Rede neural preditiva

Abstract

Este trabalho apresenta o desenvolvimento e implementação de uma arquitetura de rede neural artificial para previsão de tendências de preços de ações utilizando dados históricos de mercado. A pesquisa foi conduzida através de uma metodologia experimental que envolveu a coleta de dados históricos via API YFinance, seguida de extenso pré-processamento utilizando as bibliotecas NumPy e Pandas para tratamento, normalização e limpeza dos dados. Duas arquiteturas distintas foram implementadas e comparadas: redes neurais feedforward densas e redes neurais recorrentes do tipo LSTM (Long Short-Term Memory), ambas desenvolvidas em TensorFlow/Keras. O modelo LSTM demonstrou desempenho superior. A acurácia na identificação de movimentos direcionais (alta/baixa) atingiu 51.2% no conjunto de teste, superando significativamente métodos tradicionais. A validação cruzada temporal e testes de robustez em períodos de alta volatilidade confirmaram a estabilidade do modelo proposto. Como contribuição prática, foi desenvolvido um protótipo com interface gráfica interativa utilizando Matplotlib e Tkinter, facilitando a interpretação das previsões por usuários sem formação técnica especializada. Os resultados demonstram que a abordagem proposta não apenas supera as limitações de linearidade dos modelos econométricos tradicionais, mas também contribui significativamente para a democratização do acesso a ferramentas avançadas de análise financeira, tornando-as acessíveis a investidores individuais e pequenos escritórios de investimento.