Gustavo Freire Pastorelli Aguiar; Marcio Pereira Basilio

DOI: 10.22167/2675-6528-202600880

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

Este estudo investigou o potencial da aplicação de algoritmos de Machine Learning na previsão de tendências do mercado acionário brasileiro, visando apoiar a tomada de decisão em investimentos. A pesquisa, de natureza aplicada e abordagem quantitativa, empregou um delineamento exploratório-descritivo, utilizando séries temporais de ações negociadas na B3. Dados históricos foram coletados de bases públicas via biblioteca yfinance em Python. A metodologia integrou análise técnica tradicional, com cálculo de indicadores como médias móveis, Bandas de Bollinger e Fibonacci, e modelagem preditiva, aplicando o modelo Prophet para decomposição de séries temporais e geração de previsões de curto prazo. O desempenho preditivo foi avaliado por métricas como RMSE, MAPE e R². Os resultados preliminares indicaram boa aderência do modelo aos dados históricos e coerência nas projeções, embora tenha sido observada sensibilidade a períodos de alta volatilidade. O modelo Prophet demonstrou maior precisão preditiva em comparação com a regressão linear, especialmente na captura de tendências e variações de curto prazo. Concluiu-se que a integração de algoritmos de Machine Learning com a análise técnica tradicional oferece uma ferramenta auxiliar promissora para a compreensão da dinâmica do mercado e para a tomada de decisões de investimento mais informadas e conscientes.

Palavras-chave: Algoritmos preditivos; B3; Modelagem preditiva; Séries temporais; Tomada de decisão.

1. Introdução

O mercado financeiro, com sua complexidade e vasto volume de dados, demanda abordagens analíticas avançadas. Algoritmos capazes de identificar padrões ocultos nos dados financeiros surgem como alternativa promissora à análise tradicional. Esses modelos oferecem mais que rapidez, permitindo o reconhecimento de variáveis e correlações dificilmente percebidas pela análise humana (Silva et al., 2022). Tal capacidade analítica é estratégica em um contexto de informações em tempo real, influenciando diretamente a eficiência das decisões de investimento.

No mercado brasileiro, modelos como Long Short-Term Memory (LSTM) têm sido aplicados com sucesso na previsão de tendências de alta ou baixa em preços de ações da B3 (Rodella, 2023). O LSTM é eficaz para aplicações não lineares de séries temporais financeiras, oferecendo precisão na previsão (Cousseau, 2024). Essa capacidade analítica, impulsionada pela inteligência artificial, impacta os mundos das finanças, desde investimentos até a gestão financeira (Yoshinaga e Castro, 2023).

Paralelamente, a internet desempenhou papel crucial na educação financeira, atraindo novos investidores ao mercado (Amorim et al., 2018). Esse crescimento é notável no Brasil, onde o número de investidores pessoa física saltou cerca de 3.500% entre 2002 e 2020 (Neto et al., 2022). Tal aumento reflete a popularização das plataformas digitais e a crescente conscientização sobre finanças. Contudo, como apontam Ducker et al. (2023), essa nova geração, embora interessada, frequentemente carece de conhecimento técnico e experiência para lidar com os riscos inerentes ao mercado.

Este cenário acentua a necessidade de ferramentas claras, acessíveis e confiáveis, como o Machine Learning, para reduzir erros e proteger o patrimônio dos novos investidores. Para mitigar equívocos, diversas abordagens de análise são empregadas, sendo as análises gráficas uma das mais comuns para auxiliar na tomada de decisões (Rico, 2022). A inteligência artificial, por sua vez, complementa e aprimora essas análises técnicas, oferecendo uma camada adicional de precisão.

A aplicação de Machine Learning (ML) no setor financeiro, embora vantajosa, suscita preocupações legítimas quanto ao seu uso responsável. O aprendizado de máquinas visa criar algoritmos que aprendam com os dados, melhorando seu desempenho ao longo do tempo sem programação específica (Ludermir, 2021). É fundamental que a implementação dessas tecnologias seja acompanhada por princípios de transparência e explicabilidade, uma área com deficiências atuais, conforme a Revista de Informação Legislativa do Senado Federal. Não basta a correção estatística; é preciso garantir que os investidores compreendam os fundamentos das previsões e que existam mecanismos de responsabilização para evitar distorções e gerenciar riscos.

