Stock Price Forecast Use Artificial Intelligence

• Oberis S. Nascimento IFPI
• Felipe G. Santos IFPI
• Karl Hansimuller A. Ferreira IFPI

DOI: https://doi.org/10.5753/bwaif.2022.223129

Abstract

The use of artificial intelligence can, through time series data analysis, predict the trend of stock prices and help decision making. This paper aimed to analyze and apply data analysis techniques using artificial intelligence to predict trends in stock prices and help investors about which decision to make when buying or selling. Three machine learning algorithms were used: ARIMA, PROPHET and LSTM, where all the tests were performed in Google Colab. After defining the best model, a web application called The Seer was developed using the Django framework, which allowed for easier forecasting. The models were validated based on the daily closing values of two stocks and one ETF traded on the BM&F Bovespa. Both models obtained better results for periods of up to 60 days, and the ARIMA and PROPHET models obtained better accuracy for periods of up to 30 days. The LSTM model obtained better RMSE and MAPE metrics for the 90 days observed. Finally, it can be concluded that the work achieved the proposed objective.

Keywords: Arima, Prophet, Lstm, machine learning

References

ASSAF N. A. Mercado financeiro. 14. ed. São Paulo: Atlas, 2018.

BEUREN, Ilse Maria; RAUPP, Fabiano Maury. Como elaborar trabalhos monográficos em contabilidade: teoria e prática. São Paulo: Atlas, 2006. Disponível em: [link].

CAMPOS, B. A. R. M. Análise Comparativa De Técnicas Para A Previsão De Séries Temporais No Contexto De Mercados Financeiros. 2020. 75 f. TCC (Graduação) - Curso de Sistemas de Informação, Universidade Federal de Santa Catarina, Florianópolis, 2020. Disponível em: https://repositorio.ufsc.br/handle/123456789/223843. Acesso em: jul. 2021.

CASTRO, L. N.; FERRARI, D. G. Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016.

COELHO, F. F. Machine learning e análise técnica como ferramentas para construção de portfólios de renda variável no mercado brasileiro. 2020. 89 f. Dissertação (Mestrado) - Curso de Economia, Fundação Getúlio Vargas, Rio de Janeiro, 2020. Disponível em: https://hdl.handle.net/10438/30275. Acesso em: jul. 2021.

D'ÁVILA, M. Z. Bolsa conquista 1,5 milhão de novos investidores em 2020, um aumento de 92% no ano. 2021. Disponível em: [link]. Acesso em: jul. 2021.

HAYASHI, A. H. Processo para predição de preços das ações no mercado financeiro com uso de Big Data. 2017. 90 f. Dissertação (Mestrado) - Curso de Engenharia de Computação: Redes de Computadores, Instituto de Pesquisas Tecnológicas do Estado de São Paulo, São Paulo, 2017. Disponível em: [link]. Acesso em: jul. 2021.

LOBO, L. C. Inteligência artificial, o Futuro da Medicina e a Educação Médica. Revista Brasileira de Educação Médica, [S.L.], v. 42, n. 3, p. 3-8, set. 2018. Disponível em: https://doi.org/10.1590/1981-52712015v42n3RB20180115EDITORIAL1. Acesso em: jul. 2021.

MESQUITA, Caio Mário Henriques Silva da Rocha. Ciência de dados e aprendizado de máquina para predição em séries temporais financeiras. 2019. 107 f. Dissertação (Mestrado) - Curso de Ciência da Computação, Ciência da Computação, Universidade Federal de Minas Gerais, Belo Horizonte, 2019. Disponível em: [link]. Acesso em: jan. 2022.

ROMÃO, Estevão Luiz et al. Estudo Comparativo entre Modelos Autoregressivos Integrados de Médias Móveis e Redes Neurais Artificiais na Modelagem e Previsão de Séries Econométricas. In: ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO, Não use números Romanos ou letras, use somente números Arábicos., 2020, Foz do Iguaçu. Anais [...]. Foz do Iguaçu: Enegep, 2020. p. 1-11. Disponível em: [link]. Acesso em: jan. 2022.

SANTOS, Gustavo Carvalho. Algoritmos de Machine Learning Para Previsão de Ações da B3. 2020. 80 f. Dissertação (Mestrado) - Curso de Engenharia Elétrica, Universidade Federal de Uberlândia, Uberlândia, 2020. Disponível em: [link]. Acesso em: nov. 2021.

SILVA, Jhosefer da. Modelos para Previsão de Demanda de Atendimento em Hospital. 2020. 7 f. Monografia (Especialização) - Curso de Data Science e Big Data, Ciências Exatas, Universidade Federal do Paraná, Curitiba, 2020. Disponível em: [link]. Acesso em: jan. 2022.

SOUZA, Carlos Henrique Neves. Modelo ARIMA para previsão e análise de receita de uma Startup no contexto do COVID-19. 2020. 29 f. TCC (Doutorado) - Curso de Engenharia de Produção, Universidade Federal de Ouro Preto, João Monlevade, 2020. Disponível em: [link]. Acesso em: jan. 2022.

SOUZA, W. B. C. Mineração De Dados Aplicada A Previsão De Preços De Ações Utilizando Weka. 2021. 68 f. TCC (Graduação) - Curso de Bacharel em Ciência da Computação, Universidade Católica de Goiás, Goiânia, 2021. Disponível em: https://repositorio.pucgoias.edu.br/jspui/handle/123456789/1616. Acesso em: jul. 2021.

VASCO, Lucas Pimenta. Um Estudo de Redes Neurais Recorrentes no Contexto de Previsões no Mercado Financeiro. 2020. 48 f. TCC (Graduação) - Curso de Engenharia de Computação, Computação, Universidade Federal de São Carlos – Ufscar, São Carlos, 2020. Disponível em: [link]. Acesso em: jan. 2022.

VILELA, E. H. P.; PENEDO, A. S. T.; PEREIRA, V. S. Aplicação De Redes Neurais Artificiais Na Predição De Preços De Ações Por Indicadores Financeiros. Desafio Online, Campo Grande, v. 6, n. 2, p. 323-244, ago. 2018. Quadrimestral. Disponível em: https://desafioonline.ufms.br/index.php/deson/article/view/5504. Acesso em: jul. 2021.