Um modelo de formação de preços para um mercado artificial com redes neurais e regras fuzzy
-
Upload
wilson-freitas -
Category
Documents
-
view
119 -
download
2
Transcript of Um modelo de formação de preços para um mercado artificial com redes neurais e regras fuzzy
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
Um modelo de formacao de precos para ummercado artificial com redes neurais e regras fuzzy.
Wilson Freitas
Departamento de Engenharia Eletrica — PUC–Rio
15 de Dezembro de 2006
Wilson Freitas Modelo de formacao de precos
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
1 IntroducaoMotivacaoObjetivo
2 Modelagem da rede neuralAnalise dos dadosDefinicao da estrutura da rede neuralTratamento dos dados para a rede neuralImplementacao, treinamento e testeRede neural no mercado artificial
3 Modelagem dos conjuntos fuzzyAnalise dos dadosTratamento dos dados para a extracao de regras fuzzyDefinicao dos conjuntos fuzzyTreinamento e testeRegras fuzzy no mercado artificial
4 Conclusao
Wilson Freitas Modelo de formacao de precos
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
Motivacao
Microsimulacao
Mercados financeiros artificiais nos quais sao geradas series deprecos baseadas na simulacao:
do comportamento dos agentes;da microestrutura do mercado;do ambiente economico;
Sistemas muito complexos para serem tratados analiticamente;
E possıvel analisar o grau de influencia do comportamento dosagentes sobre as caracterısticas da serie temporal obtida;
Permite analisar a resposta do sistema a situacoes novas,prevendo a atuacao do mercado.
Wilson Freitas Modelo de formacao de precos
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
Motivacao
Regra de formacao de precos – Definicao conceitual
Em um mercado artificial e a regra utilizada para encontrar o preco noinstante t + 1.
Deve atender os seguintes requisitos:
Deve existir uma situacao em que o comportamento dos agentesencontra o equilıbrio;Presenca de propriedades de demanda e oferta: a demanda joga opreco para cima e a oferta o joga para baixo.
Em geral sao lineares com o excesso de demanda no mercado:
rt =pt+1 − pt
pt= ζ
�Dt −Ot
Vt
�
onde pt e o preco, Dt e Ot representam demanda e oferta, Vt e o volumenegociado e ζ e a liquidez do ativo e determina a escala de variacao naresposta dos precos em relacao ao excesso de demanda.
Sao formadas por propriedades intensivas do sistema;
Wilson Freitas Modelo de formacao de precos
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
Motivacao
Engenharia reversa no mercado
Utilizar uma serie real no mercado artificial ao inves do mecanismogerador de precos e obter experimentalmente o parametro ζ.
Wilson Freitas Modelo de formacao de precos
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
Motivacao
Engenharia reversa no mercado
O parametro ζ obtido nao reflete as caracterısticas da modelagemadotada. Devemos buscar abordagens mais radicais.
Wilson Freitas Modelo de formacao de precos
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
Objetivo
Objetivo
O mecanismo de formacao de preco e muito complexo paraser modelado com funcoes lineares.
Utilizar tecnicas de inteligencia computacional para aprendercomo o mercado se comporta dada uma serie de precos real ebaseado nesse conhecimento construir um mecanismo deformacao de precos.
Utilizar redes neurais para aprender a regra de formacao deprecos de acordo com os efeitos causados pelos precos reaisno mercado artificial.
Utilizar extracao de regras fuzzy para obter informacaodescritiva a respeito do funcionamento do mecanismo deformacao de precos e tambem poder simula-lo atraves dalogica fuzzy.
Wilson Freitas Modelo de formacao de precos
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
Modelagem com redes neurais
Wilson Freitas Modelo de formacao de precos
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
Analise dos dados
Variaveis de entrada
1 Excesso de demanda: Dt −Ot
2 Volume negociado: Vt
3 retorno logarıtmico em t: rt = log(
pt
pt−1
)Variaveis de saıda
1 retorno logarıtmico em t + 1: rt+1 = log(
pt+1
pt
)
Wilson Freitas Modelo de formacao de precos
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
Definicao da estrutura da rede neural
Modelagem da rede neural
Rede: Multilayer perceptron
Topologia: 3 entradas, 7 neuronios na camada escondida(metrica de Hecht–Nielsen), 1 saıda
Funcao de ativacao: tanh(neti)Aprendizado: Back propagation em batch com taxa de momento
α = 0.4
Wilson Freitas Modelo de formacao de precos
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
Tratamento dos dados para a rede neural
Tratamento dos dados
1 Todos os dados, as 3 series de entrada e a serie de saıda, foramnormalizados segundo a equacao:
Xi =xi − µ
σ
ficando com media nula e variancia unitaria, os dados estao em unidadesde desvio padrao.