Apesar dos avanços no Machine Learning, a pesquisa no mercado financeiro frequentemente se concentra em análises isoladas de modelos ou aplicações técnicas específicas. Há uma limitação nas investigações que avaliam, de forma integrada, o uso de indicadores técnicos tradicionais combinados à modelagem preditiva com dados reais do mercado acionário brasileiro, especialmente sob a perspectiva da aplicabilidade prática para o investidor pessoa física. A literatura prioriza métricas estatísticas de desempenho, sem aprofundar a interpretação dos resultados e seu potencial como suporte efetivo à tomada de decisão, evidenciando a necessidade de estudos que considerem a precisão preditiva e o comportamento dos modelos diante da dinâmica e volatilidade do mercado nacional.

A relevância deste estudo é acentuada pelo crescimento expressivo de investidores no Brasil, especialmente entre os mais jovens, o que ampliou a demanda por ferramentas que combinem precisão analítica, acessibilidade e confiabilidade na tomada de decisão financeira. Em um cenário marcado por limitada educação financeira e exposição a informações imprecisas, aumentam-se os riscos de escolhas de investimento inadequadas, sobretudo para o investidor pessoa física. Nesse contexto, a aplicação de técnicas de Machine Learning apresenta-se como alternativa capaz de reduzir incertezas, gerar diferenciais competitivos e contribuir para um mercado financeiro mais acessível e seguro, ao aproximar tecnologia, gestão de riscos e inclusão do investidor. Diante desse cenário, o presente trabalho busca analisar o potencial da aplicação de algoritmos de Machine Learning na previsão de tendências do mercado acionário brasileiro, avaliando sua capacidade de apoiar o processo de tomada de decisão em investimentos por meio da análise de séries temporais e indicadores técnicos.

2. Material e Métodos

O presente estudo adotou uma abordagem de pesquisa aplicada, com delineamento exploratório-descritivo e natureza quantitativa. Essa escolha metodológica visou avaliar, de forma objetiva e mensurável, o desempenho de algoritmos de Machine Learning na previsão de tendências do mercado acionário. O caráter exploratório permitiu investigar padrões de comportamento dos modelos, enquanto o descritivo possibilitou a apresentação sistemática dos procedimentos utilizados.

O universo da pesquisa compreendeu ações negociadas na B3 (Brasil, Bolsa, Balcão). Realizou-se uma amostragem intencional, selecionando 20 ações com elevado volume de negociação e liquidez no mercado acionário brasileiro para garantir a representatividade dos dados. Os ativos incluídos foram: ITUB4.SA, PETR4.SA, VALE3.SA, BBDC4.SA, ABEV3.SA, BBAS3.SA, ITSA4.SA, WEGE3.SA, B3SA3.SA, ELET3.SA, BPAC11.SA, SUZB3.SA, RDOR3.SA, SBSP3.SA, VIVT3.SA, LREN3.SA, RENT3.SA, MGLU3.SA, GGBR4.SA e CMIG4.SA.

Os dados históricos diários dos ativos foram coletados de bases públicas da B3, por meio da biblioteca `yfinance` em Python, abrangendo o período de janeiro de 2023 a janeiro de 2026. Este recorte temporal foi selecionado para incorporar os efeitos de choques econômicos relevantes e priorizar informações recentes. Antes da aplicação dos modelos, os dados passaram por etapas de limpeza, padronização de formatos e organização cronológica das séries temporais, além da criação de variáveis derivadas, para evitar vazamento temporal (data leakage).

As variáveis analisadas incluíram preços de abertura, fechamento, máximas e mínimas diárias, volume de negociação e variação percentual diária. Foram também incorporados indicadores técnicos derivados, como médias móveis de curto e longo prazo, retrações de Fibonacci, Moving Average Convergence Divergence (MACD) e Bandas de Bollinger. Para o processamento e análise, utilizou-se a linguagem Python, com as bibliotecas `pandas` para tratamento, `matplotlib` para visualização, `streamlit` para interface e `yfinance` para coleta.

