Boletim do Economista – ISSN 3085-9670
Isadora Gonçalves Costa Osterno – Doutora em Economia pelo CAEN/UFC. Vice-presidente do(CORECON/CE e atua como Pesquisadora no Programa Cientista-Chefe Sefaz/CE. Integra a equipe de pesquisadores do FGV IBRE, É professora na Unifor nos cursos de graduação e pós-graduação.
Luiz Fernando Gonçalves Viana – Professor da área de Economia, Mestre em Economia pela UFC, especialista em Data Science e Analytics pela USP. Graduado em Economia pela -UNIFOR. É gerente de operações financeiras no Banco do Nordeste e professor da UNIFOR.
Felipe Baquit Melo Glasner – Estudante de Economia na UNIFOR, com experiência em assessoria financeira e atendimento ao cliente, certificado CPA, Experiência como Financial Advisor na W1 Consultoria e Assistente Administrativo na SUPERA Ginástica para o Cérebro. Professor da área de Economia.
O objetivo deste estudo é analisar a eficácia do HMACD na otimização de retornos financeiros para ativos do Índice de Ações Cearense (IAC) ao longo de cinco anos. Foi aplicada a técnica de machine learning com os resultados validados através de backtesting. A pesquisa destaca as combinações que geram os maiores retornos, fornecendo subsídios importantes para futuros investidores e pesquisadores no mercado de capitais. O trabalho inova ao aplicar a metodologia de busca exaustiva no processo de identificação dos parâmetros do indicador de análise técnica HMACD que otimizam o retorno dos ativos que compõem o IAC.
Introdução
Dentre os objetivos macroeconômicos de um país, o crescimento econômico talvez represente o principal mecanismo para viabilizar os demais objetivos. O financiamento desse crescimento, representado pela expansão quantitativa da capacidade produtiva do país, depende da oferta diversificada de recursos para expansão da produção das firmas individuais.
Segundo Assaf Neto (2025) o mercado financeiro cumpre esse papel de conciliar os interesses conflitantes entre poupadores e empreendedores. Essa intermediação financeira é viabilizada a partir de uma infinidade de instrumentos financeiros que dividem-se em duas grandes categorias de ativos: renda fixa e renda variável. Ativos de renda fixa caracterizam-se por estabelecer antecipadamente um rendimento fixo ou explicitar determinado parâmetro de rentabilidade. Por outro lado, no caso dos ativos de renda variável não há um conhecimento prévio dos rendimentos futuros, onde há o risco, inclusive, de perda do capital investido (Pinheiro, 2025). Investir em ações de empresas é um típico investimento em renda variável. Uma primeira pergunta, então, deve surgir à mente de quem pretende investir em ações: por que alocar recursos em renda variável se não há como estimar a rentabilidade do investimento?
Ao investir em ações o investidor pode obter rentabilidade de duas formas. A primeira é por intermédio dos dividendos que as empresas pagam, enquanto a segunda é pela valorização do ativo, ou ganho de capital. Uma segunda pergunta deve vir à mente: como, então, escolher empresas que possam gerar rentabilidade para o investidor?
Essa escolha é um grande desafio, para o qual Piazza (2008) sugere duas abordagens principais: i) a análise fundamentalista e; ii) a análise técnica. Segundo o autor, a análise fundamentalista é útil para evidenciar os fundamentos da empresa permitindo ao investidor avaliar se seu futuro tende a ser promissor ou não. Caso seja promissor, o valor da ação deve se valorizar posteriormente. Caso contrário, as ações podem se desvalorizar. O segundo critério, também conhecido como análise técnica, concentra-se na observação das variações dos preços da ação ao longo do tempo, dispensando quase que totalmente informações sobre os fundamentos das empresas. A tomada de decisão concentra-se, basicamente, no uso de indicadores calculados a partir das oscilações nos preços dos ativos.
