Inteligência computacional na gestão de ativos financeiros

Este artigo explora a aplicação de Redes Neurais Artificiais (RNAs) do tipo Perceptron Multicamadas (MLP) para a previsão de tendências de preços de ações no mercado financeiro brasileiro, especificamente na B3. A volatilidade e a complexidade dos mercados de capitais tornam a previsão de preços um desafio significativo, frequentemente abordado por modelos econométricos tradicionais que, por vezes, falham em capturar padrões não lineares. Neste estudo, focamos na capacidade das MLPs, treinadas com o algoritmo de Backpropagation, de identificar e aprender relações complexas em séries temporais financeiras. Foram analisados quatro ativos de alta liquidez (AMAR3, RRRP3, TRPL4 e WEGE3) durante um período de alta volatilidade, utilizando dados históricos de preços de fechamento. A metodologia envolveu a normalização dos dados, a divisão em conjuntos de treinamento e teste, e a otimização da arquitetura da rede neural, incluindo o número de camadas ocultas e neurônios. Os resultados foram avaliados através de métricas de erro como o Erro Quadrático Médio (MSE), demonstrando a eficácia do modelo MLP em capturar tendências e fornecer previsões com um grau aceitável de precisão. A análise detalhada do algoritmo de Backpropagation é apresentada, enfatizando seu papel na otimização dos pesos da rede. Conclui-se que as MLPs representam uma ferramenta promissora para a análise preditiva no mercado de ações, oferecendo uma alternativa robusta aos métodos convencionais e contribuindo para a tomada de decisões mais informadas por investidores e analistas.