Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.ufu.br/handle/123456789/35505
ORCID:  http://orcid.org/0000-0001-9111-4887
Tipo de documento: Trabalho de Conclusão de Curso
Tipo de acceso: Acesso Aberto
Título: Comparação de modelos de machine learning para previsão de preço de fechamento de uma ação do setor bancário listada na B3
Autor: Gonçalves, Gabriel Alexandre
Primer orientador: Lopes, José Eduardo Ferreira
Primer miembro de la banca: Gandolfi, Peterson Elizandro
Segundo miembro de la banca: Penedo, Antônio Sérgio Torres
Resumen: Este estudo aborda investimentos e aprendizado de máquina, realizando uma comparação entre os algoritmos Árvore de Decisão, Random Forest e Regressão Linear. O Objetivo deste trabalho é prever o preço do ativo ITUB4, e comparar as previsões dos três algoritmos utilizados. Para esse fim, foram coletadas informações financeiras do ativo, e feita a engenharia de dados para criar os insumos finais a serem utilizados pelos algoritmos de previsão. Os resultados mostram que todos os modelos conseguiram ter boas previsões para o período em que foi proposto.
Palabras clave: Investimento
Investment
Previsão
Forecast
Aprendizado de máquina
Machine learning
Área (s) del CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA::ANALISE DE DADOS
Idioma: por
País: Brasil
Editora: Universidade Federal de Uberlândia
Cita: GONÇALVES, Gabriel Alexandre. Comparação de modelos de machine learning para previsão de preço de fechamento de uma ação do setor bancário listada na B3. 2022. 15 f. Trabalho de Conclusão de Curso (Graduação em Gestão da Informação) – Universidade Federal de Uberlândia, Uberlândia, 2022.
URI: https://repositorio.ufu.br/handle/123456789/35505
Fecha de defensa: 11-ago-2022
Aparece en las colecciones:TCC - Gestão da Informação

Ficheros en este ítem:
Fichero Descripción TamañoFormato 
ComparaçãoDeModelos.pdfTCC502.88 kBAdobe PDFVista previa
Visualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons