Uma comparação entre aprendizado de máquina tradicional e aprendizado profundo para classificação de títulos de notícias

Abstract

O mercado financeiro é um setor dinâmico que envolve a negociação de diversos ativos, como ações, títulos, moedas e commodities, englobando uma ampla gama de participantes, desde investidores individuais até instituições financeiras. Sua natureza complexa e volátil apresenta desafios e oportunidades associados ao uso de informações relacionadas a cada tipo de ativo. A classificação automática de títulos de notícias é uma tarefa relevante no contexto do aprendizado de máquina, especialmente considerando o crescente volume de informações publicadas diariamente em portais sobre o mercado financeiro. As técnicas tradicionais de aprendizado de máquina vêm sendo complementadas e, em alguns casos, substituídas por métodos mais avançados baseados em aprendizado de máquina profundo. Portanto, o objetivo deste trabalho é realizar a classificação automática de títulos de notí cias relacionadas ao mercado financeiro, analisando modelos tradicionais e de aprendizado profundo. Para isso, foram utilizadas três bases de dados compostas por títulos coletados de portais financeiros (Suno, InfoMoney e Money Times), sendo aplicadas técnicas de pré processamento textual e extração de características. Os modelos de classificação foram avaliados com base em métricas como acurácia e F1-Score. Os melhores resultados foram obtidos com o modelo BERT (Bidirectional Encoder Representations from Transformers), que superou os demais algoritmos em todas as bases, alcançando 83.7% de acurácia para o Suno, 84.8% de acurácia para o InfoMoney e 89.3% de acurácia para o Money Times. Os experimentos demonstram que modelos baseados em aprendizado profundo apresentam desempenho superior em tarefas de classificação de textos curtos, como títulos de notícias, destacando-se como alternativa promissora para categorização automática em domínios especializados.