Estudo e desenvolvimento de robô preditor para análise de ativos financeiros utilizando machine learning

Prever o comportamento de ativos no mercado financeiro de renda variável é uma tarefa complexa. Desde o início dos pregões eletrônicos, métodos matemáticos e estatísticos são utilizados na tentativa de maximizar lucros dos investidores. Nos últimos anos, os avanços na área de inteligência artificial, principalmente no campo de machine learning, fomentaram o surgimento de modelos e estratégias de predição que já começam a ser adotados por grandes instituições financeiras. Nesse contexto, o presente projeto apresenta um estudo para o desenvolvimento de um robô preditor, que tem a finalidade de explorar os recursos supracitados como ferramenta de análise e predição do comportamento de ativos financeiros. A partir de dados históricos de cotações o robô constrói modelos de regressão baseados nos algoritmos k-Nearest Neighbors (KNN), Random Forests Regressor (RFR) e Support Vector Regressor (SVR), além de utilizar a técnica de stacking composta dos três algoritmos, com objetivo de prever o comportamento do ativo no próximo período. Após a criação dos modelos a sua performance é aferida através do indicador root-mean square error (RMSE) e da taxa de acerto em relação à direção do ativo, denominada ACC. O software é parametrizável através de um arquivo em formato JavaScript Object Notation (JSON) e foi construído na linguagem de programação Python, utilizando a biblioteca sklearn. Para validação do sistema como um todo, foram realizadas predições para os ativos da ITUB4, PETR4 e WEGE3, listados na Brasil Bolsa Balcão no mês de outubro de 2020, em que foram obtidos resultados satisfatórios com ACC de 76,1% para ITUB4 e PETR4, e 80,9% para WEGE3, à exceção da métrica RMSE que apresentou resultados insatisfatórios comparados ao período de teste.