@MASTERSTHESIS{ 2025:938931296,
 	title = {Aplicação de Estratégias Híbridas de Aprendizado Profundo na Estimação de Preços no Mercado de Ações Brasileiro},
 	year = {2025},
 	url = "https://tede.unioeste.br/handle/tede/7816",
 	abstract = "No Brasil, a B3 é a bolsa de valores onde ocorre a negociação de diversos tipos de ativos, como
 ações de empresas, commodities, moedas, fundos imobiliários, entre outros. A série temporal de
 dados do mercado de ações representa uma sequência de informações, que podem incluir preço
 de abertura, fechamento, preços máximo e mínimos de uma ação, coletados ao longo do tempo.
 Muitos economistas, investidores e pesquisadores tentam entender o seu comportamento a fim
 de obter uma previsão das ações financeiras, o que é um desafio devido à sua não linearidade e
 complexidade. Este trabalho se propôs a analisar a aplicabilidade de estratégias de aprendizado
 de máquina e de aprendizado profundo na predição dos valores de um conjunto das ações mais
 negociadas na B3. Tais estratégias envolveram modelos MLP, SVM, Bagging, Random Forest,
 XGBoost, redes neurais recorrentes com células LSTM e GRU, CNN e redes híbridas combinando
 redes convolucionais e redes recorrentes. Os dados temporais dos ativos e de outros índices
 financeiros foram coletados através do site especializado investing.com em um intervalo de 2013
 à 2023, em amostragem diária, e através destes dados foram construídas a base de imagens para
 alimentação da CNN, sob a forma de representação de blocos, de gráfico de linhas e de gráfico
 de velas. O estudo teve como objetivo criar um modelo robusto e eficaz de aprendizado de
 máquina, sob a perspectiva de análises univariadas e multivariadas, e compará-lo com métodos
 consolidados na literatura aplicados ao mesmo problema, analisando as métricas MAE, RMSE e
 o coeficiente de correlação de Pearson. Os resultados mostraram que os modelos MLP e Bagging
 atingiram melhores métricas para todos os cenários testados, obtendo RMSEs abaixo de 0,4
 e 0,7, respectivamente, e ressaltando a importância da calibração de seus hiperparâmetros. A
 abordagem de blocos para as redes híbridas se mostrou bastante promissora, que apesar de
 não obter as melhores métricas de erros, suas correlações foram significativamente altas em
 geral, o que possibilita uma maior exploração sobre esse contexto. Além disso, evidenciou-se a
 aplicabilidade de dados estruturados como entradas para uma CNN voltada para predição do
 valor de ações.",
 	publisher = {Universidade Estadual do Oeste do Paraná},
 	scholl = {Programa de Pós-Graduação em Ciência da Computação},
 	note = {Centro de Ciências Exatas e Tecnológicas}
}