Pantheon Repositório Institucional da UFRJ
Coleta, preserva e divulga a produção acadêmica digital em todas as áreas do conhecimento.
São os ativos do repositório, além de teses e dissertações da UFRJ, artigos científicos, livros eletrônicos, capítulos de livros e trabalhos apresentados em eventos por professores, pesquisadores, funcionários administrativos e alunos de mestrado e doutorado.
Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/11422/26176
| Tipo: | Trabalho de conclusão de graduação |
| Título: | Analyzing stock market data using unsupervised learning techniques |
| Autor(es)/Inventor(es): | Figueiredo, Camila Caleones de |
| Orientador: | Lopes, Giseli Rabello |
| Coorientador: | Valério, Juliana Vianna |
| Resumo: | Compreender o mercado financeiro pode ser desafiador, especialmente para investidores que precisam lidar com uma grande quantidade de informações, termos técnicos e variações nos preços dos ativos. Este projeto busca facilitar esse processo ao analisar como diferentes indicadores financeiros– como volatilidade, capitalização de mercado e rendimento de dividendos– podem ajudar na categorização de empresas. utilizando técnicas como a Análise de Componentes Principais (PCA) para redução de dimensionalidade e métodos de clusterização, como o K-Means, o estudo identifica padrões e semelhanças entre os ativos. Isso permite agrupar empresas com características financeiras semelhantes, tornando a avaliação de risco e a busca por oportunidades de investimento mais intuitivas. Por exemplo, é possível identificar clusters de empresas mais voláteis e com menor retorno, que podem representar investimentos de maior risco, assim como empresas com retornos mais estáveis e menor volatilidade, que podem interessar a perfis mais conservadores. A PCA contribui para a simplificação da análise ao destacar os fatores mais relevantes, ajudando a filtrar ruídos e priorizar as informações mais úteis para a tomada de decisão. Embora essas ferramentas não ofereçam garantias sobre o desempenho futuro dos investimentos, elas ajudam a estruturar os dados de forma mais clara, permitindo que investidores tomem decisões mais informadas. O objetivo principal do projeto é tornar a análise do mercado mais acessível, principalmente para iniciantes, ao oferecer uma visão mais organizada e visual dos dados. Dessa forma, tanto investidores experientes quanto novos participantes do mercado podem usar essas informações para entender melhor os riscos, identificar oportunidades e desenvolver estratégias com mais confiança. |
| Palavras-chave: | Inteligência artificial Mercado de ações Aprendizado de máquina Aprendizado não supervisionado Clusterização hierárquica Artificial intelligence Stock market Machine learning Unsupervised learning Hierarchical clustering |
| Assunto CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
| Unidade produtora: | Instituto de Computação |
| Editora: | Universidade Federal do Rio de Janeiro |
| Data de publicação: | 14-Fev-2025 |
| País de publicação: | Brasil |
| Idioma da publicação: | por |
| Tipo de acesso: | Acesso Aberto |
| Aparece nas coleções: | Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| CCFigueiredo.pdf | 748.15 kB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.