Inteligência artificial na bolsa de valores

Aleixo Menezes, Isabela Evangelista, Renato Barbosa, Yan Eskenazi, Mário

Olimpio de Menezes

Faculdade de Computação e Informática – Universidade Presbiteriana Mackenzie

(UPM) – São Paulo, SP – Brazil
aleixoafonso97@gmail.com, isabelaevangelista17@gmail.com,
renatocolbar@gmail.com, yan.eskenazi@gmail.com,
mario.menezes@mackenzie.br

Abstract. After the pandemic, people's familiarity with technology has become
much greater, for all types of content, such as for fun, work and new forms of
income. As a result, financial investment means were also popularized even for
those who were unaware of it. With that in mind, we created a tool that aims to
assist people interested in stock exchanges and finances, giving them
predictions of real stock values as metrics, using artificial intelligence and
statistic methods with advanced probability.
Keywords: prediction, stock exchanges, artificial intelligence, finances.

Resumo. Após a pandemia, a familiaridade das pessoas com a tecnologia se

tornou muito maior, para todos os tipos de conteúdo, como diversão, trabalho
e novas formas de renda. Com isso, os meios referentes a investimento
financeiro também foram popularizados, até mesmo para pessoas que não
tinham conhecimento sobre tal. Tendo isso em vista, foi criada uma ferramenta
com o objetivo de auxiliar pessoas interessadas na bolsa de valores e finanças,
dando como métricas predições de valores reais de ações utilizando métodos
de inteligência artificial e métodos estatísticos por meio de probabilidade
avançada.
Palavras-chave: predição, bolsa de valores, ações, inteligência artificial,
finanças.
1. Introdução
1.1. Contextualização do problema de pesquisa
Com a industrialização cada vez mais crescente no Brasil e no mundo, a Internet chega
nas mãos de cada vez mais pessoas de todos os tipos, que ganham acesso a um
conhecimento infinito sobre qualquer tópico desejado, entre eles o mercado financeiro.
Segundo estudo feito pela B3, houve um aumento de mais de 2 milhões de
investidores na bolsa de valores entre abril de 2019 e abril de 2020, totalizando 3,2
milhões de brasileiros investidores em outubro do mesmo ano [“Investidores | B3” 2020].
Já uma pesquisa feita pelo Estadão apontou 48% de aumento do número de investidores
entre 18 e 24 anos em 2021 [Luana Meneghetti 2021].
Considerando que ao ficar em casa, grande maioria das pessoas se refugiaram nos
meios online como por exemplo, computadores, celulares, chamadas de vídeos, jogos
online, entre outros, o envolvimento com a tecnologia se tornou mais recorrente, diário e
despertou grande interesse pela área como um todo. Como os jovens já estavam nesse
meio antes mesmo do tal se popularizar, o aprofundamento sobre tecnologia se tornou
maior ainda, fazendo com que esses jovens voltassem seus olhares não mais apenas para
a diversão e entretenimento, mas também para as novas possibilidades de trabalho ou
formas diferentes de renda. A princípio, começando suas carreiras, tais jovens possuem
menor responsabilidade sobre suas finanças, há o fato de que esse grupo tem maior
disposição para aguardar os resultados de acordo com a sua própria liquidez, vendo
inicialmente o investimento como um recurso emergencial, que tem prioridade para ser
usado quando o jovem passa por algum incidente.
Todo esse aumento tem três grandes razões por trás: a primeira, que é a crise
econômica que o Brasil tem passado por anos e que piorou com a pandemia de
coronavírus nos últimos dois anos, a segunda, que é a popularização das criptomoedas,
facilitadoras na hora dos investimentos, e a terceira, que é a enorme onda de informações
sobre o mercado financeiro que é postada diariamente nas redes sociais por
influenciadores.
Ou seja, há várias fontes para consultar sobre o assunto em diversas plataformas,
mesmo que nem todas as informações passadas por elas sejam 100% confiáveis. Já no
fim do século passado, não havia esse tipo de conhecimento aberto para todos, o que
contribuiu para a explosão da bolha pontocom, período que se iniciou com um exagero
no investimento de empresas online e acabou dois anos depois com uma desvalorização
de 75% da bolsa de valores Nasdaq [Tecmundo 2017].

