Avaliação de Soluções de Machine Learning e Neural Networks para scalping em derivativos de Dólar
José Marcus C. Marinho Júnior
19/02/2020
INTRODUÇÃO
Até setembro de 2005 as operações na bolsa de valores eram realizadas entre operadores que ficavam reunidos num salão, chamado PIT, ali eles faziam uma roda onde ofertavam e compravam uns dos outros. Quando algum operador precisava vender uma quantidade de contratos, ele tinha que gritar para todos ouvirem sua oferta, (Demarco, p. 1) não só gritar como levantar jogar os braços para cima, acenar, tudo para chamar a atenção dos compradores, da mesma forma, quem precisava comprar gritava o quanto pudesse para chamar a atenção dos vendedores. Cada grupo reunia-se de acordo com o derivativo operado, tanto os financeiros (como taxa de juros, índice, moedas etc) como os derivativos não financeiros (ativos agropecuários: algodão, soja, boi gordo, milho, café, açúcar etc). Os operadores ficavam com um telefone ao ouvido para receber as ordens dos seus clientes, que eram grandes bancos ou empresas que precisavam atuar no mercado. Estes clientes poderiam estar comprando ou vendendo dólares no mercado futuro para se protegerem da volatilidade, travando uma operação de importação ou exportação; poderiam estar vendendo contrato futuro da saca de café, prevendo uma safra maior do que o normal que poderia derrubar os preços, ou até mesmo comprando um contrato futuro de saca de milho prevendo uma alta nos preços. Diversas operações poderiam ser realizadas pelos grandes players institucionais para agredirem ou se protegerem no mercado financeiro e no meio dessa confusão toda, estava lá o operador de pregão, que ficava sempre ao telefone, ligado com dois, três, quatro até trinta clientes ao mesmo tempo, recebendo ordens de cada um, enquanto seus auxiliares permaneciam ao redor anotando todas as negociações realizadas (Correia, 2017). A bolsa de valores gravava em vídeo toda a movimentação e negociações no PIT, e em caso de divergências, essas gravações eram reproduzidas para os envolvidos, e quem errou assumia o prejuízo. No meio dessa confusão toda, além dos operadores que recebiam ordens institucionais de compra e venda, existiam os scalpers, que eram agentes autônomos, pessoas físicas, que buscavam oportunidades de ganho rápido nas movimentações do mercado. Quando algum operador abria a boca pra gritar que ia vender mil contratos de dólar futuro, os scalpers corriam pra vender na frente dele, pois essa venda de mil contratos iria derrubar o preço de mercado e os scalpers recomprariam mais barato o que tinham vendido e ganhavam essa diferença, parece pouco, mas os contratos são alavancados, e essa pouca diferença se torna um grande lucro. No mercado de derivativos podemos identificar três tipos de participantes: hedger, especulador e arbitrador. Os scalpers são classificados como especuladores. O hedger é um agente cuja atuação no mercado tem por objetivo básico a proteção perante os riscos de oscilações nos preços dos ativos negociados. O especulador é atua nas flutuações de preços, procurando oportunidades de ganhos financeiros. Segundo Neto (2016), sua atuação é importante para o mercado, fixando-se na compra do risco do hedger e assumindo, em troca de uma compensação financeira, o risco das oscilações de preços dos ativos. Contribui ainda para elevar a liquidez do mercado. O arbitrador procura obter vantagens financeiras na diferença de preços de um mesmo ativo em mercados diferentes. Ele atua comprando o ativo no mercado onde o preço está mais barato e vendendo onde consegue maior valor, promovendo assim a volta do equilíbrio dos preços dos ativos. De acordo com LÉVY (2010, p. 157) “pela primeira vez na história da humanidade, a maioria das competências adquiridas por uma pessoa no início de seu percurso profissional estarão obsoletas no fim de sua carreira”. E foi exatamente o que aconteceu com a maioria dos operadores de pregão a partir de setembro de 2005, quando ocorre o fim do pregão viva-voz da Bovespa, e ela se torna uma bolsa totalmente eletrônica. Em 2006, a bolsa passa a operar somente em pregão eletrônico doméstico. Muitos operadores não se adaptaram ao mercado eletrônico, onde as ordens são executadas com um simples clique do mouse e muitos deixaram o pregão. Outros, porém, conseguiram se adaptar e ganhar muito dinheiro com a facilidade que os meios digitais de operação proporcionava para eles. Antes eles detectavam que o preço ia cair(ou subir) olhando nos olhos do operador que atendia grandes clientes institucionais, prestando atenção no que ele ia fazer, na quantidade de lotes que ele ia comprar ou vender e tentavam sair na frente dele, surfando na tendência que ele iniciava, agora eles estavam vendo tudo isso na tela do computador, quando aparecia no book de ofertas grandes ordens institucionais de compra/venda.