A análise técnica tradicional envolveu o cálculo de indicadores como as Médias Móveis Simples de 50 e 200 períodos (MM50 e MM200), para identificar tendências intermediárias e de longo prazo. As Bandas de Bollinger, com janela de 20 períodos, foram empregadas para mensurar a volatilidade e identificar condições de sobrecompra ou sobrevenda. Os níveis de retração de Fibonacci (23,6%, 38,2%, 50%, 61,8% e 78,6%) foram aplicados para identificar níveis de suporte e resistência.

Para a modelagem preditiva, aplicou-se o modelo Prophet, uma ferramenta robusta para análise de séries temporais. O Prophet foi utilizado para decompor as séries temporais dos preços dos ativos em componentes de tendência e sazonalidade (semanal e anual), e para gerar previsões de curto prazo com um horizonte de até 60 dias. O treinamento do modelo foi realizado com a série histórica completa disponível até o instante anterior ao período de previsão.

Como modelo de referência para comparação, utilizou-se a técnica de Regressão Linear, que buscou capturar a tendência geral dos ativos de forma linear. A avaliação do desempenho preditivo dos modelos foi realizada por meio de métricas quantitativas amplamente utilizadas na literatura de séries temporais. As métricas empregadas foram o Erro Médio Absoluto (MAE), a Raiz do Erro Quadrático Médio (RMSE), o Erro Percentual Absoluto Médio (MAPE) e o Coeficiente de Determinação (R²).

O estudo não envolveu a participação de seres humanos, utilizando apenas dados secundários de domínio público da B3, acessados via `yfinance`. Dessa forma, a pesquisa foi dispensada de submissão a Comitês de Ética, conforme a Resolução CNS nº 510/2016. Contudo, observaram-se os princípios de integridade e transparência no tratamento dos dados. Para minimizar vieses e garantir a robustez dos resultados, aplicaram-se métodos de validação cruzada e um tratamento adequado dos dados, respeitando a dependência temporal inerente às séries financeiras.

3. Resultados e Discussão

O presente estudo analisou o potencial da aplicação de algoritmos de Machine Learning na previsão de tendências do mercado acionário brasileiro, com foco no apoio à tomada de decisão em investimentos. Os achados iniciais, obtidos a partir de um ativo representativo da B3, o ITUB4.SA, utilizando dados históricos de janeiro de 2023 a janeiro de 2026, revelaram uma dinâmica complexa que pôde ser interpretada por meio da integração de análises técnicas tradicionais e modelagem preditiva. Essa abordagem combinada permitiu identificar padrões de tendência, regimes de volatilidade e zonas críticas de negociação, fornecendo subsídios valiosos para a compreensão do comportamento do mercado.

A aplicação de indicadores técnicos tradicionais, como as Médias Móveis Simples de 50 (MM50) e 200 (MM200) períodos, as Bandas de Bollinger e os níveis de retração de Fibonacci, foi fundamental para essa análise. Observou-se que a MM50 se manteve predominantemente acima da MM200 ao longo do período, configurando um padrão conhecido como “golden cross”. Esse indicativo técnico é frequentemente associado a cenários de valorização contínua, sugerindo um comportamento favorável para a manutenção de posições compradas, especialmente quando as médias móveis apresentavam um afastamento persistente.

As Bandas de Bollinger, calculadas com uma janela de 20 períodos, evidenciaram fases alternadas de contração e expansão da volatilidade do mercado. Os momentos em que as bandas se afastavam mais coincidiam com movimentos de preço mais intensos, indicando que o indicador foi eficaz em captar alterações nos regimes de volatilidade do ativo. Essa capacidade de identificar mudanças na intensidade dos movimentos de preço é crucial para investidores que buscam gerenciar riscos e oportunidades em mercados dinâmicos.

