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

INTRODUÇÃO: Nas últimas décadas, a tecnologia da informação se tornou uma ferramenta indispensável do mercado financeiro. Ela está em toda a infraestrutura do setor e serve como ferramenta essencial para o dia a dia de profissionais como analistas e investidores. Essas soluções fazem com que eles consigam cobrir diversas funcionalidades e atender à uma crescente demanda de informação proveniente do mercado financeiro em um ambiente dinâmico para manejar seus investimentos. OBJETIVOS: Consiste em avaliar qual conjunto de ativos conduz a melhores resultados ao se usar algoritmos de regressão baseado em técnicas tradicionais de Mineração de Dados para realizar a previsão do valor de abertura de um conjunto de ações escolhidas, pertencentes a áreas diferentes. MATERIAIS E MÉTODO: O estudo foi conduzido com dados históricos de ações, commodities e criptomoedas. Foi realizado um diagnóstico das séries temporais para identificar padrões de tendência e sazonalidade. Diversos modelos preditivos foram aplicados: regressão linear, KNN de regressão, árvore de regressão e ARIMA. A escolha dos melhores parâmetros foi feita através de grid search. Os modelos foram avaliados com a métrica RMSE, e os indicadores técnicos (MA-30, RSI e OBV) foram incorporados para verificar sua influência na precisão das previsões. RESULTADOS: Os resultados indicaram que a regressão linear foi eficaz na previsão de preços de ações e commodities menos voláteis, mas teve desempenho insatisfatório para criptomoedas, apresentando altos valores de RMSE. O KNN de regressão mostrou desempenho variado, com melhores resultados para ações e commodities, mas menos eficaz para criptomoedas. A árvore de regressão apresentou bons resultados para ações e commodities, mas dificuldades para criptomoedas. O modelo ARIMA se destacou por sua capacidade de lidar com a volatilidade, mostrando melhores resultados com o MA-30 para ações e commodities e o RSI14 para criptomoedas. CONSIDERAÇÕES FINAIS: A escolha do modelo preditivo deve ser adaptada às características específicas de cada ativo financeiro. Modelos simples, como a regressão linear, podem ser eficazes em mercados menos voláteis, enquanto modelos mais complexos, como o ARIMA, são necessários para lidar com a dinâmica e a volatilidade dos mercados financeiros, especialmente em criptomoedas. A integração de técnicas avançadas de machine learning e a contínua evolução das ferramentas de análise prometem aprimorar a acurácia das previsões e apoiar decisões estratégicas no mercado financeiro.

PALAVRAS-CHAVE: Previsão; Machine Learning; Regressão; Mercado Financeiro; Indicadores.