Nesta pesquisa, fizemos uma imersão no dia-a-dia de um trader do mercado de dólar futuro na bolsa de valores de São Paulo a fim de entender como vivemos e agimos em um contexto que hoje é quase sempre constituído e emaranhado com tecnologias digitais (Pink, et al., 2016). Analisamos como o “digital” mudou a vida do trader no seu relacionamento com a bolsa, quais as consequências disso para suas operações e como funciona agora sua forma de trabalho. Hoje em dia ele não opera mais num salão, gritando e ouvindo gritos de mais de duzentas pessoas ao seu redor, mas diante de um potente computador com várias telas ultrawide, nobreak, pois a mídia digital precisa ser alimentada por uma fonte de energia confiável, evocando o princípio da multiplicidade (Pink, et al., 2016), duas operadoras de internet, uma a cabo e outra 4G como backup, e uma plataforma de operações com todas as informações que ele precisa para tomar a decisão de especular uma compra ou venda no mercado financeiro no intuito de auferir lucro.
O CONTRATO FUTURO DE DÓLAR
Com explica Assaf Neto (2016, p. 321), derivativo é um instrumento cujo preço deriva de um outro ativo subjacente do contrato. Uma opção de compra de ações do Banco do Brasil é considerada um derivativo, pois seu preço de negociação depende do valor da ação da empresa. Da mesma forma, um contrato futuro de taxas de juros – contrato futuro DI, conforme praticado no mercado brasileiro – é também um derivativo, pois o valor de mercado do contrato é determinado (deriva) pelo comportamento das taxas de juros (taxa DI). Pelo mesmo raciocínio podemos citar o contrato futuro de dólar, visto que seu preço de negociação depende da cotação do dólar no mercado a vista. Quando negociamos o dólar futuro, significa que estamos negociando uma taxa de câmbio de reais por dólar comercial, cujo tamanho-padrão do contrato é de U$ 50.000,00. Como o lote mínimo de negociação desse ativo é de 5 contratos, na prática se negocia, no mínimo, U$ 250.000,00.
Como todo ativo do mercado futuro, a negociação ocorre por contratos que possuem vencimento definido. No caso do dólar futuro, o vencimento sempre ocorre no 1º dia útil do mês.
Especificações do mercado de dólar futuro
Os eventos comuns e mais frequentes que diariamente movimentam o mercado do dólar futuro são:
- Leilão de abertura
- PTAX
- Ajuste
O leilão de abertura ocorre a partir das 8h55, neste horário os players começam a pendurar ofertas de compra e venda no book e aos poucos, com o volume adicionado, o preço teórico do dólar vai se formando, até acontecer a abertura do mercado, geralmente às 9h, podendo atrasar um, ou mais minutos dependendo do volume do leilão. A PTAX é uma taxa de referência para o valor do dólar calculada pelo Banco Central. O cálculo é realizado em 4 janelas diárias (das 10h às 10:10h, 11h às 11:10, 12h ao 12:10, 13h às 13:10h). Após isso é lançada a PTAX oficial do dia. Para chegar a esse cálculo, o Banco Central consulta seus dealers, que são os players que atuam pelo BC no dólar futuro, e então chega ao “valor justo”. A PTAX é uma taxa utilizada como referência para fechamento de contratos cambiais. O ajuste ocorre no período da tarde, entre às 15h50 e 16h. A bolsa calcula o preço médio ponderado de todos os negócios que saírem neste período de dez minutos. O ajuste permite que eventuais prejuízos não se acumulem no prazo do contrato, elevando o risco de sua liquidação. Quando um trader está comprado em dólar a um preço médio de 4.110,00 e o ajuste fica em 4.112,00, se ele não desfaz a operação, vendendo os contratos, no dia seguinte seu saldo será reajustado para o valor do ajuste, e ele ganhará 2 pontos. No entanto, ninguém sabe qual será o preço teórico do dia seguinte, qual preço o mercado vai abrir, pois é este preço de abertura que definirá sua posição atual de lucro ou prejuízo momentâneo.
