Predicción de precios de acciones y ETF en la bolsa B3 utilizando técnicas de aprendizaje automático

Autores/as

DOI:

https://doi.org/10.47236/2594-7036.2026.v10.1879

Palabras clave:

Aprendizaje automático, Mercado de valores, LSTM, Series temporales

Resumen

El número de nuevos inversores en la bolsa brasileña está aumentando. Muchos de esos nuevos inversores buscan mayores rendimientos, a menudo sin las habilidades necesarias para analizar las oportunidades y los peligros. Este estudio tiene como objetivo desarrollar un modelo LSTM con el propósito de predecir los precios de las acciones y ETF en la bolsa de valores B3. El modelo fue entrenado con datos históricos de los últimos 10 años de un grupo de cinco acciones (Banco do Brasil, Itaú, Vale, Petrobras y Caixa Seguridade) y dos ETF (BOVA11 y FIND11). Los resultados demostraron que el modelo es efectivo para predecir activos dentro del mercado financiero brasileño, validado a través de algunas métricas, con resultados dentro de los siguientes rangos: RMSE (0.30 a 1.98), MAE (0.23 a 1.54), MAPE (0.98 a 3.40) y R² (0.77 a 0.99). Sin embargo, los activos con pocos datos históricos, como Caixa Seguridade, mostraron una mayor variación en las previsiones, lo que indica limitaciones del modelo.

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...

Biografía del autor/a

Eduardo Luiz Zanotto, Universidad de Passo Fundo

Licenciado en Ciencias Informáticas por la Universidad de Passo Fundo. Passo Fundo, Rio Grande do Sul, Brasil. Dirección electrónica: eduardoluizzanoto@gmail.com. Orcid: https://orcid.org/0009-0004-9479-9841. Currículo Lattes: http://lattes.cnpq.br/1732542745002387.

Carlos Amaral Holbig, Universidad de Passo Fundo

Doctor en Ciencias de la Computación por la Universidad Federal de Rio Grande do Sul. Profesor titular del Programa de Posgrado en Computación Aplicada de la Universidad de Passo Fundo. Passo Fundo, Rio Grande do Sul, Brasil. Dirección electrónica: holbig@upf.br. Orcid: https://orcid.org/0000-0002-3126-344X. Currículo Lattes: http://lattes.cnpq.br/5419646313109789.

Citas

ALMEIDA, Tiago da Silva; MAGALHÃES, Hudson Pena. A precipitation forecasting in central ecotone region in Brazil using artificial neural networks and public climatic data. Revista Sítio Novo, Palmas, v. 5, n. 2, p. 131-146, 2021. DOI: 10.47236/2594-7036.2021.v5.i2.131-146p. Disponível em: https://sitionovo.ifto.edu.br/index.php/sitionovo/article/view/919. Acesso em: 15 dez. 2025.

ALVES, P. C. P.; PRADO, S. C. C. Estudo comparativo entre algoritmos de machine learning aplicados à previsão de séries temporais do mercado financeiro. In: CONGRESSO DE TECNOLOGIA, Faculdade de Tecnologia de Mococa, 2022, Mococa. Anais [...]. Mococa: Fatec, 2022. v. 6, n. 2.

AYYILDIZ, Nazif; ISKENDEROGLU, Omer. How effective is machine learning in stock market predictions? Heliyon, v. 10, n. 2, p. e24123, 2024. DOI: 10.1016/j.heliyon.2024.e24123. Disponível em: https://doi.org/10.1016/j.heliyon.2024.e24123. Acesso em: 8 out. 2025.

B3. Perfil de investidores pessoa física. 2024. Disponível em: https://www.b3.com.br/pt_br/market-data-e-indices/servicos-de-dados/market-data/consultas/mercado-a-vista/perfil-pessoas-fisicas/perfil-pessoa-fisica/. Acesso em: 17 out. 2024.

BISHOP, Christopher M. Pattern recognition and machine learning. Berlin: Springer, 2011.

BOX, George E. P.; JENKINS, Gwilym M.; REINSEL, Gregory C.; LJUNG, Greta M. Time series analysis forecasting and control. 5. ed. San Francisco: Wiley, 2015.

