Machine Learning for Stocks Prediction

O mercado de ações é intrinsecamente arriscado e difícil de prever, uma vez que é composto por séries temporais que apresentam comportamento não-linear, complexo e dinâmico. Por conseguinte, a previsão dessas séries temporais requer a utilização de al- goritmos de aprendizagem automática capazes de lidar com a volatilidade e complexidade inerentes ao mercado de ações. Neste MFW pretende-se realizar previsões mensais dos retornos das ações que pertencem ao SP500. Para tal, numa primeira fase, será utilizado um algoritmo de agru- pamento - Hierarchical Clustering - para encontrar grupos de ações correlacionadas e, numa segunda fase, um algoritmo de aprendizagem profunda - LSTM - será utilizado para prever os retornos mensais dos grupos de ações encontrados na fase anterior. Ou seja, a previsão do retorno de uma ação A será feita com base em ações que têm retornos mensais correlacionados com a ação A. Deste modo, será feita uma análise multivariada, de ma- neira que a previsão do retorno da ação A dependa não apenas dos seus retornos anterio- res, mas também dos retornos anteriores das ações que estão correlacionadas com a ação A. Consequentemente, será possível captar a dinâmica de múltiplas séries temporais si- multaneamente e aproveitar as dependências entre essas séries para obter melhores pre- visões. Para concluir, explora-se a possibilidade de que se num grupo de ações correlaci- onadas, a maioria das previsões indicar uma subida, então espera-se que todas as ações pertencentes a esse grupo tenham um movimento de subida. No final, os resultados obti- dos mostram que a metodologia utilizada permite: (a) obter previsões de retornos que estão longe dos retornos reais; (b) bons retornos no portfólio; (c) reduzir o impacto de previsões incorretas no portfólio.