O funcionamento do mercado
Tabela 1
No mercado, quem precisa comprar coloca suas ofertas na coluna da esquerda, também chamada de ‘BID’ e quem precisa vender, coloca suas ofertas na coluna da direita, também chamada de ‘ASK’. O participante do mercado tem duas opções: 1. Deixar sua ordem postada no book e aguardar alguém executá-la, o que é chamado de ordem limite.
2. Executar diretamente as ofertas que estão presentes no book, o que é chamado de ordem à mercado.
Quando o player resolver executar à mercado, ele é chamado de ‘agressor’, porque foi ele quem tomou iniciativa de fechar o negócio. Por exemplo: Na primeira linha da coluna de compra, temos uma ordem de 100 lotes de dólar, isto significa que quem colocou esta oferta, está dizendo ao mercado que aceita comprar 100 lotes de dólar ao preço de 4.016,50, mas não paga 4.017,00. Se ele aceitasse comprar a 4.017,00 ele não colocaria essa oferta, mas enviava uma ordem à mercado comprando os 100 lotes a 4.017,00. Observamos que ao preço de 4.017,00 só temos 100 lotes, significa que se alguém enviar uma ordem a mercado de 200 lotes para comprar ao preço de 4.017,00 ele vai zerar os 100 lotes ofertados na coluna de venda a 4.017,00 e deixar 100 lotes na coluna de compra a 4.017,00, já que não existiam no book lotes suficientes para satisfazer sua necessidade. Então o book ficaria assim, após esta operação:
Tabela 2
Agora vamos supor que um comprador envie uma ordem a mercado para comprar 500 lotes independentemente do preço, a ordem seria executada da seguinte forma, os primeiros 200 lotes seriam executados no melhor preço de venda, a 4.017,50 e os outros 300 a 4.018,00. Toda a liquidez destes dois níveis de preço seria consumida pelo comprador e, por alguns milésimos de segundos, o book vai ficar com um buraco entre o 4.017,00 e o 4.018,50:
Tabela 3
Não percebemos esta imagem acima porque os HFT’s (High Frequence Trading), como são chamados os algoritmos de alta frequência, rapidamente ocupam este vácuo preenchendo as ordens no book, então o book fica da seguinte forma:
Tabela 4
Percebemos que, quando ocorre uma compra forte a mercado, consome-se a liquidez de cada nível de preço mais alto, elevando a cotação do mercado. De outra forma, quando ocorre uma forte venda a mercado, consome-se a liquidez de cada nível de preço abaixo, diminuindo a cotação do mercado. Diante do exposto, nós podemos entender que quanto mais volume comprador mais o preço sobe, o que chamamos de bull Market (ou Bullish), e quanto maior o volume vendedor mais o preço cai, conhecido como Bear Market (ou Bearish). Bull refere-se aos touros, que representam os compradores e Bear refere-se aos ursos, que representam os vendedores. É neste cenário que os scalpers atuam, quando aparece uma grande ordem de compra, eles deduzem que este player está precisando comprar muitos lotes, o que consequentemente vai empurrar o mercado pra cima, então eles tentam comprar na frente para que, quando o player consumir os mil lotes dos próximos níveis de venda acima, eles possam revender mais caro e auferir lucro.
Telas do software utilizado para operações no mercado e suas leituras
Existe toda uma leitura usada pelos scalpers para auferir lucro no mercado, vamos detalhar o que ele enxerga na tela:
Figura 1 - Tela princpal
Nesta tela estão concentradas as principais informações que orientarão o trader na tomada de decisão. Ele poderá ver o quanto cada player comprou ou vendeu em qualquer intervalo de tempo, a posição dos players no mercado, como os que estão apostando na compra e os que estão apostando na venda, quantos lotes cada um está ofertando na compra ou na venda, quantos lotes cada um está agredindo à mercado em tempo real na compra ou na venda, volume de negócios e volume financeiro por cada nível de preço e por tempo, preço médio ponderado, variação percentual do derivativo, players que estão no prejuízo e os que estão lucrando, etc.
Figura 2 - Ranking das corretoras
Nesta janela são listadas as corretoras por ordem de volume negociado, à esquerda vemos a listas dos maiores compradores, com a XP em primeiro lugar com 4.930 contratos comprados ao preço médio de 4.391,46. À direita, temos a GENIAL como maior vendida do dia com -5.345 contratos ao preço médio de 4.390,29. O preço médio da XP está em vermelho indicando que a cotação do dólar está desfavorável a ela, ou seja, como ela está comprada em quase 5 mil lotes ela lucraria se a cotação do dólar estivesse acima deste preço, mas neste momento do ‘print’ a cotação do dólar está em 4.383,00, sete pontos abaixo do seu preço médio.
