.png)
--
--
Este projeto apresenta um estudo inicial de como machine learning pode ser utilizada para realizar predições no preço de ações na bolsa de valores.
A biblioteca PyCaret foi utilizada, pois é uma excelente biblioteca para aqueles que estão iniciando com machine learning, por oferecer uma enorme facilidade para a criação de modelos, tuning e comparação entre o ajuste aos dados de diversos modelos.
Este projeto tem fins de estudo apenas e não representa indicação de compra ou venda qualquer ativo financeiro.
As ações escolhidas para estudo foram as ações preferenciais da empresa Petrobrás, reigstradas na B3 pelo ticker PETR4.
A biblioteca Pandas foi utilizada para a manipulação de dados dentro do dataframe, para remover e acrescentar dados, enquanto a biblioteca yfinance foi utilizada para acessar os dados das ações da Petrobrás disponíveis no site Yahoo Finance.
Dividimos o dataframe original em dois, criando um dataframe contendo os últimos 253 dias de pregão para que testássemos o desempenho de previsão do algoritmo com estes dados de fechamento.
Utilizamos a biblioteca PyCaret para configurar os dados para treinamento e comparamos as métricas de acurácia dos diferentes modelos de regressão disponíveis na biblioteca de regressão do Pycaret.
Após observarmos que o modelo Bayesian Ridge obteve as melhores métricas de acurácia diante dos outros testados pelo Pycaret, realizamos um tuning para melhorar ainda mais as métricas de acurácia e fizemos um último teste com os dados de treinamento para ver como o modelo se comportava.
Por fim, pudemos plotar gráficos relevantes e fazer as predições dos preços dos últimos 253 pregões da PETR4. A biblioteca Plotly foi utilizada para plotar o gráfico final de comparação entre os preços de fechamento da PETR4 e os preços previstos pelo modelo.
A biblioteca PyCaret oferece facilidade e simplicidade à criação de modelos de machine learning, sendo bastante útil para aqueles que ainda são iniciantes na área, o que é o meu caso, permitindo alcançar resultados satisfatórios com poucas linhas de código.
Neste estudo em específico, foi possível atingir um modelo que se ajustou muito bem aos dados analisados e que foi capaz de prever a direção dos preços de fechamento de PETR4 dos últimos 253 dias de forma bastante satisfatória.
É importante lembrar, entretanto, que diversos fatores estão presentes na flutuação de preços de ações, criptomoedas, commodities e demais ativos financeiros e que nenhum modelo matemático ou estatístico será capaz de prever notícias, eventos relevantes, guerras e demais outros fatores que instiguem o medo ou a ganância dos investidores.
Mais uma vez, reforço que este estudo não é recomendação de compra ou venda de quaisquer ativos financeiros.
Publiquei em meu perfil no LinkedIn um artigo onde detalhei as motivações e o desenvolvimento deste projeto com o objetivo de explorar a biblioteca PyCaret para a utilização de Machine Learning para prever o preço de ações na bolsa de valores, que pode ser lido clicando neste link!
Luís Fernando Torres