Previsão de preços de ações com técnicas de aprendizado profundo: um estudo com redes neurais recorrentes em empresas brasileiras

Abstract

A previsão de preços de ações é um desafio central no mercado financeiro devido à natureza volátil e não linear das séries temporais. Com a crescente demanda por ferramentas preditivas mais precisas, técnicas de aprendizado profundo, como as Redes Neurais Recorrentes (RNNs), têm se destacado. Este estudo realiza uma análise comparativa do desempenho dos modelos Gated Recurrent Unit (GRU) e Long Short-Term Memory (LSTM), além de ensemble que com bina ambos, na tarefa de prever os preços de fechamento de 16 ações do mercado brasileiro, distribuídas em quatro setores distintos (Varejo, Bancário, Energia e Tecnologia). O desem penho dos modelos propostos foi comparado a um baseline: uma rede neural não recorrente, a Multi-Layer Perceptron (MLP). A metodologia foi conduzida em duas fases: uma com hi perparâmetros padrão e outra com otimização via Grid Search. Os resultados demonstram que os modelos recorrentes propostos são estatisticamente superiores ao baseline (valor-p < 0,05). A fase de otimização resultou em uma melhora média notável no Erro Percentual Absoluto Médio (MAPE), com uma redução de até 32,13% para o modelo LSTM. Dentre os modelos otimizados, o GRU emergiu como o mais robusto, apresentando o melhor equilíbrio entre baixo erro e estabilidade de desempenho em todos os setores analisados. Conclui-se que as arquite turas GRU após a otimização, representam uma ferramenta altamente eficaz para a predição de preços de ações, oferecendo percepções valiosas que podem auxiliar na tomada de decisão de investidores e mitigar riscos no mercado financeiro.