Já em relação à GENIAL, ela está vendida em mais de 5 mil lotes, apostando na queda do dólar, que está favorável em sete pontos abaixo do seu preço médio. Neste exato momento do print, podemos estimar o lucro e prejuízo momentâneo das corretoras. Como um lote tem no mínimo 5 contratos, ao comprar um lote, cada ponto favorável gera R$250,00 de lucro e um ponto desfavorável gera R$250,00 de prejuízo. Tomando como exemplo a corretora XP, observamos que ela está comprada (ou apostando na subida do dólar) com preço médio em 4.391,46 e a cotação do dólar está em 4.383, a diferença é de 8,5 pontos. Multiplicamos os pontos pelo valor que ele representa 8,5 x R$250,00 = R$2.125,00. Este valor representa o prejuízo por lote de 5 contratos com 8,5 pontos desfavoráveis. Agora é só multiplicar pela quantidade de lotes. A XP tem 4.930/5 = 986 lotes, multiplicados por R$2.125, apuramos um prejuízo momentâneo de R$2.095.250,00(Dois milhões, noventa e cinco mil, duzentos e cinquenta reais). Salentamos que este prejuízo é momentâneo, tudo pode mudar em poucos minutos e o que vai definir realmente o lucro/prejuízo de cada player do mercado é o valor do ajuste, que é fechado no intervalo das 15h50 às 16h. Este preço médio ponderado calculado neste intervalo de dez minutos é o valor de fechamento que vai definir quem teve lucro e quem teve prejuízo no dia.
Os traders usam esta informação para embasar suas decisões de compra ou de venda. Por exemplo: Suponha que a cotação atual do dólar esteja saindo a 4.190,00 e o preço médio dos cinco maiores compradores esteja girando em torno de 4.185,00. Se a cotação atual for caindo, quando chegar no médio dos maiores compradores, eles vão defender e fazer de tudo para não deixar o preço cair para abaixo do seu preço médio. O mesmo podemos pensar em relação aos vendedores. Se eles estiverem com o preço médio em 4.198,00 e a cotação for subindo, ao chegar próximo ao preço médio dos maiores vendidos, eles vão defender seu preço, vendendo grandes lotes para derrubar a cotação, ou pendurando grandes lotes na venda antes do seu preço para tentar impedir a subida da cotação.
Figura 3 - Cotações
Nesta janela são reunidas as cotações dos principais ativos que tem alguma relação diretamente ou inversamente proporcional ao dólar futuro. O INDFUT representa o índice futuro e tem uma relação inversamente proporcional na maioria das vezes. O mesmo ocorre também com a cotação dos índices DI de 23 e 25 anos, DI1F23 e DI1F25. Em relação às ações, uma forte queda na cotação das principais ações negociadas na bolsa, pode representar uma subida no dólar.
Figura 4 - Livro de Preços
Nesta figura temos o book agrupado, nele constam todas as ofertas de compra à esquerda e de venda à direita agrupadas por nível de preço. Se este book encher de ofertas do lado esquerdo, muito desproporcional ao lado direito, indica que o preço tende a subir. Caso a quantidade de ofertas do lado direito for muito grande e consistente, desproporcional ao lado esquerdo, tudo indica que o preço vai cair, pois existem mais intenções de venda do que intenções de compra neste mercado. É aqui também que podemos observar muitos blefes, alguns institucionais inflam o book no lado da compra para influenciar os algoritmos e outros traders a comprar e levar o preço pra cima, justamente para este player que blefou vender mais caro. Atualmente o blefe é proibido e punido pela bolsa de valores de São Paulo.
Figura 5 - Livro de Preços - Book por Player
Nesta configuração do Livro de preços podemos ver qual player está ofertando tanto na compra quanto na venda, e assim podemos relacionar o preço médio do player no ranking com suas ofertas no book, identificando em qual nível de preço ele está mais interessado em comprar ou vender seus contratos. Muitas vezes o player institucional não quer “dar as caras” no book, e ele compra por uma corretora e vende através de outra, para disfarçar sua real intenção, despistando os scalpers, tanto algoritmos quanto pessoas físicas, por isso a análise nem sempre se atém ao que está demonstrado na tela, mas leva em conta muito fortemente a experiência. Segundo Pink, et al. (2016) apud Serres (2008), os sentidos permitem a experiência de coisas difíceis ou impossíveis de expressar através da linguagem e que não podem ser observadas diretamente.