1.2. Definição e delimitação do problema de pesquisa

Segundo a B3, no começo de 2022 foi atingida a marca de 5 milhões de contas de pessoas
físicas abertas em corretoras no Brasil. Dentre esses investimentos, o setor escolhido para
o projeto foi o de energia, especificamente as ações PETR4, PRIO3, ELET3 e TAEE3.
O setor de energia, principalmente de energia elétrica, é um que sofreu aumento
considerável da volatilidade média desde 2012, e é um setor abrangente que pode sofrer
variações na volatilidade muito facilmente de acordo com fatores maiores, como as
bandeiras tarifárias da conta de luz e a cada vez maior aderência de energia limpa. PETR4
é código para ações da Petrobras, gigante do ramo de petróleo, que é destinado para a
petroquímica, transporte, refino e combustíveis. PRIO3 é código para ações da PetroRio,
empresa especializada na gestão de reservatórios de petróleo. Já ELET3 é um código para
ações da Eletrobras, a maior companhia brasileira do setor elétrico, com capacidade
geradora equivalente a 1/3 do total da produção de energia elétrica no Brasil. E TAEE3 é
código para ações da Transmissora Aliança de Energia Elétrica (Taesa), uma empresa de
transmissão de energia elétrica que atualmente atua em 17 estados do país.

1.3. Objetivo geral e específicos da pesquisa

O objetivo do presente projeto é criar uma ferramenta que relacione os dados financeiros
das quatro ações Petrobras, PetroRio, Eletrobras e Taesa do índice Ibovespa,
categorizando-os para fazer previsões dessas mesmas ações para os próximos meses. E,
a partir dessas previsões, converter esses dados em gráficos ou outras formas visuais para
melhor entendimento.
Como objetivos secundários temos:
• Construir visualizações que ajudem no dia a dia de investidores;
• Obter melhor entendimento sobre o mercado financeiro e os investimentos;
• Obter melhor entendimento dos índices do mercado financeiro e de como eles
se relacionam;
• Obter e organizar os conjuntos de dados necessários;
• Explorar técnicas de análise de dados e de desenvolvimento de aplicações;
• Desenvolver habilidades em diversas ferramentas de desenvolvimento, de
acordo com a necessidade da aplicação;
• Desenvolver habilidades em diversas ferramentas de manipulação de gráficos,
de acordo com a necessidade da aplicação;
• Obter melhor entendimento do processo de pesquisa científica.

1.4. Contribuições da pesquisa para a academia e a sociedade

A evolução do mercado de capitais é um fator que está diretamente relacionado com o
crescimento da economia nacional. Se as ações das principais empresas de um país estão
mal, isso provavelmente significa que a economia do país está mal também. Do ponto de
vista da empresa, se ela tem mais investidores, ela pode abater dívidas, expandir sua
atuação, entre outros, para melhor a sua saúde financeira e criar as melhores condições
para crescer e gerar renda, o que a torna mais atrativa para investidores. Esse raciocínio
se aplica inversamente para os investidores: ao investir em uma empresa, essa empresa
passa a ter mais poder de mercado e cresce, gerando renda para si própria e para os
investidores que, com mais dinheiro, podem investir mais nessa e em outras empresas.
Ou seja, são ciclos viciosos que representam grande propriedade na economia brasileira.
O problema é que esse ciclo é uma faca de dois gumes e pode ser extremamente benéfico
para todas as partes se a empresa atingir crescimento, assim como pode ser extremamente
maléfico se a empresa atingir baixa.
Outro ponto muito relevante em relação à economia nacional é o risco que as
pessoas correm nesses tipos de transações, contando com todas as próprias economias ou
as da família. Com o crescimento de investidores jovens, esse risco é crescente, pela sua
impulsividade quanto aos riscos e pela falta de orientação. Aqueles que conhecem o lado
maléfico dos investimentos podem perder propriedades e até relações, além do dinheiro,
e podem finalmente necessitar de ajudas do governo. Houve até um caso em que o Banco
da Inglaterra, no Reino Unido, teve de emitir alertas sobre o aumento no número de
investimentos arriscados [“Por que muitos jovens estão fazendo investimentos de risco”
2022].
Sendo assim, juntamente com a atual situação econômica do Brasil e do mundo
pós-pandemia, a disseminação de conhecimento e a criação de auxiliadores parecem ser
as melhores opções para evitar tanto a ‘super bolha econômica’ quanto a falência
financeira de diversas famílias e empresas.
2. Referencial teórico
No Brasil atualmente são aproximadamente 4,2 milhões de investidores, sendo quase
20% de mulheres. Dentre esses, o valor de investimento inicial chegou no menor desde
janeiro de 2014 [ANBIMA 2018], o que indica inicialmente a diversidade de pessoas em
diferentes condições financeiras nesse meio, e também pode indicar como a crise
econômica do país está afetando os brasileiros. Essa crise econômica vem desde muitos
anos atrás, sendo que já dava e ainda dá seus sinais anualmente. No Brasil, a
Produtividade Total dos Fatores (PTF), relação entre o produto total e o insumo total, vem
despencando se comparada com outros países, o que pode ser interpretado como um
indicativo de que, do jeito que está composta a economia e o crescimento do PIB nesse
momento, não é suficiente para sustentar o crescimento econômico do país [ANBIMA
2018 p. 16].

