Comparação da performance de algoritmos de Q-Learning e Double Q-Learning no mercado financeiro

Abstract

Este trabalho tem como objetivo analisar a performance de agentes inteligentes treinados por meio de algoritmos de aprendizagem de máquina Q-Learning e Double Q-Learning em 17 ações da Bolsa de Valores de São Paulo com diferentes níveis de volatilidade e indicadores fundamentalistas. A performance dos agentes foi testada com ciclos de treinamento de alta, baixa e deslocamento lateral. Os agentes obtiveram uma performance melhor quando treinados em períodos de alta e superaram a valorização do índice Ibovespa em aproximadamente 1/3 dos casos. Foi possível perceber uma correlação entre o desempenho do algoritmo e a variação da volatilidade das ações analisadas, assim como a vantagem que algoritmos de Q-Learning possuem em ciclos de alta.