Navegando por Assunto "Previsão do mercado de ações"

Agora exibindo 1 - 2 de 2

Predição de preços de ações do setor elétrico com aprendizado de máquina
(2026-02-20) Costa, João Vitor de Araújo; Albuquerque Júnior, Gabriel Alves de; http://lattes.cnpq.br/1399502815770584
A previsão de preços de ações é um desafio clássico no mercado financeiro, devido à alta volatilidade e à complexidade dos fatores que influenciam o comportamento dos ativos. Este trabalho tem como objetivo aplicar e comparar diferentes algoritmos de aprendizado de máquina para prever os preços das ações brasileiras TAEE11 (Taesa) e CMIG4 (Cemig), com foco exclusivo em problemas de regressão. Para isso, foram utilizados dados históricos de preços das ações combinados com variáveis macroeconômicas, como taxa de juros, IPCA, IEE e câmbio, além de indicadores técnicos como RSI e MACD. O conjunto de dados compreende o período de 2010 a 2019. Os resultados indicam que o modelo Random Forest apresentou melhor desempenho geral, observando-se as métricas, o modelo apresentou o menor RMSE, MAE, MAPE e maior R².
Previsão de preço de ações de empresas do setor elétrico com algoritmos de aprendizado de máquina
(2025-03-21) Silva, Herculles Hendrius Coutinho Mesquita; Albuquerque Júnior, Gabriel Alves de; http://lattes.cnpq.br/1399502815770584
O presente trabalho tem como objetivo comparar a eficiência de diferentes algoritmos de aprendizado de máquina na previsão de preços de ações do setor de energia elétrica. Para isso, foram analisados quatro algoritmos: Long Short-Term Memory (LSTM), Support Vector Regression (SVR), Regressão Linear e Random Forest. Os dados utilizados compreendem uma série histórica de preços e indicadores adicionais, como inflação, Índice de energia elétrica (IEE) e variação cambial, que foram processados e utilizados como entrada para os modelos. A análise foi realizada com base em métricas de erro, como Erro Médio Absoluto (MAE), Erro Quadrático Médio (MSE) e Raiz do Erro Quadrático Médio (RMSE), bem como pela avaliação da diferença percentual entre os preços previstos e os valores reais. Os resultados mostram que o algoritmo LSTM obteve o melhor desempenho na previsão de preços de fechamento, seguido pela Regressão Linear, enquanto o Random Forest apresentou maior margem de erro e se monstrando inadequado para a aplicação neste problema. Este estudo realiza a aplicação de algoritmos preditivos no mercado financeiro, demonstrando o potencial do aprendizado de máquina como ferramenta para análise e tomada de decisão no setor de energia elétrica.