2 Para cada serie foi determinado um limite superior para o desvio padraocom o objetivo de eliminar os outliers.
3 Todas as series foram divididas pelo seu limite superior e dessa forma,foram mapeadas no intervalo [−1, 1].
Essa normalizacao e ideal para a adaptacao da rede ao modelo, pois na medidaem que o mercado evolui, µ e σ convergem para seu valores populacionais. Osistema de inferencia fuzzy nao sofre do mesmo mau.
Viva o Teorema central do limite
Wilson Freitas Modelo de formacao de precos
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
Implementacao, treinamento e teste
Implementacao
Foi utilizada a biblioteca FANN (Fast Artificial Neural Network –http://fann.sf.net) para a adaptacao da rede neural ao modelo.
Treinamento
Quantidade de dados: 10000 (80% treinamento, 20% teste)
Erro desejado: 0.001
Numero maximo de epocas: 5000
Teste
MSE 0.0038
MAPE 1.0113
Wilson Freitas Modelo de formacao de precos
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
Rede neural no mercado artificial
56
58
60
62
64
66
68
70
72
74
0 500 1000 1500 2000
p(t)
t
WelSMWelSM NN
Wilson Freitas Modelo de formacao de precos
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
Rede neural no mercado artificial
1e−04
0.001
0.01
0.1
1
−5 −4 −3 −2 −1 0 1 2 3 4 5
Fre
quên
cia
σ
WelSM − Distribuição de retornos
WelSMGaussiana
GM
Wilson Freitas Modelo de formacao de precos
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
Modelagem com logica fuzzy
Wilson Freitas Modelo de formacao de precos
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
Analise dos dados
Variaveis de entrada (do antecedente)
1 Demanda: Dt
2 Oferta: Ot
3 Preco do ativo em t: pt
Variaveis de saıda (do consequente)
1 Preco do ativo t + 1: pt+1
Wilson Freitas Modelo de formacao de precos
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
Tratamento dos dados para a extracao de regras fuzzy
Tratamento dos dados
O sistema de inferencia fuzzy e mais permisivo que a rede neural quantoao valor de entrada das variaveis.
As variaveis devem apenas pertencer ao superte dos conjuntos fuzzy.
Neste problema nao e necessario mapear as variaveis de entrada em umintervalo finito.
Todos os dados, as 3 series de entrada e a serie de saıda, foramnormalizados segundo a equacao:
Xi =xi − µ
σ
ficando com media nula e variancia unitaria, os dados estao em unidadesde desvio padrao.
A normalizacao aqui e necessaria para generalizar as regras.
Essa normalizacao e ideal para a adaptacao da rede ao modelo, pois na medidaem que o mercado evolui, µ e σ convergem para seu valores populacionais.
Wilson Freitas Modelo de formacao de precos
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
Definicao dos conjuntos fuzzy
Definicao dos conjuntos fuzzy
Foi utilizado o software FuzzyRules na tarefa de extracao deregras dos dados experimentais.
Foram criados 7 conjuntos fuzzy para cada uma das variaveis.
Wilson Freitas Modelo de formacao de precos
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
Treinamento e teste
Treinamento
Quantidade de dados: 10000 (80% treinamento, 20% teste)
Numero de regras geradas: 64
Teste
Diferenca % media = 11.88
Wilson Freitas Modelo de formacao de precos
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
Regras fuzzy no mercado artificial
40
45
50
55
60
65
70
0 500 1000 1500 2000
p(t)
t
WelSMWelSM Fuzzy
Wilson Freitas Modelo de formacao de precos
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
Regras fuzzy no mercado artificial
1e−04
0.001
0.01
0.1
1
−5 −4 −3 −2 −1 0 1 2 3 4 5
Fre
quên
cia
σ
WelSM − Distribuição de retornos
WelSMGaussiana
GM
Wilson Freitas Modelo de formacao de precos
Introducao Modelagem da rede neural Modelagem dos conjuntos fuzzy Conclusao
Conclusao
As tecnicas de inteligencia computacional utilizaram diferentesabordagens e diferentes tipos de dados e ainda assimapresentaram resultados muito satisfatorios.
Ambas as tecnicas foram capazes de reproduzir o mecanismode formacao de precos fazendo com que os agentesinteragissem em um cenario mais realista, vide distribuicao deretornos.
As regras extraıdas pelo fuzzy rules ainda podem seranalisadas na tentativa de se obter informacao a respeito dadinamica do sistema.
Os sitemas devem ser treinados com outras series. Os agentespodem ser submetidos a diverentes mercados.
Wilson Freitas Modelo de formacao de precos