Desenvolvimento de plataforma de backtesting para testes de modelo de alta frequência

Abstract

Este projeto visa o desenvolvimento de uma plataforma de backtesting para alta frequência destinada à avaliação de modelos para a previsão de retornos em contratos futuros. A plataforma será utilizada pelos responsáveis da área Quant da Legacy Capital. Para cumprir com objetivo, foram utilizados raw market data de ordens e negociações realizadas na Bolsa de Mercadorias & Futuros (B3), onde após manipulados e realizados os devidos cálculos, servem como entrada para os modelos. Os modelos escolhidos foram Autorregressivo Exógena (ARX), que é uma extensão dos modelos de regressão linear básica utilizada para séries temporais, Long Short Term Memory (LSTM), que se configura como uma arquitetura de Rede Neural Recorrente (RNN), Multilayer Perceptrons (MLP), que está dentro das Redes Neurais Artificiais (RNA), LSTM-MLP, uma junção da arquitetura de Redes Neurais Artificias (RNA) com Rede Neural Recorrente (RNN) e finalmente o Gradient Boosting Regressor (XGB), que funciona como um processo de árvores de decisão sequencial. A plataforma será projetada para ser flexível, permitindo a incorporação de diversos modelos e para ajuste de parâmetros conforme determinado necessário pelo contratante, com o objetivo de aprimorar as capacidades de previsão e a eficácia dos resultados advindo da plataforma.The project aims the development of a high frequency backtesting platform designed to evaluate models that predict futures contracts returns. The platform will be used by the Quant team at Legacy Capital. To fulfill this objective, raw market data from the Commodities & Futures Exchange (B3) were used, which, after manipulation and appropriate calculations, served as input for the models. Some of the selected models included Autoregressive Exogenous (ARX), which is an extension of the linear regression model employed for time series analysis. Additionally, was used the Long Short-Term Memory (LSTM), that is a Recurrent Neural Network (RNN), along with Multilayer Perceptron (MLP) models within Artificial Neural Networks (ANNs). Also, a combination of MLP with LSTM, referred to as LSTM-MLP, was considered. Finally, the Gradient Boosting Regressor (XGB) was used, working as a sequential decision tree process. The platform is designed to be flexible, allowing for the incorporation of various models and parameter adjustments as determined necessary by the contracting party, with the aim of enhancing prediction capabilities.