Figura 6 - Times and Trades
No ‘Times and Trades’ nós vemos os negócios que estão saindo a cada segundo. Na última coluna temos a indicação se o negócio foi comprador (verde) ou vendedor (vermelho). Quando o negócio é comprador significa que foi o comprador que tomou a iniciativa e consumiu a liquidez que estava ofertada na coluna da direita do book de ofertas. Na gíria do mercado, o comprador “deu o fechado” para o ofertante vendedor. Por outro lado, quando o negócio é vendedor, significa que quem agrediu o book foi alguém que estava precisando vender e “deu o fechado” nos ofertantes que estavam no book desejando comprar. Ele consumiu a liquidez compradora no lado esquerdo do book. Uma das estratégias é atuar a favor de uma compra ou venda, desde que ela apresente intensidade, parceria, agressão e deslocamento de preço, é isto que faz o mercado se movimentar, e é esta percepção que desejamos detectar, tanto visualmente como através de algorítmos. Os grandes bancos institucionais faturam milhões de dólares com a utilização de algoritmos que detectam previamente esta movimentação nos preços e surfam a onda, o chamado front running. Eles tem indicadores que medem a intensidade dos negócios que estão saindo no “Times & Trades (T&T)”, calculam se está havendo parceria no movimento, ou seja, se é um único player que está agredindo o book ou se ele está acompanhado, verifica se o nível de agressão (quantidade de lotes) é forte o suficiente para causar um deslocamento consistente de preços, se estiver tudo dentro dos parâmetros, o algoritmo entra na operação e aufere lucros.
Figura 7 - Super Doom e Volume at Price
Nesta janela vemos os preços organizados em forma de régua, o que facilita a visualização da movimentação dos preços bem mais intuitiva que a do book de ofertas. Nesta janela podemos clicar com o mouse ao lado dos preços e já pendurarmos nossas ordens de compra ou venda. Podemos observar a mesma informação do book de ofertas agrupado, com a quantidade de ofertas por nível de preço. Ao lado esquerdo existem barras que indicam o volume de contratos negociados no dia por nível de preço, fornecendo ao trader uma informação valiosa, que são os preços mais negociados no dia, muitas vezes um preço muito negociado em um dia vira um ponto de referência no dia seguinte.
Figura 8 - Boleta
Por fim, nós podemos analisar agora a boleta, que é o local onde podemos colocar nossas ordens de compra ou venda no book de ofertas ou agredir à mercado. Existem também os botões de zerar, cancelar ordens e inverter. Esta boleta precisa ser o mais eficiente possível para prover agilidade ao trader que deve tomar decisões muito rápidas e precisas.
Machine Learning
Nos dados de mercado nós temos, a cada milésimos de segundo, dados sobre quantidade de lotes, player agressor, player passivo, preço e mudança de preço. Como destacamos na “figura 6”, o nosso grande desafio é utilizar recursos de Machine Learning e Neural Networks para extrair, dos dados de mercado, informações sobre intensidade, parceria, agressão e deslocamento de preço. A intensidade refere-se à grandes volumes de lotes agredidos em pequenos intervalos de tempo. A parceria pode ser entendida como união de vários players imprimindo intensidade numa mesma direção. Agressão, é um indicador que demonstra o saldo de todos os compradores em relação a todos os vendedores e demonstra quem está ganhando a briga. Deslocamento de preço mostra se a junção dos indicadores anteriores estão fazendo o preço se mover com velocidade.
Estudaremos quais modelos de ML são mais adequados para processar esses dados e extrair de forma mais adequada as informações que precisamos para operar no mercado.