O princípio básico da análise técnica é que as variações dos preços estão relacionadas entre si, ou seja, é possível explicar as movimentações futuras nos preços a partir da análise das movimentações de preços passados. Para tanto, a principal ferramenta do analista técnico são os gráficos, que mostram a evolução dos preços dos ativos ao longo do tempo (Assaf Neto, 2025; Lemos, 2025).
A análise técnica está alicerçada na Teoria de Dow, desenvolvida no final do século XIX por Charles Dow que, à época, era editor do jornal americano The Wall Street Journal. O principal argumento do método é que o comportamento histórico de preços é o principal input da análise que está fundamentada em três premissas: i) os preços das ações já descontam tudo; ii) os preços se movimentam em tendências; e iii) a história se repete (Lemos, 2025).
A análise grafista ramifica-se em três grandes métodos: o candlestick; o padrão de figuras; e os indicadores (Debastiane, 2007; Lemos, 2025). Este artigo utilizou o método de indicadores, os quais são utilizados com três finalidades: i) alertar para uma maior atenção a um determinado ativo; ii) confirmar outras ferramentas de análise técnica; e iii) prever a direção dos preços no futuro (Lemos, 2025). Uma vez que cada indicador representa um modelo matemático que pretende, basicamente, prever a direção futura dos preços depara-se com uma nova questão: quais devem ser os indicadores utilizados na tomada de decisão e quais devem ser os parâmetros utilizados no indicador para obtenção dos melhores ganhos?
Dentre os indicadores mais utilizados, destaca-se o HMACD, uma evolução do MACD tradicional. Segundo Lemos (2025), o HMACD é um indicador de momentum que mede a relação entre duas médias móveis exponenciais e um histograma derivado da diferença entre essas médias. Sua principal vantagem em relação ao MACD tradicional é a suavização do histograma, o que reduz falsos sinais e melhora a interpretação visual da tendência de mercado.
O HMACD consiste em três componentes principais:
1. Linha MACD: diferença entre a média móvel exponencial rápida e a média móvel exponencial lenta.
2. Linha de Sinal: uma média móvel da Linha MACD, usada para suavizar variações e indicar mudanças na tendência.
3. Histograma MACD: diferença entre a Linha MACD e a Linha de Sinal, representando a força e a direção da tendência.
O HMACD gera sinais de compra e venda com base no cruzamento das suas linhas. Um sinal de compra ocorre quando o histograma cruza a linha de sinal de baixo para cima, indicando um possível início de tendência de alta. Por outro lado, o sinal de venda se dá quando o histograma cruza a linha de sinal de cima para baixo, sugerindo uma possível reversão para tendência de baixa.
Além disso, Lemos (2025) destaca que divergências entre o HMACD e o preço do ativo podem ser sinais antecipados de reversão. Uma divergência altista é percebida quando o preço do ativo atinge uma nova mínima, mas o HMACD não confirma esse movimento, sugerindo uma possível reversão para alta, enquanto a divergência baixista é identificada quando o preço atinge uma nova máxima, mas o HMACD falha em acompanhá-lo, indicando fraqueza na tendência de alta e possível reverão baixista.
Na Figura 1 os dois círculos indicam os momentos de realização de venda e de compra, respectivamente. O primeiro círculo (distanciamento das médias) indica que após o cruzamento das médias o HMACD está negativo (MACD em vermelho) indicando uma tendência de queda nos preços que se confirma logo em seguida. O segundo círculo indica uma reaproximação das médias móveis, sugerindo que os preços devem manter uma tendência de alta (MACD em verde).
Figura 1. Gráfico de sinais de compra e venda com HMACD
Fonte: Plataforma TradingView.