Figura 1. Gráfico demonstrando a PFT de alguns países.

O envelhecimento da população brasileira também prejudica a economia ao
diminuir o crescimento da População Economicamente Ativa (PEA), que conta com
aquelas pessoas capazes de contribuir como mão de obra. Tendo em vista a desaceleração
da PEA e a baixa da PTF, o mercado de capitais pode ser uma alternativa viável para a
crise brasileira, já que investimentos podem ser feito à distância e são poucas as pessoas
que não podem investir. Segundo análise da Accenture publicada pela ANBIMA, 1% de
variação no mercado de capitais pode impactar em até 0,45% no PIB per capita brasileiro
e até 0,039% na taxa de emprego [ANBIMA 2018 p. 23], já que cria uma série de
impactos no PIB que gera necessidades de investimento monetário e em infraestrutura
que geram empregos.
 Mesmo se o país tivesse a cultura de investimento no mercado de capitais, a falta
de empregos ainda seria um dos pontos que afeta imensamente a economia. Nesse caso,
a desvalorização das ações afetaria igualmente ou ainda mais, como aconteceu no setor
elétrico a partir de 11 de setembro de 2012 com a Medida Provisória 579. Essa Medida
Provisória estipulava que as concessões de transmissão de energia elétrica poderiam ser
prorrogadas para assegurar a continuidade da prestação do serviço e a modicidade
tarifária [Dilma Roussef 2012], que constitui em aderir a valores mais baixos de tarifa
quando o serviço público adquire outras fontes provenientes de receitas alternativas
[Fernando Henrique Cardoso 1995]. Até hoje em dia, o preço de energia elétrica pago
pelos consumidores é constituído por uma parcela da geração, da transmissão e da
distribuição desta, sendo que deve ser capaz de cobrir os custos de produção e também
remunerar os investidores [Boff 2016]. Na prática, o governo brasileiro da época tentou
reduzir 20% dessa tarifa alterando o marco regulatório dela. Essa Medida Provisória hoje
é a Lei 12.783 [Dilma Roussef 2013].
Ainda sobre o perfil dos investidores, a proporção deles que têm transtornos
mentais como ansiedade e depressão é grande, considerando que, em 2019, já eram 23
milhões de brasileiros os que possuíam algum tipo de transtorno, sendo que ao menos 5
milhões desses sofriam com formas graves e persistentes [“23 milhões de brasileiros
possuem transtornos mentais” 2019]. Um dos sintomas de vários transtornos mentais,
como transtorno afetivo bipolar tipo I e II, transtorno depressivo maior, transtorno
obsessivo compulsivo, transtorno intermitente explosivo, entre outros é o gasto
desenfreado de dinheiro em momentos de crise ou de desestabilização do transtorno
[American Psychiatric Association and American Psychiatric Association 2013]. Esse
tipo de situação pode ser controlado com medicação, terapia e diversas outras formas para
as pessoas diagnosticadas em tratamento, porém as pessoas não diagnosticadas ou que
não estão em tratamento ficam à mercê desses impulsos e podem acabar agindo sobre
eles, causando diversos prejuízos financeiros sem intenção consciente, que podem levar
até a prejuízos em seus relacionamentos. Considerando que grande parte dos
investimentos no mercado de ações tem um prazo fixo e não podem ser alterados
frequentemente, esse é um tipo de obtenção de renda que poderia minimizar os prejuízos
causados para a estabilidade financeira a curto e longo prazo dessas pessoas, para os
mercados e até para a economia.