Bibliotecas de ML no R
(e1071) usando a função Naive Bayes
Naive Bayes usa a probabilidade independente para cada atributo. A influência de cada atributo na classe, ocorre de forma independente. Para utilizar esta biblioteca, primeiro vamos fazer sua instalação:
install.packages(“e1071”, dependencies = T)
Salvamos os dados do mercado de dólar futuro do dia 28/02/2020 e vamos usá-lo como treinamento do algoritmo de ML para aplicar no dia 02/03/2020. Para ler o arquivo, utilizaremos o seguinte comando:
dolar <- read.csv('dolj2028fev.csv', se = ";", header = T)
head(dolar)## hora valor lote agr vr
## 1 09:02:59 4.506,00 -5 Tullett i
## 2 09:02:59 4.506,00 -30 Ideal i
## 3 09:02:59 4.506,50 5 Ideal s
## 4 09:02:59 4.507,00 10 UBS s
## 5 09:02:59 4.507,00 10 UBS i
## 6 09:02:59 4.507,00 10 UBS idim(dolar)## [1] 54108 5VR é a variável de Resposta, ela indica se o preço do dólar se manteve igual “i”, subiu “s” ou desceu “d” após as compras e vendas realizadas pelos players do mercado. Esta coluna VR foi criada por nós para indicar ao algorítmo o que queremos, que é saber sobre o deslocamento de preço. A coluna Lotes tem os mesmos dados da coluna Quantidade. Criamos esta coluna para diferenciar os lotes de compras dos lotes de vendas, adicionando um sinal de negativo nas vendas. Os dados do mercado de dólar do dia seguinte, 21/02/2020, vamos chamar de dolarteste, e vamos carregá-los utilizando o mesmo comando anterior. Antes de treinar nosso modelo, vamos carregar a biblioteca de ML:
library(e1071)Para treinar o modelo de Machine Learning Naive Bayes, vamos utilizar o seguinte comando:
modelo <- naiveBayes(vr ~ . , dolar)Onde,
* naiveBayes é a função da biblioteca de ML;
* VR é a variável de resposta, no caso em tela, é a coluna que informa qual foi a movimentação do dólar, subir, descer ou permanecer igual;
* ~ “til” é usado para separar a variável de resposta dos outros dados;
* . “ponto” é a representação de que todas as outras colunas serão consideradas para explicar a variável de resposta.
* Em outro teste faremos selecionando algumas variáveis explicativas como: Compradora, Valor, Lotes, Vendedora e Agressor. Neste momento, usamos o ponto para pegar todas as variáveis.
* “dolar” é a variável que contém os dados de treinamento.
Após isto, vamos carregar para a variável dolarteste os dados do dia 21/02/2020 para fazer a predição com o nosso modelo criado.
dolarteste <- read.csv('dolj2002mar.csv', se = ";", header = T)
head(dolarteste)## hora Valor lote agr vr
## 1 09:00:37 4.508,00 -5 UBS i
## 2 09:00:37 4.507,50 -5 UBS d
## 3 09:00:38 4.508,00 -5 Ideal s
## 4 09:00:38 4.507,50 -5 UBS d
## 5 09:00:38 4.508,50 -5 Ideal s
## 6 09:00:38 4.507,50 -5 Ideal dMesmo que o modelo de ML varie, a função para fazer a predição vai ser a mesma predict. Ao usar esta função, vamos adicionar dois parâmetros: modelo e dolarteste, o modelo treinado e a base de dados para teste do modelo. Ele vai retornar o resultado da predição.
predicao <- predict(modelo, dolarteste )Para testar se a predição deu certo, vamos criar uma variável chamada de confusao.
confusao <- table(dolarteste$vr, predicao)
confusao## predicao
## d i s
## d 757 2961 155
## i 7546 29732 1621
## s 710 2888 223Observando os dados da tabela de confusão, constatamos que para prever a subida de preço, representada por “s”, o modelo acertou 223 vezes e errou 710 + 2888 = 3.598 vezes. Ao prever a descida de preço, acertou 757 vezes e errou 3.116 vezes. Já quanto à previsão que os preços se manteriam iguais, representado por “i”, o desempenho se destacou com 29.732 acertos e 9.167 erros. No total, somando as três previsões, a taxa de acerto foi de 65%. Os cálculos foram feitos da seguinte forma:
taxaacerto <- (confusao[1] + confusao[5] + confusao[9]) / sum(confusao)
taxaacerto## [1] 0.6591548Na primeira vista, esta taxa de acerto pode iludir a previsão de resultados práticos na operação de trading. Como a grande quantidade de acerto foi quanto à inalteração de preços, uma estratégia de trading usando esses parâmetros erraria muito ao realiar operações tanto “short” como “long”, gerando fluxo de caixa negativo. Quando o trading system acertasse na previsão que o dólar não teria seu preço alterado (como na maioria das vezes), o sistema também ficaria em modo espera. Podemos tentar solucionar este problema reorganizando a base de dados, em vez de computar cada trade individualmente realizado no “times and trades”, podemos computar intervalos de tempo em que os trades são realizados. Quantos lotes foram agredidos em três segundos e qual o impacto nos preços? Podemos analizar com três, cinco, dez, sessenta segundos e encontrar o melhor ajuste para treinar nosso algoritmo.