| dc.description.abstract | Muitos algoritmos que possuem boa performance em diversos campos da literatura, tão logo são utilizados, recebem atenção do mercado financeiro. Prever com uma boa taxa de acerto o movimento das ações é o sonho de muitos investidores e utilizar os melhores modelos conhecidos é uma das formas de encontrar essa performance desejada. Não é diferente em relação aos algoritmos de Reinforcement Learning. Como pode ser observado em [12], existem alguns artigos com abordagem de trading e utilização de Reinforcement Learning. Porém, a quantidade de artigos sobre o assunto é bem baixa se comparado a modelos criados com algoritmos clássicos de machine learning. A baixa menção ao assunto reflete em sites e blogs que passam informações sobre análise de dados, uma vez que existem poucas postagens sobre o assunto. Por ser ainda um terreno pouco explorado, existe muito o que se estudar e melhorar em Reinforcement Learning. Em relação ao presente trabalho existem melhorias que serão feitas. A primeira adição futura é uma melhor engenharia de features. As features usadas seguem o modelo padrão de outros artigos ao utilizar OHLC das ações como input para o modelo. Uma boa modelagem tem a capacidade de
aumentar significativamente a performance de modelos e algumas ideias de features serão implementadas futuramente.
Outra melhoria a ser feita e a estruturação do ambiente construído. O ambiente e o cerne do funcionamento do modelo, e algumas ideias relacionados aos passos a serem tomadas pelo agente entre as posições ainda precisam ser implementadas.
Por fim, uma mudança que ser a feita e segue uma linha de mudança de ambiente, e permitir que sejam colocadas mais ações em um mesmo modelo. Essa melhoria segue a linha de adicionar um portfólio, ou seja, adicionar várias ações e deixar que o agente escolha as oportunidades. No modelo atual, como é utilizada uma ação por modelo, o agente escolhe apenas que
posição tomar em um determinado período. | por |