O Índice de Ações Cearenses (IAC)
O IAC é um índice de retorno total que procura refletir as variações nos preços dos ativos integrantes, ajustado pelo impacto da distribuição de dividendos, cujo objetivo é acompanhar o desempenho médio das empresas cearenses listadas na B3 (Unifor, 2025). O índice foi elaborado por alunos e professores do Curso de Ciências Econômicas da Universidade de Fortaleza (Unifor). Segundo os critérios de inclusão e exclusão de ativos,atualmente o IAC está composto por oito empresas: Aeris (AERI3); Banco do Nordeste (BNBR3); Brisanet (BRST3); Enel Ceará (COCE5); Grendene (GRND3); Hapvida (HAPV3); M. Dias Branco (MDIA3); e Pague Menos (PGMN3).
O Objetivo deste estudo é analisar a eficácia do indicador de análise técnica HMACD na otimização de retornos financeiros para ativos individuais do IAC ao longo de cinco anos. A estrutura do artigo inclui, além desta introdução, outras três seções. A segunda seção dedica-se a apresentar a metodologia utilizada, enquanto uma terceira seção apresenta os resultados e discussão. Na quarta, e última seção, sintetizam-se as conclusões onde são destacados seu impacto potencial no mercado de capitais.
Metodologia
O desenvolvimento tecnológico e a aplicação dos conceitos de ciência de dados permitem a realização de testes contínuos facilitando a obtenção dos parâmetros que melhoram o desempenho dos indicadores através do uso de machine learning para identificação de parâmetros que otimizem o retorno de operações com ativos de renda variável.
Este estudo realizou uma análise estatística por meio de backtesting, aplicando a técnica da busca exaustiva, um método amplamente utilizado que consiste em testar todas as combinações possíveis dentro de um intervalo de amostras de dados (Cormen et al, 2009).
A seguir, descrevem-se as etapas que compõem o processo metodológico.
Definição do intervalo dos valores parâmetros: na revisão da literatura descrita anteriormente, observou-se que os parâmetros a serem otimizados utilizam valores inferiores a 50, tanto para a média móvel lenta quanto para a rápida, além do sinal. Neste estudo, definiu-se um intervalo de 2 a 100 para as médias com o objetivo de abranger uma ampla variedade de cenários.
Definição do intervalo de tempo e seleção dos ativos para análise: o estudo considerou um período de cinco anos (15/06/2019 a 15/06/2024), utilizando dados diários. Caso a empresa apresente menos de 5 anos de listagem na B3, como foi o caso das empresas AERI3, BRIT3 e PGMN3, o backtesting foi realizado com base no total de dados disponíveis. Os dados foram obtidos por meio de uma API da plataforma MetaTrader5.
Desenvolvimento do código de backtesting: o código de backtesting foi implementado integralmente em Python, na versão 3.11. A lógica do código utilizou um “loop FOR” para testar as combinações das médias móveis lenta e rápida dos últimos t períodos a cada iteração, podendo gerar vários trades nas posições comprada ou vendida.
Resultados e Discussão
O Quadro1, a seguir, mostra os principais resultados do método de busca exaustiva e identifica qual a combinação de parâmetros ótimos para cada ativo do IAC:
Quadro 1. Resultados da otimização para os ativos do Índice de Ações Cearenses (IAC)
Fonte: Resultados da pesquisa.
A análise de desempenho dos ativos evidenciou que os maiores retornos foram obtidos por HAPV3, AERI3 e COCE5, considerando o lucro total acumulado no período de avaliação.
O ativo HAPV3 apresentou o maior resultado, com lucro total de R$ 214,05. Sua configuração de médias móveis (média lenta = 130; média rápida = 25; sinal = 35) resultou em uma taxa de acerto de 68,42% e lucro médio por operação de R$ 11,27 em 19 operações. Observou-se um ganho médio elevado (R$ 20,23), indicando que as operações vencedoras superaram de forma expressiva as perdas, o que sugere uma boa relação risco-retorno.
O segundo melhor desempenho foi registrado por AERI3, com lucro total de R$ 165,59, obtido com médias móveis de 80 (lenta) e 40 (rápida), e sinal de 20. A taxa de acerto foi de 65%, com lucro médio por operação de R$ 8,28 em 20 trades. O ganho médio por operação vencedora foi de R$ 15,48, valor que demonstra consistência na captura de movimentos lucrativos, ainda que com menor magnitude que HAPV3.