3. Metodologia
Deep Learning (aprendizagem profunda) é uma das áreas de Machine Learning
(aprendizagem de máquina) que utiliza algoritmos para simular o processo do raciocínio
humano. A ideia por trás do Deep Learning é utilizar neurônios matemáticos para
processar dados, onde a saída da instrução anterior provê a informação para a entrada da
próxima instrução. Cada estrutura desse método é, normalmente, um algoritmo uniforme
que possui uma função de ativação [Data Science Academy 2022]. Dentro desse conceito,
foram escolhidos três métodos para o desenvolvimento do projeto: a LSTM, a simulação
de Monte Carlo e a regressão linear.
A LSTM - Long Short Term Memory (memória de curto e longo prazo) é uma
rede neural artificial recorrente que conta com a habilidade de assimilar conexões em
sequências de informações e é projetada para impedir situações envolvendo dependências
de longo prazo. A LSTM é apropriada para relacionar, processar e prever séries temporais
com intervalos de ciclo de duração desconhecida [Didática Tech [S.d.]]. No
desenvolvimento com a aprendizagem de máquina, pode ocorrer o overfitting, que é
quando o modelo tem um bom desempenho, mas traz um retorno ruim quando são
utilizados os dados de teste, e a LSTM conta com dois métodos para ordenar os preços
das ações e evitá-lo: normalização figura 2 e padronização figura 3. A normalização tem
como objetivo alinhar os valores dentro do intervalo de 0 e 1, e no caso de valor negativo
-1 e 1. A padronização possui o mesmo propósito, mas tem como resultado uma média
equivalente a 0 e desvio padrão igual a 1. Para uma rede neural recorrente com uma
função Sigmoide na camada de saída, é recomendado o uso da normalização ao invés da
padronização [R F Junior 2019].

Figura 2. Fórmula do cálculo da normalização.

Figura 3. Fórmula do cálculo da padronização.

A simulação de Monte Carlo é uma técnica matemática utilizada para prever os

prováveis resultados de um caso incerto que se baseia em amostragens aleatórias massivas
para obter produtos numéricos [IBM 2020]. Em razão de sua precisão, é apropriada para
previsões de longo prazo. Pode trazer várias possibilidades e situações que podemos
vivenciar no curto/longo prazo, o que favorece o analista de ações a obter várias situações
em que pode se basear para realizar uma abordagem de maior sucesso no aporte de sua
próxima ação [Redação XP Educação 2022]. O desenvolvimento do modelo de Monte
Carlo necessita das seguintes fórmulas:

Figura 4. Fórmulas dos cálculos de, respectivamente, drift, volatilidade, retorno

simulado e valor atual.
Sendo que: drift representa a direção que as taxas de retorno, que indicam grau de
sucesso da ação ou ativo, obtiveram no passado; volatilidade é uma variável aleatória,
pois é desconhecido o movimento futuro, e contém uma distribuição normal com
aleatoriedade no intervalo de 0 e 1; r, o retorno simulado, é a soma do drift e a volatilidade
obtidos; e St, o valor atual, é calculado pelo valor do dia anterior multiplicado pelo
exponencial elevado pelo retorno simulado.
 Já a regressão linear é um processo estatístico que consiste na análise da relação
entre uma ou mais variáveis preditoras, também conhecidas como independentes, para se
obter uma variável de resultado (ou dependente) [Carlos Alberto Bonfim 2021]. Calcula-
se a média entre todas as variáveis e é traçada uma linha que a IA considera como sendo
ideal. A regressão se adapta a uma linha reta superficial que reduz as diferenças entre os
valores de saída esperados [IBM [S.d.]]. O desenvolvimento do modelo da regressão
linear usa as seguintes fórmulas:

Figura 5. Fórmula de uma equação linear simples, usada no cálculo da reta do gráfico.

