Desenvolvimento de algoritmos de aprendizado de máquina para análise e previsão de ativos financeiros

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorRodrigues, Douglas-
Autor(es): dc.contributorUniversidade Estadual Paulista (UNESP)-
Autor(es): dc.creatorSuaiden, João Henrique Mouro-
Data de aceite: dc.date.accessioned2025-08-21T18:51:05Z-
Data de disponibilização: dc.date.available2025-08-21T18:51:05Z-
Data de envio: dc.date.issued2024-11-24-
Data de envio: dc.date.issued2024-11-24-
Data de envio: dc.date.issued2024-11-11-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/258320-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/258320-
Descrição: dc.descriptionEste trabalho tem como objetivo explorar o uso de algoritmos de aprendizado de máquina na análise e previsão de preços de ativos financeiros, contribuindo para estratégias de tomada de decisão mais precisas no mercado financeiro. A metodologia aplicada inclui a utilização do algoritmo XGBoost, além de indicadores financeiros técnicos como o RSI ( Relative Strength Index) e MACD (Moving Average Convergence Divergence) que auxiliam na identificação de tendências e padrões de preços. Os resultados obtidos indicam que o XGBoost, em combinação com os indicadores financeiros, apresenta um desempenho promissor, com capacidade de prever movimentos de mercado em cenários de alta volatilidade e em diferentes intervalos de tempo. A avaliação de desempenho foi realizada com base em métricas como a Acurácia e o F1-Score, permitindo uma análise robusta da eficácia do modelo. Também foram feitas simulações de investimento, utilizando o modelo proposto, a fim de se observar o seu comportamento no mercado real.-
Descrição: dc.descriptionThis work aims to explore the use of machine learning algorithms in the analysis and prediction of financial asset prices, contributing to more accurate decision-making strategies in the financial market. The applied methodology includes the use of the XGBoost algorithm, as well as technical financial indicators such as the RSI (Relative Strength Index) and MACD (Moving Average Convergence Divergence), which assist in identifying trends and price patterns. The results indicate that XGBoost, in combination with financial indicators, shows promising performance, with the ability to predict market movements in high-volatility scenarios and across different time intervals. The performance evaluation was based on metrics such as Accuracy and F1 Score, allowing for a robust analysis of the model’s effectiveness. Investment simulations were also conducted using the proposed model to observe its behavior in real market conditions.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Estadual Paulista (UNESP)-
Direitos: dc.rightsinfo:eu-repo/semantics/openAccess-
Palavras-chave: dc.subjectXGBoost-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectIndicadores financeiros-
Palavras-chave: dc.subjectMercado financeiro-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectFinancial indicators-
Palavras-chave: dc.subjectFinancial market-
Título: dc.titleDesenvolvimento de algoritmos de aprendizado de máquina para análise e previsão de ativos financeiros-
Título: dc.titleDevelopment of machine learning algorithms for analysis and prediction of financial assets-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.