Publicação: Predição de tendências no mercado americano com Random Forest
Carregando...
Arquivos
Data
Autores
Orientador
Prado, Simone das Graças Domingues Prado 

Coorientador
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 estudo explora a aplicação de técnicas avançadas de inteligência artificial no contexto da análise e predição de movimentos no mercado financeiro, com ênfase na implementação de modelos de aprendizado de máquina para aprimorar a tomada de decisões de investimento. Dentre as abordagens desenvolvidas, destaca-se o modelo Random Forest, estruturado como um ensemble de múltiplas árvores de decisão para combinar de forma eficaz dados provenientes de indicadores financeiros amplamente utilizados. Tal abordagem visa à identificação precisa de sinais de compra e venda, capturando padrões complexos presentes nos ativos analisados. A análise de séries temporais foi aplicada em ativos selecionados do mercado financeiro americano, utilizando dados históricos para avaliar a capacidade preditiva do modelo, bem como sua eficácia na mitigação de riscos inerentes à volatilidade dos mercados. O processo de desenvolvimento incluiu técnicas de validação cruzada e tratamento dos dados, com o objetivo de maximizar o desempenho do modelo, reduzindo o sobreajuste e aprimorando sua generalização. Ademais, foi desenvolvida uma solução web que abrange tanto o treinamento de modelos quanto a visualização das oportunidades de compra e venda no mercado americano, permitindo ao usuário buscar ações específicas e obter resultados do modelo em tempo real, bem como se inscrever para receber notificações automáticas sempre que surgirem oportunidades de compra ou venda. Como res ultado, este trabalho apresenta uma aplicação automatizada e de alta confiabilidade que sugere oportunidades de investimento, evidenciando o potencial da inteligência artificial na análise preditiva do mercado financeiro.
Resumo (inglês)
This study explores the application of advanced artificial intelligence techniques in the context of analyzing and predicting movements in the financial market, with an emphasis on the implementation of machine learning models to enhance investment decision-making. Among the developed approaches, the Random Forest model stands out, structured as an ensemble of multiple decision trees to effectively combine data from widely used financial indicators. This approach aims to accurately identify buy and sell signals, capturing complex patterns present in the analyzed assets. Time series analysis was applied to selected assets from the American financial market, using historical data to assess the model’s predictive capacity as well as its effectiveness in mitigating risks inherent to market volatility. The development process included crossvalidation techniques and data treatment, aiming to maximize the model’s performance by reducing overfitting and enhancing generalization. Furthermore, a web solution was developed to encompass both model training and visualization of buy and sell opportunities in the American market, allowing users to search for specific stocks and obtain real-time model results, as well as subscribe to receive automatic notifications whenever buy or sell opportunities arise. As a result, this work presents an automated and highly reliable application that suggests investment opportunities, highlighting the potential of artificial intelligence in predictive analysis of the financial market.
Descrição
Palavras-chave
Inteligência artificial, Aprendizado de máquina, Floresta aleatória, Indicadores financeiros, Mercado financeiro americano, Artificial intelligence, Machine learning, Random forest, Financial indicators, American financial market
Idioma
Português
Como citar
PARIZOTTO, Gabriel Zanforlin. Predição de tendências no mercado americano com Random Forest. Orientador: Simone das Graças Domingues Prado. 2024. 56 f. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Estadual Paulista, Bauru, 2024.