O ativo COCE5 ocupou a terceira posição, com lucro total de R$ 66,70. Apesar de apresentar lucro médio por operação relativamente baixo (R$ 1,51), obteve alta taxa de acerto (77,27%) e elevado número de negociações (44 operações), o que compensou o menor ganho individual. Essa característica sugere que a estratégia aplicada neste ativo é mais dependente de volume de operações do que de amplitudes expressivas de lucro por trade.
De forma geral, os resultados indicam que estratégias com maior ganho médio por operação (HAPV3 e AERI3) tendem a produzir retornos totais mais elevados, enquanto abordagens com alta frequência operacional e elevada taxa de acerto (COCE5), também podem gerar desempenho positivo, ainda que com menor retorno médio por trade. Esses achados reforçam a importância de ajustar parâmetros estratégicos de acordo com o perfil do ativo e do operador, balanceando frequência, acurácia e magnitude dos ganhos.
Conclusão
O uso da ciência de dados aplicada ao mercado financeiro tem mostrado grandes avanços nos últimos anos, criando, inclusive um novo campo de pesquisa chamado de computacional finance. Aplicando o método de machine learning conhecido como busca exaustiva foi possível determinar os parâmetros do indicador de análise técnica HMACD que otimizam o retorno individual de cada ativo que compõem o IAC.
Os ativos que apresentaram os maiores retornos foram HAPV3, AERI3 e COCE5, considerando o valor do lucro total acumulado ao longo da janela de 5 anos. Vale ressaltar que nenhum dos ativos apresentou prejuízo acumulado no período do estudo.
O trabalho mostrou-se inovador ao aplicar uma metodologia de machine learning para identificação dos parâmetros do HMACD que otimizam o retorno de ativos de renda variável. Pesquisas posteriores podem ser realizadas aplicando o algoritmo a quaisquer ações cotadas na B3.
Referências
ASSAF NETO, Alexandre A. Mercado financeiro. 16. ed. Rio de Janeiro: Atlas, 2025. E-book. ISBN 9786559776726. Disponível em: https://integrada.minhabiblioteca.com.br/reader/books/9786559776726/. Acesso em: 21 fev. 2025.
CORMEN, T. H.; LEISERSON, C. E.; RIVEST, R. L.; STEIN, C. Introduction to algorithms. 3. ed. Cambridge: MIT Press, 2009.
DEBASTIANE, C. A. Candlestick: um método para ampliar lucros na Bolsa de Valores. São Paulo: Novatec Editora, 2007.
LEMOS, F. Análise técnica dos mercados financeiros: um guia completo e definitivo dos métodos de negociação de ativos. 3. ed. Rio de Janeiro: Saraiva Uni, 2023. E-book. p. 213. ISBN 9786587958002. Disponível em: https://integrada.minhabiblioteca.com.br/reader/books/9786587958002/. Acesso em: 21 fev. 2025.
PIAZZA, M. C. Bem-vindo à bolsa de valores. 7. ed. São Paulo: Novo Conceito Editora, 2008.
PINHEIRO, J. L. Mercado de capitais. 9. ed. Rio de Janeiro: Atlas, 2019. E-book. p. i. ISBN 9788597021752. Disponível em: https://integrada.minhabiblioteca.com.br/reader/books/9788597021752/. Acesso em: 21 fev. 2025.
PRING, M. J. Technical analysis explained: the successful investor’s guide to spotting investment trends and turning points. 4. ed. New York: McGraw-Hill, 2002. Unifor. Índice de Ações Cearenses IAC: metodologia. Fortaleza: Fundação Edson Queiroz, 2025. Disponível em: https://unifor.br/nupe/indice-de-acoes-cearense-iac. Acesso em: 23 fev. 2025.