Titulo: Modelagem bioinspirada de comportamentos coletivos para a previsão de preços e tendências de curto prazo no mercado acionário
Comissão Examinadora - Titulares
Prof. Dr. João Roberto Bertini Júnior (Presidente) FT/Unicamp
Prof. Dr. Guilherme Palermo Coelho - FT/Unicamp
Prof. Dr. Renato Tinós - USP
Prof. Dr. Roberto Souto Maior de Barros - UFPE
Profa. Dra. Lilian Berton - UNIFESP
Suplentes
Prof. Dr. Daniel Carlos Guimarães Pedronette - UNESP
Prof. Dr. Zhao Liang - USP
Prof. Dr. Ulisses Martins Dias - FT/Unicamp
Local: LP04 (Prédio da Informática da FT) | https://stream.meet.google.com/stream/6bfc540a-2a0f-46c8-95b5-9e08f6173e30
Resumo: A tentativa de prever o comportamento do mercado de ações é amplamente reconhecida
como um desafio complexo, em razão da elevada volatilidade e da complexidade inerentes a
esse ambiente, porém altamente atrativo para pesquisadores e profissionais. Com o objetivo
de aumentar a acurácia das previsões, propostas recentes têm empregado técnicas de
aprendizado de máquina baseadas em grandes volumes de dados heterogêneos. No entanto,
essa abordagem apresenta limitações relevantes: (i) a disponibilidade de grandes bases de
dados nem sempre é garantida para determinado ativo; ou pode haver dependência de fontes
externas nem sempre disponíveis, como notícias e mídias sociais; (ii) tais métodos tendem a
ser computacionalmente intensivos; e (iii) os dados do mercado acionário são tipicamente
representados por séries temporais que não exibem padrões estáveis, mas sim
comportamentos predominantemente estocásticos, o que inviabiliza projeções confiáveis no
longo prazo. Nesse contexto, métodos bioinspirados destacam-se por oferecerem
mecanismos de adaptação dinâmica e estratégias eficientes de modelagem e tomada de
decisão. Esta tese investiga a modelagem de comportamentos coletivos observados em
grupos de animais, em particular peixes e aves, como uma metáfora computacional para
representar a dinâmica de ativos no mercado de ações. A partir dessa perspectiva, são
propostos dois algoritmos bioinspirados: Fish School for Market Movement (FSMM), inspirado
no comportamento coletivo de cardumes de peixes, e Flock Behavior for Market Movement
(FBMM), baseado nas dinâmicas de revoadas de aves. As soluções propostas utilizam janelas
reduzidas de dados históricos, considerando exclusivamente informações de preço e volume,
e apresentam baixo custo computacional. Os algoritmos foram avaliados em múltiplos
mercados e índices financeiros globais, incluindo S&P 500, Nasdaq 100, Ibovespa, CSI 300 e
Euro Stoxx 50, sendo comparados com métodos tradicionais de classificação e regressão,
como CNN, MLP, SVM e XGBoost, bem como com abordagens estado da arte, incluindo
LSTM-GCN, GA-RF, MCP, STOCKNET+MFFS, WT-BRO-DT e DPSO-PSO-FFNN. Os
resultados experimentais indicam que os algoritmos propostos superam consistentemente os
benchmarks avaliados. Na tarefa de previsão de tendência, o FBMM alcançou F1-scores
médios entre 74% e 76%, com elevada estabilidade temporal, enquanto o FSMM obteve
F1-scores médios entre 74% e 77%, ainda que com maior variabilidade em alguns períodos.
Ambos os métodos apresentaram desempenho superior aos modelos tradicionais e do estado
da arte. Na previsão de preço de ações, o FBMM apresentou os menores valores médios de
RMSE nos índices CSI 300, Euro Stoxx 50, Ibovespa e S&P 500, mantendo coeficientes de
determinação elevados (��2 > 99, 65%), comparáveis ou superiores aos melhores modelos de
referência. De forma geral, os resultados confirmam a hipótese central desta tese,
evidenciando que abordagens bioinspiradas são capazes de capturar padrões coletivos
relevantes do mercado financeiro e constituem alternativas eficazes, robustas e
computacionalmente eficientes para a previsão de movimentos e preços de ativos no curto
prazo.