Adicionalmente, os níveis de retração de Fibonacci (23,6%, 38,2%, 50%, 61,8% e 78,6%) mostraram-se alinhados a pontos recorrentes de desaceleração e reversão de preços. Esses níveis configuraram zonas técnicas relevantes de suporte e resistência, que são frequentemente utilizadas como referências estratégicas para a definição de pontos de entrada e saída em operações de mercado. A consistência desses alinhamentos reforça a utilidade da ferramenta na identificação de pontos de inflexão no comportamento dos ativos.

O conjunto desses indicadores técnicos proporcionou uma leitura coesa da dinâmica do mercado, permitindo não apenas a identificação da direção predominante dos preços, mas também a delimitação de regiões críticas de negociação. Essa análise integrada é particularmente útil para investidores pessoa física, que podem se beneficiar de ferramentas que sintetizam informações complexas em sinais mais claros para a tomada de decisão. A combinação desses elementos oferece uma base sólida para a interpretação do comportamento dos ativos.

Como etapa complementar, foi aplicada a técnica de Regressão Linear para estabelecer um modelo preditivo simples, servindo como baseline comparativo. O modelo buscou representar a trajetória do preço da ação como uma função linear do tempo, assumindo um crescimento aproximadamente constante. Os resultados indicaram um desempenho consistente, com um RMSE de 5,94, um MAPE de 11,97% e um coeficiente de determinação (R²) de 0,62, o que significa que o modelo conseguiu explicar cerca de 62% da variabilidade dos preços no período analisado.

Contudo, a Regressão Linear apresentou limitações significativas na captura de oscilações de curto prazo e movimentos abruptos, características inerentes ao mercado acionário. A natureza linear da técnica impede a modelagem adequada de comportamentos não lineares, volatilidade variável e possíveis mudanças estruturais no regime de mercado. Embora a reta ajustada tenha acompanhado a tendência geral de alta, sua incapacidade de se adaptar a variações rápidas e complexas do mercado foi evidente.

As projeções futuras geradas pela Regressão Linear mantiveram a inclinação positiva observada historicamente, sugerindo uma continuidade da tendência de valorização. No entanto, essa projeção deve ser interpretada com cautela, uma vez que o modelo não incorpora fatores macroeconômicos, eventos externos ou componentes sazonais, baseando-se exclusivamente na tendência passada. Essa limitação reforça a necessidade de modelos mais robustos e flexíveis para contextos financeiros dinâmicos, justificando o emprego de técnicas mais sofisticadas de Machine Learning.

Na sequência, os dados históricos foram submetidos ao modelo Prophet, um algoritmo de Machine Learning amplamente utilizado para análise de séries temporais. O Prophet demonstrou sua capacidade de decompor a série temporal em componentes estruturais de tendência, sazonalidade semanal e sazonalidade anual, oferecendo uma visão detalhada dos padrões subjacentes no comportamento dos preços do ativo. Essa decomposição é crucial para entender as forças que impulsionam as variações de preço.

A análise da componente de tendência revelou uma trajetória crescente de longo prazo, com uma aceleração notável nos períodos mais recentes da série. Esse comportamento indica que o modelo foi eficaz em capturar movimentos estruturais do ativo, refletindo sua evolução ao longo do tempo. A capacidade de identificar essas tendências de longo prazo é um diferencial importante para a formulação de estratégias de investimento que consideram horizontes mais amplos.

A componente semanal do modelo Prophet revelou variações sistemáticas no comportamento dos preços ao longo dos dias úteis, com médias mais elevadas em determinados dias da semana. Esses padrões recorrentes podem estar associados à dinâmica de liquidez e volume de negociação, fornecendo insights sobre os ritmos de curto prazo do mercado. Já a componente anual evidenciou ciclos sazonais, com períodos historicamente mais favoráveis à valorização e outros mais propensos à retração, reforçando a presença de sazonalidades no mercado acionário brasileiro.

Em termos de desempenho preditivo, o modelo Prophet apresentou um RMSE de 3,76, um MAPE de 6,16% e um R² de 0,36. Comparativamente à regressão linear, esses resultados indicam uma maior precisão, especialmente considerando o MAPE inferior a 10%, valor frequentemente considerado adequado em análises de séries financeiras. Essa métrica de erro percentual controlado é particularmente relevante para avaliar a utilidade prática das previsões no contexto financeiro.

