Analisando Previsões de Preço de Ações com Deep Learning
Estudo revela insights sobre previsões de preços de ações usando técnicas de deep learning.
― 6 min ler
Índice
Prever preços de ações é uma tarefa complicada, especialmente no trading de alta frequência, onde os preços mudam rapidamente. Os pesquisadores estão usando técnicas avançadas de computador, chamadas de deep learning, para analisar os movimentos de preços com base em Dados do livro de ordens (LOB). Esses dados mostram o estado atual das ordens de compra e venda no mercado. Muitos métodos existentes conseguem prever preços bem, mas sua complexidade dificulta entender por que funcionam. Este artigo vai discutir como podemos entender melhor essas previsões e os fatores-chave que levam a bons resultados.
A Importância da Previsão de Preços
Quando tentamos prever preços de ações, é comum olhar para três cenários: preços subindo, descendo ou ficando estáveis. No entanto, se focarmos apenas nos movimentos de preço sem considerar outros fatores, nossas previsões podem não ser muito precisas. Descobrimos que observar o equilíbrio entre volumes de compra e venda pode realmente melhorar nossa capacidade de prever a Direção das mudanças de preço. Assim, ter uma visão equilibrada dos dados de preço e volume é fundamental.
Fontes de Dados
Para o nosso estudo, usamos dados de uma ação específica, a Apple Inc., durante 2022. Esses dados fornecem atualizações em tempo real sobre ordens de compra e venda, incluindo preços e volumes. Analisando essas informações durante o horário normal de negociação, coletamos cerca de três milhões de observações. Este conjunto de dados nos permite explorar padrões nas mudanças de preços das ações de forma mais eficaz do que conjuntos de dados mais antigos.
O Modelo de Rede Neural
Para analisar os dados, usamos um modelo de deep learning chamado DeepLOB. Esse modelo recebe dados do livro de ordens, incluindo vários níveis de ordens de compra e venda. O objetivo é prever mudanças de preço com base nos últimos 100 pontos de dados. Padronizamos os dados para melhorar nossa análise, garantindo que seja mais fácil trabalhar com isso.
Resultados da Previsão
Depois de treinar o modelo, avaliamos suas previsões ao longo de 2022. O modelo alcançou uma precisão de cerca de 65,9%. No entanto, isso levantou algumas questões sobre se essas previsões eram realmente melhores do que abordagens mais simples. Comparamos as previsões do modelo com um método ingênuo que simplesmente usava o último preço conhecido para prever o próximo movimento. Surpreendentemente, esse método ingênuo teve uma precisão de 64,8%, que é bem próxima do método de deep learning. Isso sugere que, às vezes, métodos mais simples podem funcionar tão bem quanto modelos sofisticados.
Volatilidade e Direção
AnalisandoNós também analisamos como podemos dividir o processo de previsão em duas partes principais: volatilidade e direção. A previsão de volatilidade foca em saber se os preços vão ficar estáveis ou mudar significativamente. Em contraste, a previsão direcional determina se os preços vão aumentar ou diminuir.
Usando nosso modelo, conseguimos uma precisão de cerca de 69,4% para prever volatilidade. Isso mostra que conseguimos diferenciar entre condições de preço estáveis e fluctuantes de forma eficaz. Para previsões direcionais, alcançamos uma precisão de aproximadamente 71,1%. Ambos os resultados são significativamente melhores do que um palpite aleatório, que teria apenas 50% de precisão.
O Papel do Preço e Volume
Para explorar isso ainda mais, examinamos casos em que confiamos apenas nos dados de Nível 1, que incluem apenas os melhores preços e volumes disponíveis. Curiosamente, quando usamos esse conjunto de dados simplificado, nossa precisão caiu para 53,6%. Isso indica que ter acesso a dados mais abrangentes do livro de ordens pode melhorar nossas previsões.
Descobrimos que focar apenas em dados de preço pode levar a uma precisão de 50% nas previsões direcionais, o que está alinhado com a hipótese do mercado eficiente-sugerindo que é difícil prever movimentos de preço com base apenas em preços históricos.
O Impacto do Desequilíbrio de Volume
Um dos fatores significativos que melhorou nossas previsões direcionais foi o desequilíbrio de volume. Isso se refere à diferença entre os volumes de compra e venda. Estudos anteriores mostram que esse desequilíbrio pode indicar movimentos futuros de preço, já que os preços tendem a se mover em direção ao lado com menos volume. Quando adicionamos o desequilíbrio de volume nas previsões, nossos resultados foram quase tão bons quanto usar o conjunto de dados completo.
Essa descoberta enfatiza a importância de incorporar várias facetas de dados, como informações de volume, para alcançar previsões melhores. Confiar apenas em dados de preço pode deixar lacunas em nossas previsões.
Desafios e Limitações
Embora haja oportunidades de lucrar prevendo direções de preço com base no desequilíbrio de volume, também existem desafios. Nos mercados reais, obter as ordens desejadas do lado mais forte pode ser difícil devido à intensa competição. Portanto, buscar lucros de baixo risco por meio de previsões direcionais pode nem sempre ser viável.
Além disso, nossa pesquisa também confirmou que usar dados do LOB, especialmente do Nível 1, resultou em resultados quase iguais aos que usam conjuntos de dados completos. Isso levanta uma questão sobre a necessidade de usar todos os dados disponíveis quando modelos mais simples podem prever resultados de forma eficaz em muitos casos.
Conclusão
Neste estudo, analisamos a previsibilidade dos preços de ações usando métodos de deep learning baseados em dados do livro de ordens. Descobrimos que tanto as previsões de volatilidade quanto as direcionais podem ser feitas de forma relativamente precisa ao incorporar dados além dos preços. Em particular, o desequilíbrio de volume teve um papel crucial em melhorar as previsões direcionais.
Nossas descobertas incentivam uma perspectiva mais ampla ao analisar os movimentos dos preços das ações, enfatizando a importância dos dados de preço e volume. À medida que o mercado permanece complexo e imprevisível, incorporar várias entradas de dados será vital para estratégias de trading bem-sucedidas.
Título: Price predictability in limit order book with deep learning model
Resumo: This study explores the prediction of high-frequency price changes using deep learning models. Although state-of-the-art methods perform well, their complexity impedes the understanding of successful predictions. We found that an inadequately defined target price process may render predictions meaningless by incorporating past information. The commonly used three-class problem in asset price prediction can generally be divided into volatility and directional prediction. When relying solely on the price process, directional prediction performance is not substantial. However, volume imbalance improves directional prediction performance.
Autores: Kyungsub Lee
Última atualização: 2024-09-21 00:00:00
Idioma: English
Fonte URL: https://arxiv.org/abs/2409.14157
Fonte PDF: https://arxiv.org/pdf/2409.14157
Licença: https://creativecommons.org/licenses/by/4.0/
Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.
Obrigado ao arxiv pela utilização da sua interoperabilidade de acesso aberto.