Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/39875| Título: | O uso de machine learning para previsibilidade do valor de ações da empresa 3M |
| Título(s) alternativo(s): | The use of machine learning for predicting the stock value of company 3M |
| Autor(es): | Vinchi, Pedro Henrique Ferreira |
| Orientador(es): | Palácios, Rodrigo Henrique Cunha |
| Palavras-chave: | Redes Neurais (Computação) Arquitetura de computador Ações (Finanças) Neural networks (Computer science) Computer architecture Stocks |
| Data do documento: | 24-Jun-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Cornelio Procopio |
| Citação: | VINCHI, Pedro Henrique Ferreira. O uso de machine learning para previsibilidade do valor de ações da empresa 3M. 2025. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Software) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2025. |
| Resumo: | A previsibilidade do valor de ações no mercado financeiro representa um desafio constante, considerando a complexidade e a diversidade de fatores econômicos, políticos e sociais que influenciam os preços dos ativos. Métodos tradicionais de análise, embora ainda relevantes, muitas vezes não conseguem capturar adequadamente as interações não lineares e os padrões temporais complexos presentes nos dados financeiros. Diante disso, este trabalho propõe e avalia a eficácia de um modelo de Machine Learning baseado em Redes Neurais Recorrentes (RNN), com a arquitetura Long Short-Term Memory (LSTM), para prever com maior precisão o valor das ações da empresa 3M. A solução foi implementada com dados históricos de fechamento das ações, utilizando técnicas de regularização como Early Stopping e Dropout para melhorar o desempenho do modelo e evitar o overfitting. Os resultados obtidos foram promissores, com o modelo alcançando um erro médio quadrático (R2) superior a 70% nos cenários de teste, demonstrando o potencial do aprendizado profundo como ferramenta de análise e previsão no mercado financeiro. Assim, a principal contribuição deste estudo é oferecer uma abordagem que pode auxiliar investidores e analistas na tomada de decisões mais fundamentadas, contribuindo para o aprimoramento de estratégias de investimento e gestão de risco. |
| Abstract: | The predictability of stock prices in the financial market represents a constant challenge, consi- dering the complexity and diversity of economic, political, and social factors that influence asset prices. Traditional methods of analysis, although still relevant, often fail to adequately capture the non-linear interactions and complex temporal patterns present in financial data. In light of this, this work proposes and evaluates the effectiveness of a Machine Learning model based on Re- current Neural Networks (RNN), with a Long Short-Term Memory (LSTM) architecture, to more accurately predict the stock value of the 3M company. The solution was implemented with historical stock closing data, using regularization techniques such as Early Stopping and Dropout to improve the model's performance and prevent overfitting. The results obtained were promising, with the model achieving a mean squared error (R2) greater than 70% in the test scenarios, demonstrating the potential of deep learning as a tool for analysis and forecasting in the financial market. Thus, the main contribution of this study is to offer an approach that can assist investors and analysts in making more informed decisions, contributing to the improvement of investment and risk management strategies. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/39875 |
| Aparece nas coleções: | CP - Engenharia de Software |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| machinelearningpredicaoacao.pdf | 718,56 kB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