Embora o coeficiente de determinação (R²) do Prophet tenha sido inferior ao da regressão linear, é importante notar que o R² mede o grau de explicação da variabilidade dos dados pelo modelo, não necessariamente a precisão das previsões. Em séries financeiras, caracterizadas por alta volatilidade e ruído, modelos com menor R² ainda podem produzir previsões mais próximas dos valores reais quando avaliados por métricas de erro como RMSE e MAPE, o que foi o caso do Prophet neste estudo.

Nesse contexto, o Prophet demonstrou uma capacidade superior de adaptação às oscilações recentes do ativo analisado, capturando padrões de tendência e variações de curto prazo de forma mais eficiente. Essa característica, mesmo com um poder explicativo da variância total da série ligeiramente menor, reforça sua aplicabilidade prática na previsão de tendências no mercado acionário, oferecendo um desempenho preditivo mais robusto em cenários de alta complexidade.

Após o treinamento do modelo, foram geradas previsões de curto prazo com um horizonte de até 60 dias, considerando a estrutura completa da série temporal e suas componentes sazonais. As projeções indicaram uma continuidade da tendência predominante observada no período recente, com oscilações previstas dentro de intervalos de confiança compatíveis com a volatilidade inerente ao mercado financeiro. Por exemplo, para 9 de março de 2026, a previsão média de preço foi de 41,91, com um mínimo de 40,55 e um máximo de 43,26.

O comportamento projetado pelo Prophet sugeriu coerência estatística e estabilidade nas previsões, mesmo diante de flutuações pontuais. Essa capacidade de gerar previsões estáveis e com intervalos de confiança é um diferencial importante para investidores que buscam uma ferramenta auxiliar na tomada de decisão em operações de curto prazo, especialmente em cenários de acompanhamento de tendência. A identificação desses padrões temporais contribui diretamente para o aprimoramento da modelagem preditiva, permitindo maior precisão nas projeções.

O modelo Long Short-Term Memory (LSTM) também foi aplicado com o objetivo de capturar padrões temporais mais complexos presentes na série histórica do ativo. O LSTM apresentou um Mean Squared Error (MSE) de 2,2037, um RMSE de 1,4845 e um Mean Absolute Error (MAE) de 1,0279. Esses resultados indicaram um baixo erro médio entre os valores previstos e os valores observados, sugerindo uma boa capacidade do modelo em aproximar as previsões da dinâmica real do preço do ativo, especialmente em relação às oscilações de curto e médio prazo.

De modo geral, o LSTM demonstrou eficácia na captura de padrões temporais da série financeira, reforçando sua adequação para problemas de previsão em séries temporais complexas, como as observadas no mercado acionário. A capacidade de modelos como o LSTM de lidar com dependências de longo prazo em dados sequenciais os torna particularmente valiosos para a análise de mercados financeiros, onde a memória de eventos passados pode influenciar significativamente o comportamento futuro dos preços.

Os resultados obtidos, em conjunto, demonstram que algoritmos de Machine Learning podem ser uma ferramenta prática e eficaz para a leitura das tendências do mercado financeiro. O modelo Prophet, em particular, mostrou-se eficiente na identificação de padrões de tendência e componentes sazonais, facilitando a visualização do comportamento geral dos preços e oferecendo suporte a previsões de curto prazo com um nível aceitável de coerência. Essa capacidade é vital para investidores que precisam de informações rápidas e precisas.

Apesar da boa aderência dos modelos aos dados históricos, observou-se um aumento do erro preditivo em períodos de alta volatilidade. Esse comportamento é esperado, pois eventos externos e notícias de mercado podem afetar a precisão das previsões de séries temporais. O modelo captura bem o “padrão estrutural” do mercado, mas é mais sensível a exceções, o que reforça a necessidade de tratar as previsões como estimativas e não como certezas absolutas, conforme Ludermir (2021).

