87306-2. 2008.

Carney Scott. “Harmonic Trading: Volume One Profiting From The Natural Order Of The Financial Markets”. New Jersey: Pearson Education. 2010.

Coelho, L. dos S.; Santos, A. A. P.; Jr, N. C. A. da C. “Podemos prever a taxa de cambio brasileira? Evidência empírica utilizando inteligência computacional e modelos econométricos”. Gestão & Produção, SciELO Brasil, v. 15, p. 635–647, 2008.

Gameiro, Marcelo Gonçalvez. “Análise de Fibonacci – Exemplos do Mercado Forex”. 2011.

Gartley Harold. “Profits in the stock market”. Pomeroy, washington: lambert-gann publishing. 1935.

Hudson, Robert; Gregoriou, Andros . "Calculating and Comparing Security Returns is Harder than you Think: A Comparison between Logarithmic and Simple Returns". SSRN. SSRN 1549328. 2010.

J. Lee, R. Kim, Y. Koh and J. Kang, "Global Stock Market Prediction Based on Stock Chart Images Using Deep Q-Network," in IEEE Access, vol. 7, pp. 167260-167277, 2019, doi: 10.1109/ACCESS.2019.2953542. 2019.

Maliheh Rezaei Adariani. “Evaluation of the Profitability of Technical Analysis for Asian Currencies in the Forex Spot Market for Short-Term Trading”. AU-GSB e-JOURNAL. Vol. 5 No. 2. 2012.

Munkhdalai, L., Munkhdalai, T., et. al., ‘‘Mixture of activation functions with extended minmax normalization for forex market prediction,’’ IEEE Access, vol. 7, pp. 183680–183691, 2019.

Nelson, M.; Hill, T.; Remus, W.; O’connor, M. “Time series forecasting using neural networks: Should the data be deseasonalized first?”. Journal of forecasting, Wiley Online Library, v. 18, n. 5, p. 359–367, 1999.

Patil V., Somani N., Tadvi A. and Attar V., "Algorithmic Forex Trading using Combination of Numeric Time Series and News Analysis," 2018 4th International Conference for Convergence in Technology (I2CT), 2018, pp. 1-5, doi: 10.1109/I2CT42659.2018.9058285. 2018.

Qiu, T. Y. F. Yuan, A. Y. C., Chen P. Z., and Lee, R. S. T. "Hybrid Chaotic Radial Basis Function Neural Oscillatory Network (HCRBFNON) for Financial Forecast and Trading System," 2019 IEEE Symposium Series on Computational Intelligence (SSCI), 2019, pp. 2799-2806, doi: 10.1109/SSCI44817.2019.9002781. 2019.

Seyed Hadi Mir Yazdi and Ziba Habibi Lashkari. “Technical analysis of Forex by MACD Indicator”. International Journal of Humanities and Management Sciences (IJHMS) Volume 1, Issue 2.2013.

Strong, Robert. “Portfolio construction, management, and protection”. Mason, Ohio: South-Western Cengage Learning. p. 527. ISBN 0-324-66510-5. 2009.

Taylor, Vinícius Schardong. “A relevância da análise técnica para selecionar ações". Universidade Federal do Rio Grande do Sul (UFRS). Porto Alegre 2010.

Wang Z., Che W., Xiao Y. and Yang C. "Research of the Elliott Wave Theory Applications Based on CBR," 2013 Third International Conference on Intelligent System Design and Engineering Applications, 2013, pp. 1137-1140, doi: 10.1109/ISDEA.2012.268. 2013.

Wood, D.; Dasgupta, B. “Classifying trend movements in the msci usa capital market index—a comparison of regression, arima and neural network methods”. Computers & Operations Research, Elsevier, v. 23, n. 6, p. 611–622, 1996.

Yong Y. L., Lee Y. and Ngo D., "An investigation into the recurring patterns of forex time series data," 2015 IEEE International Symposium on Robotics and Intelligent Sensors (IRIS), 2015, pp. 313-317, doi: 10.1109/IRIS.2015.7451631. 2015.

Zhao J. and Sun, S. "High-Order Gaussian Process Dynamical Models for Traffic Flow Prediction," in IEEE Transactions on Intelligent Transportation Systems, vol. 17, no. 7, pp. 2014-2019, July 2016, doi: 10.1109/TITS.2016.2515105. 2016.

Published

2021-06-07

How to Cite

dos Santos, A. L., de Souza, L. C., & Suarez, D. F. (2021). SGF: Stop and Go Fibo – Estratégia Automatizada de Negociação no Mercado Financeiro Baseada nas Regressões de Fibonacci / SGF: Stop and Go Fibo - Automated Financial Market Trading Strategy Based on Fibonacci Regressions. Brazilian Journal of Development, 7(5), 52993–53016. https://doi.org/10.34117/bjdv.v7i5.30451

Issue

Section

Original Papers