Use este identificador para citar ou linkar para este item: https://repositorio.ufu.br/handle/123456789/35505
ORCID:  http://orcid.org/0000-0001-9111-4887
Tipo do documento: Trabalho de Conclusão de Curso
Tipo de acesso: 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(es): Gonçalves, Gabriel Alexandre
Primeiro orientador: Lopes, José Eduardo Ferreira
Primeiro membro da banca: Gandolfi, Peterson Elizandro
Segundo membro da banca: Penedo, Antônio Sérgio Torres
Resumo: 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.
Palavras-chave: Investimento
Investment
Previsão
Forecast
Aprendizado de máquina
Machine learning
Área(s) do CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA::ANALISE DE DADOS
Idioma: por
País: Brasil
Editora: Universidade Federal de Uberlândia
Referência: 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
Data de defesa: 11-Ago-2022
Aparece nas coleções:TCC - Gestão da Informação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
ComparaçãoDeModelos.pdfTCC502.88 kBAdobe PDFThumbnail
Visualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons