Abstract:
O mercado de ações apresenta desafios analíticos e de volatilidade para
investidores. Visando apoiar a tomada de decisão, este trabalho explora a aplicação
de redes neurais profundas para identificar padrões em dados financeiros e prever o
comportamento de ativos. Para tal, desenvolve-se um pipeline que compara três
arquiteturas de redes neurais — MLP, CNN e LSTM — na previsão de ativos do
Índice Bovespa, utilizando dados históricos enriquecidos com indicadores técnicos.
A avaliação dos modelos emprega uma metodologia de validação cruzada
Walk-Forward Analysis, com a Acurácia Direcional como métrica primária e um
sistema de backtesting para aferir a eficácia financeira de uma estratégia de
otimização de carteira. O objetivo é, portanto, investigar a viabilidade de tal
abordagem e consolidar a pesquisa em uma plataforma de aplicação prática e
educacional para a análise de investimentos com Inteligência Artificial.
