PT
A previsão dos mercados financeiros é uma tarefa complexa, contudo, tentadora, pois uma previsão certeira pode-se traduzir em retornos significativos. A maioria dos investidores de retalho perde dinheiro no mercado de ações, visto que estes são influenciados por vários fatores externos como a oferta e a procura, o sentimento dos investidores, o estado atual da economia, medidas governamentais, entres outros. Assim sendo, o principal objetivo desta dissertação é perceber o impacto da junção de diferentes tipos de indicadores, indicadores técnicos, fundamentais e de sentimento, na classificação da tendência do índice NASDAQ 100. Para tal, foi desenvolvido um modelo de machine learning, utilizando o algoritmo eXtreme Gradient Boosting (XGBoost), que provou ser um algoritmo eficiente com as melhores métricas (accuracy, precision, recall e f1-score), a rondarem os 92%, aquando da junção das três categorias de indicadores, tendo-se recorrido ao método de randomized search para alavancar o processo de otimização dos hiper-parâmetros. Apesar da dificuldade de conciliar os indicadores fundamentais, com os indicadores técnicos e de sentimento, devido à sua periocidade ser trimestral e os outros diária, estes contribuíram para uma ligeira melhoria na performance do modelo conjugados com as outras duas categorias de indicadores.
EN
Forecasting financial markets is a complex task, as accurate predictions can lead to significant returns. Most retail investors lose money in the stock market, because markets are influenced by various external factors such as supply and demand, investor sentiment, the current state of the economy, and government measures, among others. Therefore, the primary objective of this dissertation is to understand the impact of combining different types of indicators—technical, fundamental, and sentiment indicators—on the classification of the NASDAQ 100 index trend. To achieve this, a machine learning model was developed using the eXtreme Gradient Boosting (XGBoost) algorithm, which proved to be an efficient algorithm with the best metrics (accuracy, precision, recall and f1-score), reaching around 92% when combining the three categories of indicators. The optimization of hyperparameters was leveraged using the randomized search method. Despite the challenge of reconciling fundamental indicators with technical and sentiment indicators, due to their quarterly and daily periodicity respectively, the performance of the model slightly improved when these indicators were combined with the other two categories.