Figura 6. Fórmula do cálculo da média móvel simples (SMA - Simple Moving Average).

Figura 7. Fórmula do cálculo que verifica o coeficiente de determinação.

Sendo que: y é a variável dependente, a e b são, respectivamente, os coeficientes
lineares e angular; e x é a variável independente. Calcula-se o valor da variável
dependente através da soma do coeficiente linear com a multiplicação entre o coeficiente
angular e a variável independente. O erro padrão (e) é uma medida que auxilia na
verificação da confiabilidade do valor médio calculado. Com ele é possível verificar o
coeficiente de determinação: quanto maior o valor, menor a chance do erro padrão,
levando a previsões mais precisas. O indicador Simple Moving Average ou SMA, média
móvel simples em português, consegue atenuar as variações e produzir uma linha que nos
aponta uma valorização ou uma desvalorização de uma maneira constante, e consiste na
soma dos valores de um período, dividido pelo próprio período.
Durante os primeiros seis meses de estudo, foi possível realizar algumas análises
e transformá-las em recursos visuais. A base de dados foi extraída da API do Yahoo
Finance [“Yahoo Finance API alternatives” [S.d.]] e manipulada pelas bibliotecas
Matplotlib, pandas e seaborn do Python. Foram acompanhados os dados do período entre
01/01/2011 e 20/05/2022, que é a data em que o código foi compilado pela última vez,
extraindo as cotações ajustadas de fechamento de pregão e os dividendos ajustados por
splits das ações PETR4, PRIO3, ELET3 e TAEE3. A fim de melhorar a visualização, as
colunas foram renomeadas e os valores foram divididos por mil.
 Figura 8. Trecho de código inicial
A figura 8 mostra a parte do código onde há a importação das bibliotecas
necessárias para todo o tipo de manipulação de dados necessária, incluindo bibliotecas de
análise de dados, análise de funções matemáticas e plotagem de gráficos. No final desse
trecho há a importação dos dados realizada por meio da API do Yahoo Finance, utilizando
os filtros das ações e período selecionados.

Figura 9. Dados de cotação ajustada por splits e dividendos (Adj Close) entre
01/01/2011 e 20/05/2022

Figura 10. Trecho de código e cotação das ações selecionadas, entre 01/01/2011 e
20/05/2022.
 A figura 10 corresponde a performance na bolsa de valores das empresas
selecionadas no período de 01/01/2011 até 20/05/2022. Com este gráfico podemos
concluir que a Eletrobras obteve um maior desempenho em relação às outras três
empresas.

Figura 11. Cotação de PETR4, entre 01/01/2011 e 20/05/2022.

O código da figura 11 realiza o plot do gráfico da ação PETR4, da empresa
Petrobras, no período de 01/01/2011 até 20/05/2022 e com filtros (média móvel
trimestral, cotação diárias, média móvel anual). Este nos mostra que a partir de 2012 a
média móvel veio caindo lentamente até 2016 e a partir daí subiu até 2020, fazendo um
pequeno gap, e voltando a subir após 2021 por conta da pandemia do coronavírus.

Figura 12. Cotação de PRIO3, entre 01/01/2011 e 20/05/2022.

A figura 12 mostra o gráfico plotado das ações PRIO3, da empresa PetroRio, no
período de 01/01/2011 até 20/05/2022 e com filtros (média móvel trimestral, cotação
diárias, média móvel anual). Este nos apresentou queda no período de 2011 até 2014,
depois se comportando de forma estável até 2020 e subindo até 2022.
 Figura 13. Cotação de ELET3, entre 01/01/2011 e 20/05/2022.
A figura 13 corresponde ao gráfico plotado das ações ELET3, da empresa
Eletrobras, no período de 01/01/2011 até 20/05/2022 e com filtros (média móvel
trimestral, cotação diárias, média móvel anual). Este permite observar uma flutuação
negativa até 2014 mantendo-se estável até 2016, oscilando até 2019, porém com variação
positiva até 2022.

Figura 14. Cotação de TAEE3, entre 01/01/2011 e 20/05/2022.

