Análise comparativa das técnicas de previsão da movimentação do dólar no mercado financeiro brasileiro: uma abordagem utilizando Machine Learning

• Víctor Souza Santos UEFS
• Carlos Alberto Rodrigues UEFS

DOI: https://doi.org/10.5753/erbase.2025.13752

Resumo

Este trabalho compara algoritmos de aprendizado de máquina para prever a variação do dólar frente ao real, buscando o modelo mais preciso. Utilizando dados históricos e séries temporais, foram aplicadas técnicas supervisionadas de classificação. Avaliaram-se os algoritmos: Random Forest, Rede Neural, SVR, SVC, Regressão Linear e KNN. Random Forest e Rede Neural se destacaram, com acurácias de 93,68% e 89,47%. Já SVC, SVR e KNN apresentaram desempenho inferior. A Regressão Linear teve desempenho intermediário, servindo como referência. Conclui-se que modelos capazes de capturar relações não lineares são mais eficazes na previsão cambial em cenários voláteis.

Referências

Breiman, L. (2001). Random forests. Machine Learning, 45(1):5–32.

Cortes, C. and Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3):273–297.

Haykin, S. (2001). Redes neurais: princípios e prática. Bookman, 2 edition.

Lin, X., Yang, Z., and Song, Y. (2011). Intelligent stock trading system based on improved technical analysis and echo state network. Expert Systems with Applications, 38(9):11347–11354.

Machado, E. J., de Assis, C. A. S., and Pereira, A. C. M. (2020). Modelagem, implementação e avaliação de estratégias de negociação baseadas em algoritmos de aprendizado de máquina para o mercado financeiro. Revista Brasileira de Computação Aplicada, 12(1):16–31.

Mali, K. (2024). Everything you need to know about linear regression. Blog post.

Ring, M. and Eskofier, B. M. (2016). An approximation of the gaussian rbf kernel for efficient classification with svms. Pattern Recognition Letters, 84:107–113.

Ryll, L. and Seidens, S. (2019). Evaluating the performance of machine learning algorithms in financial market forecasting: a comprehensive survey. arXiv preprint.

Singh, A. (2024). Knn algorithm: introduction to k-nearest neighbors algorithm for regression. Blog post.

Tsantekidis, A., Passalis, N., Tefas, A., Kanniainen, J., Gabbouj, M., and Iosifidis, A. (2017). Forecasting stock prices from the limit order book using convolutional neural networks. In Proceedings of the 2017 IEEE 19th Conference on Business Informatics (CBI), pages 7–12.