A integração da análise técnica tradicional com a modelagem preditiva, utilizando médias móveis, Bandas de Bollinger e o modelo Prophet, destacou zonas de suporte, resistência e regimes de volatilidade de forma sinérgica. Essa abordagem combina a interpretação humana com a geração automática de sinais, o que pode apoiar decisões de investimento mais informadas e estratégicas, conforme apontado por Silva et al. (2022) sobre a capacidade de algoritmos em identificar padrões ocultos.

Para o segmento de investidores pessoa física, a ferramenta desenvolvida apresenta-se como um instrumento promissor para sistematizar a avaliação de riscos e mitigar decisões impulsivas. No entanto, é crucial que o usuário esteja ciente das limitações do recurso, considere o contexto macroeconômico e integre informações relevantes de fontes noticiosas. Essa conscientização é fundamental para o uso responsável da tecnologia, evitando a dependência excessiva de previsões automatizadas.

As limitações do estudo incluem a dependência de dados históricos e a sensibilidade dos modelos a períodos de alta volatilidade, um achado consistente com a literatura. Para fortalecer a robustez dos resultados, futuras pesquisas poderiam ampliar a validação com janelas móveis mais longas, comparar diretamente com outros modelos (como ARIMA ou ensembles) e incorporar variáveis exógenas, como indicadores macroeconômicos e sentimento de notícias, para melhorar a resposta a choques de mercado.

Adicionalmente, futuros trabalhos devem explorar interfaces de explicabilidade e realizar testes com usuários reais para avaliar a utilidade prática e os riscos comportamentais associados ao uso da ferramenta. A transparência e a compreensibilidade dos algoritmos são essenciais para garantir que os investidores confiem nas previsões e possam gerenciar os riscos de forma eficaz, conforme a Revista de Informação Legislativa do Senado Federal. A combinação entre método e experiência é fundamental para utilizar Machine Learning em investimentos com prudência.

Em síntese, a pesquisa demonstrou que a modelagem proposta, ao integrar o modelo Prophet com indicadores técnicos tradicionais, ofereceu uma leitura consistente das séries temporais e produziu projeções de curto prazo com coerência visual e respaldo nas métricas de desempenho. Essa abordagem representa uma ferramenta auxiliar promissora para a tomada de decisão em investimentos, contribuindo para um mercado financeiro mais acessível e seguro ao aproximar tecnologia, gestão de riscos e a inclusão do investidor, cumprindo o objetivo central do estudo de analisar o potencial dos algoritmos de Machine Learning na previsão de tendências do mercado acionário brasileiro.

4. Conclusão

O presente estudo analisou o potencial da aplicação de algoritmos de Machine Learning na previsão de tendências do mercado acionário brasileiro, visando apoiar a tomada de decisão em investimentos. Verificou-se que a integração da análise técnica tradicional, com indicadores como médias móveis, Bandas de Bollinger e níveis de Fibonacci, com a modelagem preditiva, utilizando os modelos Prophet e LSTM, proporcionou uma leitura consistente da dinâmica do mercado. Observou-se que os indicadores técnicos foram eficazes na identificação de tendências de valorização, regimes de volatilidade e zonas de suporte e resistência. O modelo Prophet, em particular, demonstrou capacidade de decompor a série temporal em componentes de tendência e sazonalidade, apresentando maior precisão preditiva em comparação com a regressão linear, especialmente na captura de oscilações de curto prazo, com um MAPE inferior a 10%. O modelo LSTM, por sua vez, mostrou-se eficaz na captura de padrões temporais complexos, com baixos erros médios. A principal contribuição reside na oferta de uma ferramenta auxiliar promissora para investidores pessoa física, que sistematiza a avaliação de riscos e apoia decisões mais informadas e estratégicas, ao combinar a interpretação humana com a geração automática de sinais.