Na figura 14 temos o gráfico plotado das ações TAEE3, da empresa Taesa, no
período de 01/01/2011 até 20/05/2022 e com filtros (média móvel trimestral, cotação
diárias, média móvel anual). Este comportou-se com alta linear de 2012 até mais ou
menos 2017, realizando um gap de baixa até 2019 e a partir daí subindo até 2022.

Figura 15. Cotação de IBOV, entre 01/01/2011 e 20/05/2022.

A figura 15 mostra o gráfico plotado das ações IBOV, no período de 01/01/2011
até 20/05/2022 e com filtros (média móvel trimestral, cotação diárias, média móvel
anual), mostra que o índice Bovespa obteve uma média móvel com leve oscilação de
queda até 2015, caindo bastante em 2016, retornando a subir até 2020, onde tivemos uma
queda abrupta por conta da pandemia, e retornando a patamares médios atuais.

Figura 16. Gráfico de calor das ações (PETR4, PRIO3, ELET3, TAEE3)
O gráfico de calor da figura 16 cruza os dados das diversas ações mais o IBOV
para visualizar o relacionamento e a proximidade entre todas. Quanto mais clara a cor,
maior a proximidade e, quanto mais escura, maior a distância entre elas.

Figura 17. Tabela contendo o desvio padrão e a média dos retornos das ações,
representando a volatilidade das ações também.
 Figura 18. Segunda visualização da tabela contendo o desvio padrão e a média
dos retornos das ações, representando a volatilidade das ações.

Figura 19. Trecho de código e gráfico 'Retorno X Tempo' comparando os dados

de todas as ações mais o Ibovespa.

O código da figura 19 realiza a plotagem do gráfico que o retorno acumulado dos ativos
mostrado foi alcançado pela multiplicação dos retornos diários e somados com 1, e,
através do método cumsum(), foi possível visualizar qual das ações teve o melhor
desempenho no período, baseado em volatilidade e rentabilidade. Desse modo, ficou
claro que a Eletrobras (ELET3) obteve o maior êxito perante as outras empresas, o que
pode ser interpretado de forma a concluir que o setor elétrico é o que está progredindo
cada vez mais no mercado nacional.
 Com o desenvolvimento da segunda parte do projeto, implementamos os três
modelos de predição: LSTM, Monte Carlo e Regressão Linear. Destes modelos, LSTM é
um tipo de rede neural artificial de aprendizagem de máquina, regressão linear é o método
de classificação por meio de uma reta onde o mesmo cálculo a melhor divisão entre os
dados treinados e traça uma reta entre os mesmos, já o Monte Carlo é o método
probabilísticos para os dados de treinamento. Todas as 3 inteligências foram treinadas
com dados históricos extraídos da biblioteca yfinance (Yahoo Finance) e retornam as
previsões das ações escolhidas.

Figura 20. Trecho de código e gráfico de treinamento da ação PETR4.SA

O código apresentado na figura 20 representa as variáveis e estrutura de
treinamento do gráfico plotado da ação PETR4.SA (Petrobrás) de janeiro de 2021 a
outubro de 2022 mostrou previsão aproximada da validação. A linha azul representa o
histórico atual extraído pela biblioteca yfinance (Yahoo Finance) possibilitando o
treinamento da inteligência artificial através destes dados, que viabiliza a criação da linha
amarela correspondente à previsão. Com o objetivo de testar a acurácia, realizamos o
estudo em um período já transcorrido para verificar a precisão da inteligência artificial
desenvolvida.
 Figura 21. Trecho de código e gráfico de simulação de Monte Carlo da ação TAEE3.SA
Na figura 21 temos o gráfico plotado da simulação de Monte Carlo da ação
TAEE3.SA (Taesa). Cada cor exibida representa uma situação diferente em que a ação
poderá passar em 250 dias. Esta quantidade de dias foi escolhida pois a ANBIMA
(Associação Brasileira das Entidades dos Mercados Financeiro e de Capitais) considera
apenas 250 dias como úteis no ano, além de auxiliar na visualização do analista para
interpretar os dados. A linha vermelha representa o valor da ação no dia da execução do
código para fornecer uma maior exatidão na análise do gráfico.
 Figura 22. Regressão linear em código e gráfico resultante sobre predição da ação
ELET3.SA

A figura 22 corresponde ao gráfico da ação ELET3.SA (Eletrobrás) plotado de

01/02/2017 a 02/01/2023 utilizando o modelo de regressão linear. Foi utilizado o
método SMA (média móvel simples), pois este ajuda a tomar decisões, uma vez que
funciona como um indicador de tendência, além de ser calculado considerando o preço
dos períodos. A linha azul é desenvolvida através da biblioteca yfinance (Yahoo
Finance), onde foram extraídos os dados necessários para possibilitar o treinamento da
metodologia de classificação, que permite a criação da linha vermelha, uma predição do
período selecionado.