CHEN, James. Exponential moving average (EMA): definition, formula, and usage. Investopedia, 2025. Disponível em: https://www.investopedia.com/terms/e/ema.asp. Acesso em: 14 dez. 2025.

DA SILVA, Jeremias Fontinele; RODRIGUES, Carlos Alberto de Sousa Parente;

TOLENTINO, Carlos Henrique Corrêa; MACIEL, Wandro Bequiman. Modelo de rede neural para avaliação desportiva. Revista Sítio Novo, Palmas, v. 5, n. 3, p. 34-44, 2021. DOI: 10.47236/2594-7036.2021. Disponível em: https://sitionovo.ifto.edu.br/index.php/sitionovo/article/view/952. Acesso em: 15 dez. 2025.

GOODFELLOW, Ian et al. Deep learning. Cambridge: The MIT Press, 2016. (Adaptive Computation and Machine Learning Series).

GOOGLE. Google Colaboratory. 2024. Disponível em: https://colab.research.google.com/. Acesso em: 15 maio 2024.

GÜLMEZ, Burak. Stock price prediction with optimized deep LSTM network with artificial rabbits optimization algorithm. Expert Systems with Application, v. 227, p.120346, 2023. DOI: 10.1016/j.eswa.2023.120346. Disponível em: https://doi.org/10.1016/j.eswa.2023.120346. Acesso em: 15 out. 2024.

GUPTA, Samraj; NACHAPPA, Sanchal; PARMANANDHAM, Nirmala. Stock market time series forecasting using comparative machine learning algorithms. Procedia Computer Science. v. 252, n. C, p. 893-904, 2025. DOI: 10.1016/j.procs.2025.01.050. Disponível em: https://doi.org/10.1016/j.procs.2025.01.050. Acesso em: 14 dez. 2025.

HOCHREITER, Sepp; SCHMIDHUBER, Jürgen. Long short-term memory. Neural Computation. v. 9, n. 8, p. 1735-1780, 1997. DOI: 10.1162/neco.1997.9.8.1735. Disponível em: https://doi.org/10.1162/neco.1997.9.8.1735. Acesso em: 15 dez. 2025.

HYNDMAN, Rob J.; ATHANASOPOULOS, George. Forecasting: principles and practice. 3. ed. Melbourne: OTexts, 2021. Disponível em: https://otexts.com/fpp3/. Acesso em: 14 dez. 2025.

JIANG, Fuwei; MA, Tian; ZHU, Feifei. Fundamental characteristics, machine learning, and stock price crash risk. Journal of Financial Markets, v. 69, p.100908, 2024. DOI: 10.1016/j.finmar.2024.100908. Disponível em: https://doi.org/10.1016/j.finmar.2024.100908. Acesso em: 15 out. 2024.

KUNDU, Triparna; PINSKY, Eugene. Predicting daily stock price directions with deep learning models. Machine Learning with Applications, v. 22, p. 100744, 2025. DOI: 10.1016/j.mlwa.2025.100744. Disponível em: https://doi.org/10.1016/j.mlwa.2025.100744. Acesso em: 14 dez. 2025.

LI, Katherine Yi. Machine learning for stock price prediction. Neptune Blog, 2024. Disponível em: https://neptune.ai/blog/predicting-stock-prices-using-machine-learning. Acesso em: 16 out. 2024.

LIN, Yaohu et al. Stock trend prediction using candlestick charting and ensemble machine learning techniques with a novelty feature engineering scheme. IEEE Access, v. 9, p. 101433-101446, 2021.

LOPES, Alex Oliveira et al. Factors influencing Petrobras Stock Prices (PETR4) between 2009 and 2020. Research, Society and Development, [s. l.], v. 10, n. 7, p. e13410716294, 2021. DOI: 10.33448/rsd-v10i7.16294. Disponível em: https://rsdjournal.org/rsd/article/view/16294. Acesso em: 12 dez. 2025.

MACHADO, Michele Rílany Rodrigues; GARTNER, Ivan Ricardo; MACHADO, Lúcio de Souza. Relationship between Ibovespa and macroeconomic variables: evidence from a Markov-Switching model. Brazilian Review of Finance, [s. l.], v. 15, n. 3, p. 435-468, 2018. DOI: 10.12660/rbfin.v15n3.2017.59406. Disponível em: https://periodicos.fgv.br/rbfin/article/view/59406. Acesso em: 12 dez. 2025.

