Autor: Jair Orlando Gonzalez Carmona (Currículo Lattes)
Resumo
Compreender o comportamento financeiro, particularmente no mercado de ações, tem atraído significativo interesse nos últimos anos devido aos avanços na inteligência artificial e seu impacto na economia global. O campo da previsão do mercado de ações, que explora a interação entre finanças e ciência da computação para criar modelos preditivos, visa prever o comportamento de diversos títulos no mercado financeiro. Uma das técnicas mais conhecidas e amplamente utilizadas é o Deep Learning, que emprega diferentes estruturas de redes neurais profundas para aprender modelos não lineares. Neste estudo, utilizamos dados abertos de algumas das maiores empresas do Brasil -- Petrobras (PETR4), Itaúsa (ITSA4) e Vale (VALE3) -- provenientes do BovDB, um conjunto de dados históricos contendo os preços das ações de todas as empresas listadas na bolsa de valores brasileira (B3) de 2000 a 2020. Como parte complementar do pré-processamento, foi aplicado um fator de correção de preços para neutralizar os efeitos de eventos de mercado no comportamento das ações, permitindo que o modelo de Rede Neural Recorrente (RNN) processasse essas informações de maneira mais eficaz. Os resultados mostraram que o uso deste fator de correção melhora significativamente as previsões, reduzindo comportamentos abruptos nos preços das ações e diminuindo o erro de previsão do modelo. Os resultados destacam o potencial do uso de um fator de correção de eventos em dados de ações processados por um modelo RNN, facilitando seu treinamento e fornecendo previsões mais confiáveis.