Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Silva, Diogo Ferreira de Lima | - |
Autor(es): dc.contributor | Costa, Helder Gomes | - |
Autor(es): dc.contributor | Roboredo, Marcos Costa | - |
Autor(es): dc.creator | Mendes, Miguel Nobrega | - |
Data de aceite: dc.date.accessioned | 2025-08-21T20:11:56Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T20:11:56Z | - |
Data de envio: dc.date.issued | 2025-07-31 | - |
Data de envio: dc.date.issued | 2025-07-31 | - |
Fonte completa do material: dc.identifier | https://app.uff.br/riuff/handle/1/39569 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1056435 | - |
Descrição: dc.description | A 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.description | Forecasting 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.description | 95 f. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Árvores Ótimas de Classificação | - |
Palavras-chave: dc.subject | Redes neurais | - |
Palavras-chave: dc.subject | Investimentos | - |
Palavras-chave: dc.subject | Aprendizado de Máquina | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Rede neural | - |
Palavras-chave: dc.subject | Investimento | - |
Palavras-chave: dc.subject | Optimal Classification Tree | - |
Palavras-chave: dc.subject | Neural Networks | - |
Palavras-chave: dc.subject | Investiments | - |
Palavras-chave: dc.subject | Machine Learning | - |
Título: dc.title | Previsão de ações da B3 com Optimal Classification Trees e Redes Neurais. | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: