Publicação: Aplicação de técnicas de aprendizado de máquina como estratégia operacional no mercado de capitais brasileiro
Carregando...
Arquivos
Data
Autores
Orientador
Roder, Mateus
Coorientador
Rossi, André Luis Debiaso 
Pós-graduação
Curso de graduação
Bauru - FC - Ciência da Computação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
Este trabalho investiga a aplicação de técnicas de aprendizado de máquina para maximizar o retorno financeiro no mercado de capitais brasileiro, utilizando os algoritmos Random Forest, Support Vector Machine e XGBoost. O estudo visa construir e avaliar portfólios de ativos com base em previsões de movimentações do mercado. Os dados históricos foram obtidos por meio do Yahoo Finance, e indicadores financeiros foram extraídos para alimentar os modelos. A análise compara o desempenho dos modelos em termos de retorno percentual e índice de Sharpe no período de janeiro de 2022 a outubro de 2024. Os resultados revelam que os modelos de aprendizado de máquina ofereceram uma relação risco-retorno muito superior ao Ibovespa, mais estável em casos como o Random Forest, mas com destaque em retorno acumulado para o XGBoost, também com o maior índice de Sharpe. Comparados ao Ibovespa, todos os modelos apresentaram retornos mais elevados e maior consistência, o que aponta para o potencial do aprendizado de máquina em estratégias de investimento seguras e rentáveis, uma vez que todos os modelos levaram a valores de retorno percentual acumulado de mais de 150% em pouco menos de três anos.
Resumo (inglês)
This work investigates the application of machine learning techniques to maximize financial returns in the Brazilian capital market, using the Random Forest, Support Vector Machine and XGBoost algorithms. The study aims to build and evaluate asset portfolios based on forecasts of market movements. Historical data were obtained through Yahoo Finance, and financial indicators were extracted to feed the models. The analysis compares the performance of the models in terms of percentage return and Sharpe ratio in the period from January 2022 to October 2024. The results reveal that the machine learning models offered a much higher risk-return ratio than the Ibovespa, more stable in cases such as the RF, but with a highlight in cumulative return for XGBoost, also with the highest Sharpe ratio. Compared to Ibovespa, all models showed higher returns and greater consistency, which points to the potential of machine learning in safe and profitable investment strategies, since all models led to cumulative percentage return values of more than 150% in just under three years.
Descrição
Palavras-chave
Aprendizado de máquina, Inteligência artificial, Mercado Financeiro, Otimização de portfólio, Índice de Sharpe, ML, IA, Financial market, Portfolio optimization, Sharpe ratio, RF, SVM, XGBoost
Idioma
Português
Como citar
NISHIMOTO, Lucas Yuki. Aplicação de técnicas de aprendizado de máquina como estratégia operacional no mercado de capitais brasileiro. Orientador: Mateus Roder. 2024. 71 f. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Estadual Paulista, Bauru, 2024.