Para facilitar a visualização do usuário, foi desenvolvido um website que contém

essas informações e retorna os gráficos das ações de energia elétrica, assim como de
qualquer outra ação. Utilizamos, como base, HTML para marcação, CSS para estilizar os
elementos, e as linguagens de programação JavaScript e jQuery junto com a biblioteca
eCharts para realizar a plotagem dos gráficos e outras funções dentro do código. Como
gerenciadores de pacotes, utilizamos o npm, do NodeJS, e o pip, do Python, e o
framework Flask para realizar a conexão do site com o servidor e a ligação com os
cálculos feitos na linguagem Python. Na criação da identidade visual fora utilizados os
softwares Photoshoop, Sketchbook e Inkscape. Em todas as telas do site, o usuário pode
escolher a ação que deseja visualizar, incluindo as ações do setor de energia elétrica, mas
também outras ações, o que dá mais abrangência para o auxílio do site na hora das
decisões dos investidores. A figura 23 representa a tela inicial do site, que contém alguns
indicadores para que o usuário possa obter mais informações sobre o mercado de ações,
especialmente os usuários que não forem investidores. As informações ficam descritas
em cards que, ao passar o mouse, exibem gráficos detalhando a informação, como é
exibido no segundo card de “regiões nos investimentos”. Contém links para acessar as
metodologias utilizadas (LSTM, Regressão linear e Monte Carlo) e uma página que dá
mais detalhes do projeto.

Figura 23. Tela inicial do site.

Na figura 24 é possível ver a tela do site responsável pelas simulações de Monte
Carlo, onde o usuário deve escolher quantas simulações a metodologia deve calcular, e
essas tendências estarão descritas em um gráfico.
 Figura 24. Página do site da simulação de monte carlo.
Na figura 25 é possível ver a tela do site responsável pelo modelo LSTM, onde o
usuário deve escolher quantos dias a frente ele quer visualizar, sendo no máximo 30, e as
tendências calculadas estarão descritas em um gráfico.

Figura 25. Página do site da LSTM.

A figura 26 mostra a tela do site responsável pelo método da regressão linear,
onde o usuário deve escolher quantos dias a frente ele quer visualizar, sendo no máximo
60, e as tendências calculadas pela inteligência artificial junto com os dados da média
móvel geral (SMA) estarão descritas em um gráfico.
 Figura 26. Página do site do método da regressão linear.

