Utilização de aprendizado de máquina como indicativo de tendência de movimentação de preços no mercado financeiro

• Processo: 20/08646-0
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de agosto de 2020
• Data de Término da vigência: 31 de julho de 2021
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Renato Fernandes Cantão
• Beneficiário: Giovana de Fatima Moraes
• Instituição Sede: Centro de Ciências e Tecnologias para a Sustentabilidade (CCTS). Universidade Federal de São Carlos (UFSCAR). Sorocaba , SP, Brasil
• Assunto(s): Aprendizado computacional Redes neurais (computação) Análise de séries temporais Bolsa de valores Mercado financeiro Tomada de decisão
• Palavra(s)-Chave do Pesquisador: Análise técnica | Aprendizado de Máquina | Mercado de Ações | Redes neurais | Séries Temporais | Aprendizado de máquina

Resumo

A bolsa de valores é extremamente dinâmica, o que torna operar no mercado de ações uma tarefa complexa e com alto risco embutido. Em contrapartida, os retornos podem ser bem superiores às demais modalidades de investimento. Tentar antecipar os movimentos de precificação dos ativos nesse ambiente pode reduzir significativamente o risco de operação, embora não exista um consenso quanto a possibilidade de realizar este tipo de predição. Partindo das premissas da Análise Técnica de que o mercado assimila desde fatores políticos à emocionais, e a movimentação de preços segue determinada tendência e os padrões observados tendem a ser recorrentes, este projeto de pesquisa propõe o estudo de predições de tendência de movimentação dos preços de ações no mercado financeiro brasileiro utilizando aprendizado de máquina, em particular, as técnicas Support Vector Machine (SVM) e redes Long Short Term Memory (LSTM), a fim de otimizar o processo de tomada de decisões. Para o treinamento dos algoritmos serão utilizadas séries temporais financeiras contendo o histórico de preços dos ativos selecionados, bem como indicadores técnicos que serão gerados a partir das séries. A partir dos resultados obtidos nos testes, fase subsequente ao treinamento, serão analisadas as classificações através de métricas que comparam os valores reais e os obtidos pelos algoritmos, permitindo verificar o método mais eficiente para a resolução do problema. A aplicação das técnicas mencionadas será realizada por meio da linguagem de programação Python, uma das principais linguagens adotadas atualmente em Ciência de Dados e Aprendizado de Máquina.