Aplicação de Redes Neurais Recorrentes do tipo GRU na Previsão de Preços de Ações

Resumo

A previsão de preços de ações é um desafio relevante devido à volatilidade, à não linearidade e à influência de diversos fatores econômicos sobre o mercado financeiro. Nesse contexto, as redes neurais artificiais, especialmente os modelos recorrentes, destacam-se pela capacidade de aprender padrões temporais complexos a partir de dados históricos. Este estudo teve como objetivo avaliar a aplicação de uma rede neural recorrente do tipo GRU (Gated Recurrent Unit) na previsão do preço de fechamento de ações. A hipótese central é que uma arquitetura GRU, associada a técnicas de controle de overfitting, é capaz de capturar padrões relevantes em séries temporais financeiras e produzir previsões de curto prazo com desempenho satisfatório. Foram utilizados dados históricos de aproximadamente 3 anos e 11 meses, de janeiro de 2021 a novembro de 2024, considerando como variáveis de entrada os preços de abertura, fechamento, máximo, mínimo e volume negociado. Os preços foram corrigidos pelo IPCA e organizados em janelas temporais de cinco dias para prever o preço de fechamento do dia seguinte. A base foi dividida em 63% para treinamento, 7% para validação e 30% para teste, respeitando a ordem temporal dos dados. O modelo apresentou MAE de 1,75, MSE de 7,18, RMSE de 2,68, MAPE de 4% e R² de 92%, indicando boa aderência entre valores reais e previstos. Os resultados sugerem que a GRU possui capacidade satisfatória de generalização e pode auxiliar na análise de tendências do mercado financeiro.