Contudo, identificou-se que as previsões dos modelos apresentaram sensibilidade a períodos de alta volatilidade, um achado consistente com a literatura, e dependem da qualidade dos dados históricos. Para fortalecer a robustez dos resultados, sugere-se que estudos futuros ampliem a validação com janelas móveis mais longas, comparem diretamente com outros modelos preditivos, como ARIMA ou ensembles, e incorporem variáveis exógenas, incluindo indicadores macroeconômicos e sentimento de notícias, para aprimorar a resposta a choques de mercado. Recomenda-se também a exploração de interfaces de explicabilidade e a realização de testes com usuários reais, a fim de avaliar a utilidade prática e os riscos comportamentais associados ao uso da ferramenta, garantindo que a tecnologia seja empregada com transparência e prudência no apoio à educação financeira e à tomada de decisões de investimento.

Referências Bibliográficas

Amorim, K.A.F.; Lucena, G.K.F.; Girão, L.F.A.P.; Queiroz, D.B. 2018. A influência da educação financeira na inserção dos investidores no mercado de capitais brasileiro: um estudo com discentes da área de negócios. Race – Revista de Administração, Contabilidade e Economia, 17(2), p. 567-590. Disponível em: https://periodicos.unoesc.edu.br/race/article/view/16834 . Acesso em: 07 julho de 2025.

Cousseau, G. Modelo de aprendizado de máquina para prever tendências no Índice Bovespa com a influência de notícias relacionadas. 2024. 47p. Monografia (MBA em Inteligência Artificial e Big Data) Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2024. Disponível em: https://bdta.abcd.usp.br/directbitstream/67f8d2a2-2578-4354-8c28-47098ae1c78a/Gustavo_Cousseau.pdf. Acesso em: 11 outubro 2025

Ducker, B.D.; Teixeira, L.A.C.; Motta Filho, U. da. 2023. Educação financeira e crescimento do investidor pessoa física no Brasil. Ducker: aplicação de IA generativa para educação financeira. Repositório da Mauá, São Paulo, SP. Disponível em: https://repositorio.maua.br/handle/MAUA/1859. Acesso em: 01 de setembro de 2025.

Ludermir, T.B. 2021. Inteligência artificial e aprendizado de máquina: estado atual e tendências. Estudos Avançados, 35(101), p. 85-94. Disponível em: https://revistas.usp.br/eav/article/view/185035. Acesso em: 10 julho de 2025.

Neto, D.S.C.; Ferreira, A.S.; Mascarenhas, C.C.; May, A.M.; Vassão, T.C.; Raó, E.M. 2022. A bolsa de valores e os novos investidores nos tempos atuais. Revista Gestão em Foco, 14, p. 309-320. Disponível em: https://portal.unisepe.com.br/unifia/wp-content/uploads/sites/10001/2022/03/A-BOLSA-DE-VALORES-E-OS-NOVOS-INVESTIDORES-309-a-320.pdf. Acesso em: 12 agosto de 2024.

Rico. 2022. Swing Trade: o que é e como operar com sucesso. Rico Riconnect, 11 mar. 2022. Disponível em: (https://riconnect.rico.com.vc/blog/swing-trade). Acesso em: 15 de agosto de 2025.

Rodella, Vinícius Gomes. Estudo de caso: aplicação de machine learning para a previsão de tendências das ações das bolsas de valores brasileira e norte americana. 2023. 78 f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Controle e Automação) Universidade Estadual Paulista “Júlio de Mesquita Filho”, Sorocaba, 2023. Disponível em: https://repositorio.unesp.br/server/api/core/bitstreams/f17bac76-abb2-4a36-ba49-1307f3c5bd22/content. Acesso em: 12 outubro 2025.

Silva, R.; Almeida, M.; Teixeira, D. 2022. Inteligência artificial aplicada ao mercado financeiro: padrões e previsões. In: Brazilian Workshop on Artificial Intelligence in Finance (BWAIF), 2022, Corrente, PI, Brasil. Anais… Corrente: Sociedade Brasileira de Computação, p. 1-10. Disponível em: https://sol.sbc.org.br/index.php/bwaif/article/view/20485. Acesso em: 02 setembro de 2024.

Yoshinaga, C.E.; Castro, F.H. 2023. Inteligência artificial: a vanguarda das finanças. GV Executivo, 22(3), p. 31-35.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Economia, Investimentos e Banking do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy