Previsão de ações da B3 com Optimal Classification Trees e Redes Neurais.

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSilva, Diogo Ferreira de Lima-
Autor(es): dc.contributorCosta, Helder Gomes-
Autor(es): dc.contributorRoboredo, Marcos Costa-
Autor(es): dc.creatorMendes, Miguel Nobrega-
Data de aceite: dc.date.accessioned2025-08-21T20:11:56Z-
Data de disponibilização: dc.date.available2025-08-21T20:11:56Z-
Data de envio: dc.date.issued2025-07-31-
Data de envio: dc.date.issued2025-07-31-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/39569-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1056435-
Descrição: dc.descriptionA previsão de preços de ações no mercado brasileiro (B3) configura-se como uma tarefa complexa devido à multiplicidade de fatores que influenciam a precificação. Apesar dessa complexidade, sua atratividade persiste pelos potenciais retornos financeiros. Utilizando indicadores de análise técnica (e.g., PSAR, médias móveis), fundamentalista (e.g., ROE) e de investimento fatorial, este estudo analisou dados históricos de quatro ativos da B3 (COGN3, PRIO3, ITUB4, EMBR3), selecionados por representarem setores diversificados e comportamentos de preço distintos, durante os períodos de 30 dias (01/10/2023 a 01/07/2024), 7 dias (06/05/2024 a 08/07/2024) e 1 dia (20/06/2024 a 03/07/2024). A metodologia envolveu: coleta de dados; engenharia de features totalizando até 180 variáveis; filtragem por correlação; pré-processamento com normalização e transformação Yeo-Johnson; validação temporal via Expanding Window, que expandiu iterativamente o conjunto de treino mantendo teste fixo. Foram comparados cinco algoritmos: OCT-H, Árvores de Decisão, Gradient Boost, RNN e LSTM. Os resultados revelaram desempenho heterogêneo: a OCT-H apresentou acurácia média de treino superando substancialmente o teste (indicando overfitting). Modelos de árvores convencionais e de redes neurais tiveram melhor generalização. A análise de correlação indicou que nenhuma variável independente mostrou correlação relevante com a variável dependente, sugerindo que os indicadores adotados, embora teoricamente fundamentados, capturam padrões insuficientes para previsão robusta. A metodologia mostrou-se viável para previsão de preço de ações através de aprendizado de máquina. Entretanto, a baixa performance preditiva evidencia os desafios da imprevisibilidade inerente a séries temporais financeiras de curto prazo e a carência de variáveis preditivas decisivas.-
Descrição: dc.descriptionForecasting stock prices in the Brazilian stock market (B3) is a complex task due to the multitude of factors that influence pricing. Despite this complexity, its attractiveness remains due to its potential financial returns. Using technical analysis indicators (e.g., PSAR, moving averages), fundamental analysis indicators (e.g., ROE), and factorial investment analysis, the research analyzed historical data for four B3 listed companies (COGN3, PRIO3, ITUB4, EMBR3), selected for their diverse sectors and distinct price behaviors, considering periods of 30 days (01/10/2023 to 07/01/2024), 7 days (06/05/2024 to 08/07/2024) and 1 day (06/20/2024 to 03/07/2024). The quantitative methodology involved: data collection; Feature engineering, totaling up to 180 variables; correlation filtering; preprocessing with normalization and Yeo-Johnson transformation; and temporal validation via Expanding Window, which iteratively expanded the training set while maintaining a fixed test. Five algorithms were compared: OCT-H, Decision Trees, Gradient Boost (both implemented in Python via PyCaret), RNN, and LSTM. The results revealed heterogeneous performance: OCT-H presented average training accuracy substantially outperforming the test (indicating overfitting). Conventional tree and neural network models showed better generalization. Correlation analysis indicated that no independent variable showed a relevant correlation with the dependent variable, suggesting that the adopted indicators, although theoretically based, capture insufficient patterns for robust prediction. The methodology proved viable for stock price forecasting through machine learning. However, its poor predictive performance highlights the challenges of the unpredictability inherent in short-term financial time series and the lack of decisive predictive variables.-
Descrição: dc.description95 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectÁrvores Ótimas de Classificação-
Palavras-chave: dc.subjectRedes neurais-
Palavras-chave: dc.subjectInvestimentos-
Palavras-chave: dc.subjectAprendizado de Máquina-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectRede neural-
Palavras-chave: dc.subjectInvestimento-
Palavras-chave: dc.subjectOptimal Classification Tree-
Palavras-chave: dc.subjectNeural Networks-
Palavras-chave: dc.subjectInvestiments-
Palavras-chave: dc.subjectMachine Learning-
Título: dc.titlePrevisão de ações da B3 com Optimal Classification Trees e Redes Neurais.-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.