4. Conclusão
Após o desenvolvimento e testes realizados em cima da inteligência artificial construída,
podemos verificar que a assertividade está realmente alta para a quantidade de
treinamento realizada na IA até este momento, porém, levando em conta fatores extremos
causados pela sociedade humana, como as decisões que implicam em fatores
socioculturais, econômicos, políticos, demográficos, entre outros, que afetam diretamente
o mercado financeiro e seus desdobramentos, a inteligência artificial terá de ser
constantemente treinada para continuar com seu alto índice de abordagem.
Todavia, temos total ciência de que em qualquer situação as previsões
provavelmente nunca chegarão a 100% de assertividade. E para solução dessa
dificuldade, o código sempre deve-se estar em constante evolução, com novas métricas e
diversas metodologias em conjunto para buscar o melhor cenário possível. Até por isso
mesmo que foram utilizadas 3 técnicas diferentes de metodologias, para retornarmos
resultados preditos em diferentes circunstâncias. Dessa forma, podemos concluir que
quanto mais quantidades de dados tratados e qualitativos na ferramenta, melhor será sua
capacidade de analisar fatores não previsíveis.
5. Referências
23 milhões de brasileiros possuem transtornos mentais (18 sep 2019). Medicina S/A.
https://medicinasa.com.br/transtornos-mentais-docway/, [accessed on Jun 3].
American Psychiatric Association and American Psychiatric Association [Eds.] (2013).
Diagnostic and statistical manual of mental disorders: DSM-5. 5th ed ed. Washington,
D.C: American Psychiatric Association.
ANBIMA (1 jun 2018). IMPACTOS SOCIOECONÔMICOS DO FORTALECIMENTO
DO MERCADO DE CAPITAIS NO BRASIL. p. 44.
Apache Software Foundation ([S.d.]). Apache eCharts.
https://echarts.apache.org/en/index.html, [accessed on Jul 20].
Boff, H. (2016). UMA ANÁLISE DA VOLATILIDADE DO SETOR ELÉTRICO
BRASILEIRO NA CRISE DE 2012: UM ESTUDO EMPÍRICO UTILIZANDO
MODELOS GARCH. p. 131.
Caio Jobim (24 jan 2022). Investidor que previu crash “ponto com” em 2000 e crise do
subprime em 2008 alerta que “super bolha” financeira está prestes a explodir.
https://cointelegraph.com.br/news/investor-who-predicted-2000-dot-com-crash-and-
2007-subprime-crisis-warns-financial-super-bubble-is-about-to-burst, [accessed on
Jun 3].
Carlos Alberto Bonfim (18 feb 2021). Como funciona uma Regressão Linear?
https://medium.com/data-hackers/como-funciona-uma-regress%C3%A3o-linear-
f7208fa6c662, [accessed on Sep 10].
Daniele Camba (24 feb 2022). No mundo digital, influenciadores de investimentos
ganham 36 seguidores por minuto em 2021. https://valorinveste.globo.com/educacao-
financeira/noticia/2022/02/24/no-mundo-digital-influenciadores-de-investimentos-
ganham-36-seguidores-por-minuto-em-2021.ghtml, [accessed on Jun 3].
Data Science Academy (2022). Deep Learning.
Didática Tech ([S.d.]). Como funciona a LSTM - Long Short Term Memory.
https://didatica.tech/lstm-long-short-term-memory/, [accessed on Oct 24].
Dilma Roussef (11 sep 2012). MP 579. MPV 579. 11 sep 2012.
Dilma Roussef (11 jan 2013). 12783. L12783. 11 jan 2013.
Fernando Henrique Cardoso (13 feb 1995). 8987. Lei No 8987. 13 feb 1995.
IBM (4 aug 2020). Simulação de Monte Carlo. https://www.ibm.com/br-
pt/cloud/learn/monte-carlo-simulation, [accessed on Oct 3].
IBM ([S.d.]). Regressão linear, gere previsões usando uma fórmula matemática
facilmente interpretada. https://www.ibm.com/br-pt/analytics/learn/linear-regression,
[accessed on Sep 8].
Investidores | B3 (14 dec 2020). https://www.b3.com.br/pt_br/noticias/investidores.htm,
[accessed on Jun 3].
Luana Meneghetti (13 aug 2021). Cresce número de jovens interessados em investir na
Bolsa – Comportamento – Estadão E-Investidor – As principais notícias do mercado
 financeiro. https://einvestidor.estadao.com.br/comportamento/cresce-jovens-
investidores-bolsa-b3, [accessed on Jun 3].
Por que muitos jovens estão fazendo investimentos de risco (14 jan 2022). BBC News
Brasil,
R F Junior, J. (11 jun 2019). Redes Neurais Recorrentes - LSTM.
https://medium.com/@web2ajax/redes-neurais-recorrentes-lstm-b90b720dc3f6,
[accessed on Oct 21].
Redação XP Educação (19 feb 2022). O que é a simulação de Monte Carlo? Entenda
como ela funciona nos investimentos. https://blog.xpeducacao.com.br/simulacao-de-
monte-carlo/, [accessed on Oct 4].
Tecmundo (12 dec 2017). A história e o estouro da bolha da internet do ano 2000 [vídeo].
https://www.tecmundo.com.br/mercado/124475-historia-estouro-bolha-da-internet-
ano-2000-video.htm, [accessed on Jun 3].
Yahoo Finance API alternatives ([S.d.]). https://www.yahoofinanceapi.com/, [accessed
on Jun 3].