PREVISÃO DO VALOR DE ABERTURA DE AÇÕES USANDO CLASSIFICADORES BASEADO NO USO DE INDICADORES

INTRODUÇÃO: O investidor moderno depende da tecnologia para acompanhar o vasto fluxo de informações e tomar decisões informadas no mercado financeiro. A previsão é uma ferramenta essencial, baseada na observação de padrões de um fenômeno e usada para estimar seu comportamento futuro. Este projeto visa avaliar conjuntos de ativos através de técnicas de Mineração de Dados, especificamente a previsão do valor de abertura de ações utilizando algoritmos de classificação. OBJETIVOS: O objetivo principal é determinar, através da técnica de agrupamento “clustering”, um conjunto de ações com comportamentos diferenciados para prever seu valor de abertura. Os objetivos específicos incluem a criação de bases de dados, implementação e execução de algoritmos de classificação e análise dos resultados para identificar a performance dos modelos em diferentes cenários. MATERIAIS E MÉTODO: Utilizou-se o Google Collaboratory para Análise de Dados e Machine Learning, com dados históricos obtidos via yfinance. O processo envolveu tratamento de dados, análise de normalidade e uso de indicadores técnicos como MA-30, RSI14 e OBV. Os modelos de classificação empregados foram Floresta Aleatória, KNN e Naïve Bayes. As bases de dados foram divididas em conjuntos de treinamento e teste, com algumas métricas para avaliar a qualidade das previsões. RESULTADOS: Os resultados mostram que ações e criptomoedas apresentam melhor desempenho com os indicadores MA-30 e RSI14 em Floresta Aleatória e KNN, enquanto commodities respondem melhor ao OBV. O classificador KNN destacou-se com menor erro RMSE e maior acurácia em geral. A análise evidenciou que os modelos classificadores, apesar de serem menos convencionais para séries temporais, são viáveis e eficientes para previsão quando combinados com indicadores técnicos adequados. CONSIDERAÇÕES FINAIS: Conclui-se que os modelos de classificação Floresta Aleatória e KNN são eficazes para prever valores de abertura de ativos, especialmente com o uso de indicadores MA-30 e RSI14 para ações e criptomoedas, e OBV para commodities. As commodities devem ser mais exploradas para soluções mais eficazes em relação aos indicadores. A técnica KNN teve maior acurácia com commodities do que outros classificadores.

PALAVRAS-CHAVE: Previsão; Machine Learning; Classificação; Mercado Financeiro; Indicadores financeiros