MATPLOTLIB. Matplotlib. 2024. Disponível em: https://matplotlib.org/. Acesso em: 20 abr. 2025.

MINTARYA, Latrisha N. et al. Machine learning approaches in stock market prediction: a systematic literature review. Procedia Computer Science, v. 216, p.96-102, 2023. DOI: 10.1016/j.procs.2022.12.115. Disponível em: https://doi.org/10.1016/j.procs.2022.12.115. Acesso em: 20 abr. 2025.

NAJEM, Rihab et al. Advancements in Artificial Intelligence and machine learning for stock market prediction: a comprehensive analysis of techniques and case studies. Procedia Computer Science, v. 231, p.198-204, 2024. DOI: 10.1016/j.procs.2023.12.193. Disponível em: https://doi.org/10.1016/j.procs.2023.12.193. Acesso em: 20 abr. 2025.

NASCIMENTO, Oberis S.; SANTOS, Felipe G.; FERREIRA, Karl Hansimuller A. Previsão de preços de ações utilizando Inteligência Artificial. In: BRAZILIAN WORKSHOP ON ARTIFICIAL INTELLIGENCE IN FINANCE (BWAIF), 1., 2022, Niterói, RJ. Anais eletrônicos [...]. Porto Alegre: SBC, 2022. Disponível em: https://sol.sbc.org.br/index.php/bwaif/article/view/20485. Acesso em: 20 abr. 2025.

NEPTUNE.AI. Neptune documentation. 2024. Disponível em: https://neptune.ai/. Acesso em: 16 out. 2024.

PANDAS DEVELOPMENT TEAM. Pandas documentation. 2024. Disponível em: https://pandas.pydata.org/. Acesso em: 16 out. 2024.

PYTHON SOFTWARE FOUNDATION. Python. 2024. Disponível em: https://www.python.org/. Acesso em: 15 out. 2024.

REN, Tingting; LI, Shaofang; ZHANG, Siying. Stock market extreme risk prediction based on machine learning: evidence from the american market. 2024. The North American Journal of Economics and Finance, v. 74, p. 102241. DOI: 10.1016/j.najef.2024.102241. Disponível em: https://doi.org/10.1016/j.najef.2024.102241. Acesso em: 20 abr. 2025.

SANTANA, Daniel. Ajustando o preço das ações Yahoo Finance. 2022. Disponível em: https://medium.com/@sant1/ajustando-o-preço-das-ações-yahoo-finance-9bd5520bf941. Acesso em: 16 out. 2024.

SANTOS, Júlio Cesar. Abordagens de aprendizado de máquina para séries temporais financeiras. 2022. Trabalho de Conclusão de Curso (MBA em Inteligência Artificial e Big Data) – Universidade de São Paulo, São Paulo, 2022.

SCIKIT-LEARN. Scikit-learn documentation. 2024. Disponível em: https://scikit-learn.org/stable/. Acesso em: 16 out. 2024.

SILVEIRA, Rafael Bourscheid. Avaliação de modelos preditivos para o mercado de ações utilizando machine e deep learning. 2021. Trabalho de Conclusão de Curso (Ciência da Computação) – Universidade de Caxias do Sul. Disponível em: https://repositorio.ucs.br/11338/9714. Acesso em: 20 abr. 2025.

TENSORFLOW. TensorFlow. 2024. Disponível em: https://www.tensorflow.org/. Acessos em: 16 out. 2024; 20 abr. 2025.

YFINANCE. Yfinance library documentation. 2024. Disponível em: https://pypi.org/project/yfinance/. Acesso em: 16 out. 2024.

Publicado

2026-01-19

Cómo citar

ZANOTTO, Eduardo Luiz; HOLBIG, Carlos Amaral. Predicción de precios de acciones y ETF en la bolsa B3 utilizando técnicas de aprendizaje automático. Revista Sítio Novo, Palmas, v. 10, p. e1879, 2026. DOI: 10.47236/2594-7036.2026.v10.1879. Disponível em: https://sitionovo.ifto.edu.br/index.php/sitionovo/article/view/1879. Acesso em: 23 ene. 2026.

Número

Sección

Artigo Científico