Comparative Analysis between Genetic Programming and Machine Learning Algorithms in Forecasting Financial Trends

• Marcos V. R. Pedroza IFMG
• Carlos A. Silva IFMG

DOI: https://doi.org/10.5753/eniac.2025.14096

Resumo

Este estudo apresenta uma análise comparativa entre a Programação Genética (GP) e cinco algoritmos de aprendizado de máquina (SVM, AdaBoost, XGBoost, LSTM e DNN) aplicados à previsão de tendências financeiras. Os dados utilizados compreendem séries históricas diárias dos índices NASDAQ, S&P 500 e Nikkei 225, no período de janeiro de 2015 a janeiro de 2025. A avaliação do desempenho foi realizada com base nas métricas Sharpe Ratio e Sortino Ratio, considerando tanto o retorno quanto o risco associado. Os resultados indicam que a GP demonstrou maior estabilidade nos mercados asiáticos, enquanto os modelos LSTM e XGBoost se destacaram por seus desempenhos superiores em mercados norte-americanos.

Referências

Atsalakis, G. S., Valavanis, K. P., and Emmanouilides, C. J. (2019). Surveying stock market forecasting techniques – part ii: Soft computing methods. Expert Systems with Applications, 36(3):5932–5941. Disponível na ScienceDirect.

Britannica Money (2025). Financial benchmarks — definition, examples, how to use. [link]. Acessado em 21 de junho de 2025.

Chen, W. et al. (2021). Application of genetic programming in financial trading strategies: A comprehensive study. Journal of Computational Finance, 25(3):121–145.

Fischer, T. and Krauss, C. (2018). Deep learning with long short-term memory networks for financial market predictions. European Journal of Operational Research, 270(2):654–669. Disponível na Elsevier.

Krauss, C., Do, X. A., and Huck, N. (2017). Deep neural networks, gradient-boosted trees, random forests: Statistical arbitrage on the s&p 500. The Journal of Financial Data Science, 39(4):116–127. Disponível na SSRN.

Long, X., Kampouridis, M., and Jarchi, D. (2020). An in-depth investigation of genetic programming and nine other machine learning algorithms in a financial forecasting problem. Applied Soft Computing, 90:106188.

Shen, J. et al. (2020). Hybrid models combining genetic programming and machine learning for financial forecasting. Journal of Applied Soft Computing, 92:106280.

Troyanskaya, O., Cantor, M., Sherlock, G., Brown, P., Botstein, D., Altman, R. B., and Tibshirani, R. (2001). Missing value estimation methods for DNA microarray gene expression data. Bioinformatics, 17(6):520–525.