A modelagem é feita em uma base de dados históricos de negociações da bolsa dos principais ativos negociados, com dados diários desde 2005, atualizados diariamente.
O processo de criação de variáveis envolve diferentes algoritmos de I.A. com aprendizado de máquina. Além dos dados históricos, esses algoritmos buscam histórico de cotações diárias de bolsas do exterior (Nasdaq, etc.), séries do BC e Ipeadata, além de cotações de alguns commodities considerados relevantes para os modelos. São as chamadas variáveis exógenas.
Com base nesses dados, inicia o processo de modelagem, que envolve um conjunto de programas de limpeza, normalização e padronização dos dados para que sejam feitas estatísticas e geração de insights: como exemplo, são geradas e atualizadas informações de tendências, forecast com janelas móveis/deslizantes, grau de inclinação de curvas, verificação de outliers, , médias móveis, indicadores técnicos (macd, ifr, estocástico, etc.) correlação com dados exógenos, dentre outros.
Neste ponto, um processo de computação paralela roda a sensibilização desses dados para cada um dos ativos, com parâmetros definidos e modificáveis, como prazo de início da propriedade do ativo, intervalo de verificação, percentual de indicação de viés de queda e percentual de viés de alta. As variáveis dependentes são (comprar/vender/manter).
Atualmente são 5 algoritmos de machine learning diferentes, cada um com suas especificidades, com aprendizado supervisionado e não supervisionado. Os outputs desses algoritmos são consolidados e, dependendo do grau de confiança dos resultado, um 6º algoritmo confirma o viés para o período indicado (parametrizável e variável).
O principal objetivo deste módulo é simular os melhores pontos de entrada e de saída para cada ativo considerando o período e as margens projetadas para swing trading.
Além disso, é necessário combinar outro módulo de machine learning: o de composição de portfólio ideal com base nas projeções, contexto e objetivos de carteira. Portanto, analisar os resultados das simulações por ativo, de forma isolada, não garante sucesso das simulações.
Importante destacar que, além dessas informações, é necessário combinar com análises técnicas e fundamentalistas complementares. Mas isso não basta para o processo decisório, pois em alguns casos, ocorrem oscilações decorrentes de fatores e notícias relacionadas a empresas, política e economia, descolando as cotações dos modelos de forecast. Por isso, cautela e observação são fundamentais para todos os cenários, pois o mercado possui comportamento caótico, com volatilidade ampla e sensibilidade ao cenário político econômico.
