Use este identificador para citar ou linkar para este item:
https://repositorio.ufpe.br/handle/123456789/63197
Compartilhe esta página
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.contributor.advisor | OLIVEIRA, Adriano Lorena Inácio de | - |
dc.contributor.author | SOBRAL, João Felipe Morais Vasconcelos | - |
dc.date.accessioned | 2025-05-14T13:25:01Z | - |
dc.date.available | 2025-05-14T13:25:01Z | - |
dc.date.issued | 2025-04-10 | - |
dc.date.submitted | 2025-04-18 | - |
dc.identifier.citation | SOBRAL, João Felipe Morais Vasconcelos. Modelagem de incerteza com Random Forest para estratégias de investimento em ações. 2025. Trabalho de Conclusão de Curso (Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2025. | pt_BR |
dc.identifier.uri | https://repositorio.ufpe.br/handle/123456789/63197 | - |
dc.description.abstract | A previsão precisa dos preços das ações no mercado financeiro pode gerar ganhos expressivos para investidores em curtos períodos de tempo. Este estudo investiga a aplicação de um limite de incerteza, calculado a partir do desvio padrão das predições de um modelo Random Forest Regressor, como critério para decidir a realização de operações intradiárias na bolsa de valores. Experimentos foram conduzidos com seis ações do mercado brasileiro para avaliar o impacto dessa abordagem. Os resultados indicam que a inclusão da incerteza como fator decisório mitigou os riscos operacionais ao reduzir significativamente o Máximo Drawdown. Para quantificar esse impacto, foram utilizadas métricas como Taxa de Sucesso, Montante Final, Dias Operados e o próprio Máximo Drawdown, evidenciando a eficácia da metodologia na otimização das estratégias de investimento. | pt_BR |
dc.format.extent | 45p. | pt_BR |
dc.language.iso | por | pt_BR |
dc.rights | openAccess | pt_BR |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Apredizagem de máquina | pt_BR |
dc.subject | Ciência de dados | pt_BR |
dc.subject | Mercado financeiro | pt_BR |
dc.subject | Bolsa de valores | pt_BR |
dc.subject | Day trade | pt_BR |
dc.subject | Random forest | pt_BR |
dc.title | Modelagem de incerteza com Random Forest para estratégias de investimento em ações | pt_BR |
dc.type | bachelorThesis | pt_BR |
dc.contributor.authorLattes | https://lattes.cnpq.br/6790591620247305 | pt_BR |
dc.degree.level | Graduacao | pt_BR |
dc.contributor.advisorLattes | http://lattes.cnpq.br/5194381227316437 | pt_BR |
dc.description.abstractx | Accurate forecasting of stock prices in financial markets can yield significant gains for in vestors over short periods of time. This study investigates the use of an uncertainty threshold, calculated from the standard deviation of predictions made by a Random Forest Regressor, as a decision criterion for executing intraday trading operations on the stock exchange. Experi ments were conducted using six stocks from the Brazilian market to evaluate the impact of this approach. The results indicate that incorporating uncertainty as a decision-making factor helped mitigate operational risks by significantly reducing the Maximum Drawdown. To quan tify this impact, metrics such as Success Rate, Final Capital, Number of Trading Days, and Maximum Drawdown were employed, demonstrating the effectiveness of the methodology in optimizing investment strategies. | pt_BR |
dc.subject.cnpq | Áreas::Ciência da Computação | pt_BR |
dc.degree.departament | ::(CIN-DCC) - Departamento de Ciência da Computação | pt_BR |
dc.degree.graduation | ::CIn-Curso de Ciência da Computação | pt_BR |
dc.degree.grantor | Universidade Federal de Pernambuco | pt_BR |
dc.degree.local | Recife | pt_BR |
dc.identifier.orcid | 0009-0006-0600-9390 | pt_BR |
Aparece nas coleções: | (TCC) - Ciência da Computação |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
TCC João Felipe Morais Vasconcelos Sobral.pdf | 1,77 MB | Adobe PDF | ![]() Visualizar/Abrir |
Este arquivo é protegido por direitos autorais |
Este item está licenciada sob uma Licença Creative Commons