Estudo de caso: aplicação de machine learning para a previsão de tendências das ações das bolsas de valores brasileira e norte americana

• Autor(a) principal: Rodella, Vinícius Gomes
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/239653
• topic: Inteligência Artificial; Mercado de capitais; Artificial Intelligence; Capital market

A predição da tendência no mercado acionário é um trabalho difícil, uma vez que os bens negociados tendem a sofrer diversas influências, como a política internacional, o movimento do câmbio e a política interna do país em que o ativo está sendo negociado. Apesar disso, o profissional trader aplica técnicas gráficas e de indicadores para a detecção de padrões e assim efetuar sua análise buscando operar com alta frequência na bolsa na tentativa de obter ganhos significativos, contrariando a hipótese do mercado eficiente. Esta detecção de padrões e a possibilidade da análise de séries temporais, também permitem a realização de diversos estudos que buscam modelar possíveis tendências dos ativos, sendo impulsionado pelo avanço da inteligência artificial, possibilitando que um hardware mais robusto execute modelos robustos e complexos. Neste contexto, este trabalho busca uma nova abordagem para este campo de pesquisa apresentando a aplicação dos métodos de machine learning: Random Forest e Adaboost, capazes de seguirem uma determinada estratégia de investimento utilizando análise gráfica das ações, buscando prever a tendência de alta ou de baixa dos ativos nas bolsas de valores brasileira e norte americana em diferentes períodos. Desta maneira, foi desenvolvido uma metodologia utilizando 6 ações de cada região em estudo, onde foi escolhida a seguinte combinação dos indicadores para os modelos: média móvel, índice de força relativa, divergência e convergência da média móvel e taxa de variação. Durante o desenvolvimento, métodos diferentes para o cálculo dos indicadores e a captura dos dados foram testados, verificando também, a necessidade do balanceamento dos dados e uma melhor escolha dos períodos de análise para cada ação com a finalidade de atingir uma predição satisfatória, ou seja, onde a inteligência artificial (IA) tenha aprendizado real, evitando o overffiting. Assim, os resultados indicam que as ações norte americanas variaram menos do que as brasileiras e isso pode ser justificado pela maior volatilidade da bolsa brasileira. Por fim, o uso desses modelos de aprendizado de máquina aplicados para previsão das tendências das ações nas bolsas de valores mostrou-se inviável na prática devido a necessidade de balancear os dados, mas com um potencial muito promissor.