Previsão de Preços de Ações Utilizando Inteligência Artificial

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

Resumo


O uso da Inteligência artificial pode por meio de análise de dados de séries temporais conseguir prever a tendência dos preços das ações possibilitando ajudar na tomada de decisões. O presente artigo teve como objetivo analisar e aplicar técnicas de análise de dados utilizando inteligência artificial para prever tendências dos preços das ações e auxiliar os investidores sobre qual decisão tomar na hora de comprar ou vender. Utilizou-se três algoritmos de aprendizagem de máquina ARIMA, PROPHET e LSTM, onde todos os testes foram realizados no Google Colab e posteriormente após definir o melhor modelo foi elaborado uma aplicação web denominada The Seer com uso do framework Django o que possibilitou a realização das previsões com mais facilidade. A validação dos modelos foi realizada com base nos valores fechamento diário de duas ações e uma ETF negociadas na BM&F Bovespa. Ambos os modelos conseguiram melhor resultado para o período de até 60 dias, sendo que os modelos ARIMA e PROPHET conseguiram melhor precisão para um período de até 30 dias. O modelo LSTM obteve melhor métrica RMSE e MAPE para os 90 dias observado. Por fim pode concluir que o trabalho conseguiu atingir o objetivo proposto.

Palavras-chave: Arima, Prophet, Lstm, Aprendizagem de máquina

Referências

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.
Publicado
31/07/2022
NASCIMENTO, Oberis S.; SANTOS, Felipe G.; FERREIRA, Karl Hansimuller A.. Previsão de Preços de Ações Utilizando Inteligência Artificial. In: BRAZILIAN WORKSHOP ON ARTIFICIAL INTELLIGENCE IN FINANCE (BWAIF), 1. , 2022, Niterói. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2022 . p. 37-47. DOI: https://doi.org/10.5753/bwaif.2022.223129.