SR-KIF: Uma Ferramenta para Identificação da Variação do Nível de Valores de Ativos Financeiros

• Arlino Henrique M. de Araújo UFPI
• José Jeovane R. Cordeiro UFPI / IFMA
• Victor Gabriel C. Rodrigues UFPI
• Guilherme A. Avelino UFPI

DOI: https://doi.org/10.5753/sbsi_estendido.2026.248996

Resumo

Suporte e resistência são comumente utilizados por traders e investidores nas tomadas de decisões, visto que eles representam momentos em que compradores e vendedores demonstraram interesse significativo em um ativo financeiro. Contudo, identificar suporte e resistência pode ser uma tarefa subjetiva devido a fatores como interpretação do analista, inferências e psicologia do mercado. Este artigo propõe uma ferramenta para identificar níveis de suporte e resistência de forma automática e objetiva com o mínimo de intervenção humana. Os resultados obtidos indicam uma solução generalizável capaz de se adaptar a diferentes mercados, granularidades de tempo e configurações analíticas.

Referências

Bagul, J., Warkhade, P., Gangwal, T., and Mangaonkar, N. (2022). Arima vs lstm algorithm – a comparative study based on stock market prediction. In 2022 5th International Conference on Advances in Science and Technology (ICAST), pages 49–53.

Cocco, L., Tonelli, R., and Marchesi, M. (2019). An agent-based artificial market model for studying the bitcoin trading. IEEE Access, 7:42908–42920.

Cordeiro, J. J. R., de Araújo, A. H. M., and Rodrigues, G. A. (2026). Scalper major: A computational solution for automated trading in high volatility environments. In Simpósio Brasileiro de Sistemas de Informação (SBSI). SBC.

Cordeiro, J. J. R., de Araújo, A. H. M., Rodrigues, V. G. C., and Avelino, G. A. (2025). Redução da subjetividade na identificação da variação do nível de valores de ativos financeiros. In Simpósio Brasileiro de Banco de Dados (SBBD), pages 222–235. SBC.

Costa, N. S. S. d. (2016). Aplicação da teoria do valor extremo em séries do mercado de câmbio.

de Castro, M. Q. and Ralha, C. G. (2025). Identificando divergências jurisprudenciais com técnicas de inteligência artificial para apoio de sistemas de informaçao judiciais. In Simpósio Brasileiro de Sistemas de Informação (SBSI), pages 289–295. SBC.

Deepika, D., Pogiri, D., Pandravisham, L. R., Prudvi, Y. K., and Ramannagari, S. R. (2024). Anomaly network traffic detection of wireless network system. In 2024 5th International Conference on Electronics and Sustainable Communication Systems (ICESC), pages 703–708.

Hsieh, D. A. (1991). Chaos and nonlinear dynamics: application to financial markets. The journal of finance, 46(5):1839–1877.

Noertjahyana, A., Noertjahyana, A., Abas, Z. A., and Yusoh, Z. I. M. (2019). Combination of candlestick pattern and stochastic to detect trend reversal in forex market. In 2019 4th Technology Innovation Management and Engineering Science International Conference (TIMES-iCON), pages 1–4.

Osler, C. L. (2000). Support for resistance: technical analysis and intraday exchange rates. Economic Policy Review, 6(2).

Patel, J., Shah, S., Thakkar, P., and Kotecha, K. (2015). Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques. Expert systems with applications, 42(1):259–268.

Temür, G., Birogul, S., and Kose, U. (2024). Comparison of stock “trading” decision support systems based on object recognition algorithms on candlestick charts. IEEE Access, 12:83551–83562.

Yıldırım, E. O., Uçar, M., and Özbayoğlu, A. M. (2019). Evolutionary optimized stock support-resistance line detection for algorithmic trading systems. In 2019 1st International Informatics and Software Engineering Conference (UBMYK), pages 1–6.