Modelo preditivo para precificação de ativos com integração de notícias do mercado financeiro e técnicas de machine learning

Resumo

Este estudo propõe um modelo preditivo para a precificação de ativos financeiros, integrando análise de sentimento de notícias econômicas e dados financeiros históricos por meio de técnicas de aprendizado de máquina. O processo inclui a automação da coleta de dados, aplicação de métodos de processamento de linguagem natural (NLP) para classificação de notícias e uso de algoritmos como LSTM e LightGBM para previsão de preços. Os resultados indicam que a inclusão de variáveis textuais melhora o desempenho preditivo em relação aos modelos baseados apenas em variáveis técnicas, com ganhos observados em métricas como R2 , MAE, MAPE e RMSE. A pesquisa reforça o potencial da análise de dados não estruturados como complemento à modelagem tradicional de séries temporais em finanças.

Ficha do documento

Tipo

Dissertação

Ano

2025

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Português

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/37243

Temas

EconomiaModelagem EconômicaDados

Palavras-chave

Precificação de ativosAnálise de sentimentoAprendizado de máquinaSéries temporaisProcessamento de linguagem naturalAsset pricingSentiment analysisMachine learningTime seriesNatural language processingEconomiaModelo de precificação de ativosProcesso decisórioAnálise de séries temporaisProcessamento da linguagem natural (Computação)Aprendizado de computador