Explorando Estratégias para Previsão de Séries Temporais no Mercado de Renda Variável : Uma Abordagem Baseada em Modelos de Deep Learning e Machine Learning

Abstract

O objetivo deste Trabalho de Conclusão de Curso é investigar e comparar o desempenho de modelos de Machine Learning e Deep Learning na previsão de séries temporais financeiras, utilizando como benchmark o passeio aleatório. A análise considera três modelos principais: LSTM (Long Short-Term Memory), com capacidade de capturar dependências temporais de longo prazo; SVM (Support Vector Machine), reconhecida e utilizada por sua robustez em tarefas de regressão; e Random Forest, um modelo baseado em árvores de decisão amplamente utilizado em análises preditivas. Para fundamentar essa escolha dos modelos e das métricas de avaliação, foi realizada uma revisão sistemática na literatura recente. Os experimentos buscam verificar se essas técnicas avançadas de previsão oferecem desempenho superior ao passeio aleatório, modelo amplamente usado como linha de base em estudos financeiros. Os resultados pretendem contribuir com a área de Finanças Computacionais, a fim de oferecer subsídios para uma tomada de decisão mais informada por parte de investidores e analistas.