Machine learning algorithms for forecasting B3 actions

The prediction of movement in stock market prices has been an interesting area in the research of machine learning algorithms in recent years, due to its complex and dynamic content. In addition, typical stock market volatility makes forecasting more difficult. Thus, this work aims to propose a methodology that predicts the trend of the shares of three Brazilian companies traded on the Brazilian stock exchange. Therefore, we want to facilitate the recognition of movements in the market, in addition to assisting decision-making for investors. Furthermore, this work proposes to compare the predictions of the assets using three powerful machine learning algorithms, known as Random Forest, Artificial Neural Networks and Support Vector Machines. In addition, we propose to use a function (kernel-SVM) -- used for image recognition -- to solve the prediction problem. Technical indicators (such as the Relative Strength Index, the stochastic oscillator, among others) are used as inputs to train the models. Finally, we evaluate perfomance indicators such as accuracy, precision, recall and specificity. The efficiency of the models depends on the technique of separating the training and test samples used, varying between 18% and 76% of accuracy for the temporal separation technique against 71\% and 97\% of the random separation technique.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorDissertação (Mestrado)A predição de movimento nos preços do mercado de ações tem sido uma área importante na pesquisa de algoritmos de machine learning nos últimos anos, devido a seu conteúdo complexo e dinâmico. Além disso, a volatilidade típica do mercado de ações torna a tarefa da previsão mais difícil. Dessa forma, este trabalho tem como objetivo propor uma metodologia que preveja a tendência das ações de três empresas negociadas na bolsa de valores brasileira. Por conseguinte, deseja-se facilitar o reconhecimento de movimentações no mercado, além de auxiliar a tomada de decisão para investidores. Ademais, este trabalho propõe comparar as predições dos papeis usando três algoritmos de aprendizado de máquina: Random Forest, Redes Neurais Artificiais e Support Vector Machines. Além disso, é proposto o uso de uma função (kernel-SVM) – utilizada para reconhecimento de imagens – para contornar o problema das previsões. Indicadores técnicos (tais como o Índice de Força Relativa, o oscilador estocástico, entre outros), são usados como entradas para treinar os modelos. Por fim, os resultados são avaliados por meio de indicadores de performance como acurácia, precisão, e especificidade. A eficiência dos modelos depende da técnica de separação das amostras de treino e teste empregadas, variando entre 18% e 76% de acurácia para técnica de separação temporal, contra 71% e 97% da técnica de separação aleatória