Previsão do IBOVESPA: Modelo Preditivo com Machine Learning para Apoiar Decisões em Fundos de Investimento.

1. Introdução

Durante o TechChallenge da pós-graduação em Data Analytics da FIAP, fui desafiada a atuar como cientista de dados em um cenário simulado para um grande fundo de investimentos. O principal objetivo era desenvolver um modelo de Machine Learning capaz de prever, com pelo menos 75% de acurácia, se o índice IBOVESPA (IBOV) fecharia em alta ou baixa no dia seguinte.

Para isso, trabalhei com dados históricos do IBOVESPA obtidos na plataforma Investing.com — uma das maiores referências globais em informações financeiras, reconhecida por rankings como o SimilarWeb e a Alexa.

Fonte: https://www.investing.com/blog/alexa-top-500-global-sites-240

2. Conhecendo os dados

O IBOVESPA é o principal índice da Bolsa Brasileira (B3) e reflete o desempenho das ações mais negociadas do país. Ele funciona como um termômetro do mercado, sobe quando a maioria dessas ações se valoriza e cai quando perdem valor. Serve como referência para que investidores avaliem se o mercado está otimista ou pessimista.

Para este projeto, trabalhei com uma base de dados que traz o histórico diário detalhado do IBOVESPA. Ela inclui as informações: preço de abertura, fechamento, mínimo e máximo do dia, o volume negociado e a variação do índice em relação ao dia anterior.

Inicialmente, o período analisado é de 2006 a 2025.

Figura 1 — Prévia dos dados da base utilizada na análise.

Fonte de dados: https://br.investing.com/indices/bovespa-historical-data

3. Análise Exploratória

Tendência: Ao analisar o comportamento do IBOVESPA entre 2006 e 2025, fica evidente que o índice operava em níveis bem mais baixos até 2017. Isso aparece com clareza no gráfico, onde ele se mantém abaixo dos 80 mil pontos por um bom tempo. Já entre 2016 e 2019, o cenário muda: o índice passa a subir de forma mais acelerada, chegando perto dos 120 mil pontos.

Essas diferenças de contexto podem distorcer os padrões mais recentes e acabar afetando a precisão do modelo preditivo. Por isso, optei por focar nos dados dos últimos seis anos, de 2019 a 2025. Apesar da queda atípica em 2020, causada pela pandemia de COVID-19, o IBOVESPA se manteve em um patamar mais elevado nos anos seguintes.

Isso permite que o modelo esteja mais alinhado com as dinâmicas atuais do mercado, o que contribui para um desempenho mais estável e adaptável nas previsões futuras.

Figura 2 — Gráfico de tendência do índice de fechamento IBOVESPA de 2006 a 2025.

Correlação: O Heatmap de Correlação oferece uma visão clara de como as variáveis do IBOVESPA se conectam. Os preços — abertura, fechamento, máxima e mínima — mostram uma forte correlação entre si, o que é esperado, já que são diferentes formas de analisar o mesmo índice. O volume negociado também se relaciona positivamente com os preços, embora de forma mais moderada. Isso indica que ele tem influência nas oscilações, ajudando a entender a força e a intensidade dos movimentos. Já a variação diária se destaca por seguir um caminho mais independente. Sua baixa correlação com as demais variáveis reforça seu papel único como indicador de mudança e oscilação.

Considerando essas relações, fica claro que cada variável traz uma contribuição única para a análise e são fundamentais para a construção do modelo.

Figura 3 — Gráfico Heatmap de Correlação das variáveis da base de dados.

4. Engenharia de Atributos

Para oferecer ao modelo uma visão mais completa e contextualizada do comportamento do IBOVESPA, criei novas variáveis (features) a partir dos dados originais:

• Amplitude Diária: Representa a volatilidade do dia, calculada pela diferença entre o preço máximo e mínimo, tanto em valores absolutos quanto percentuais.
• Valores Defasados (Lagged Features): Incluem os preços de fechamento, abertura, máximo, mínimo, volume e variação dos dias anteriores (1, 2 e 3 dias).
• Médias Móveis: Cálculo de médias dos últimos 5, 10 e 20 dias para preços, volume e variação.
• Variações Percentuais de Períodos: Indicam o crescimento ou declínio das variáveis ao longo de 5, 10 e 20 dias.

Essas variáveis serão usadas para aprimorar a capacidade de aprendizado do modelo e aumentar sua precisão nas previsões.

5. Resultado Esperado (Target)

O principal objetivo desta análise é prever se o IBOVESPA fechará em alta ou baixa no dia seguinte. Para isso, criei uma variável-alvo binária, que assume o valor 1 quando o preço de fechamento do dia seguinte (D+1) é maior que o do dia atual, e 0 quando é menor ou igual.

Essa variável indica a tendência de movimento do índice, servindo como base para o modelo aprender a prever o comportamento do mercado com base nas variáveis disponíveis.

6. Limpeza de Dados

1. Após a criação de novas variáveis (features) que envolvem valores passados e futuros, identifiquei algumas linhas incompletas por não possuírem dados correspondentes. Além disso, alguns cálculos realizados na engenharia de atributos geraram valores infinitos — provavelmente devido a divisões por zero. Para garantir a qualidade e a integridade do conjunto de dados, realizei uma etapa de limpeza.

Nessa etapa, identifiquei e removi todas as linhas que continham valores em branco ou infinitos.

Resultados da Limpeza:

• Total de linhas antes da limpeza: 1.494
• Total de linhas após a exclusão: 1.464
• Número de linhas excluídas: 30

Considerando o volume total da base, a exclusão desses registros não causará impacto significativo ao modelo, especialmente porque o período analisado — de 2019 a 2025 — foi mantido.

Figura 4 — Gráfico de tendência do índice de fechamento IBOVESPA de 2019 a 2025.

7. Escolha do Modelo

O modelo escolhido para este projeto foi o Random Forest.

Esse modelo é capaz de capturar padrões não lineares com precisão, o que é perfeito para o contexto IBOVESPA, onde as relações entre variáveis raramente seguem uma lógica simples ou direta. Além disso, o modelo lida bem com diferentes tipos de variáveis e fornece uma estimativa da importância de cada uma, o que é valioso para entender os fatores que mais influenciam a previsão. Outro ponto positivo é que ele não exige normalização das variáveis, o que simplifica o pré-processamento e torna o modelo mais resistente a ruídos nos dados.

8. Construção e Treino do Modelo

Separação e divisão dos dados: O primeiro passo para construir o modelo foi organizar os dados de forma adequada. A base foi dividida em duas partes principais:

• Features (X): Todas as variáveis criadas na Etapa 4 (Engenharia de Atributos), que o modelo usará para aprender padrões.
• Variável-Alvo (Y): A variável binária definida na Etapa 5 (Resultado Esperado), que indica se o IBOVESPA fechará em alta ou baixa no dia seguinte.

Essa separação foi feita com base no mesmo intervalo temporal: de 19/08/2019 a 18/07/2025.

Em seguida, para avaliar o desempenho do modelo, dividi os dados em dois períodos:

• Treino: De 19/08/2019 a 05/06/2025 (1.434 dias), usado para o modelo aprender.
• Teste: De 06/06/2025 a 18/07/2025 (30 dias), usado para validar se o modelo consegue prever corretamente.

Com isso, obtive quatro conjuntos de dados: X_treino, Y_treino, X_teste e Y_teste, com uma divisão de aproximadamente 98% para treino e 2% para teste, garantindo um volume robusto para aprendizado e um período recente para validação.

Balanceamento da Variável-Alvo:

Após a separação, verifiquei o balanceamento da variável-alvo (Y) nos conjuntos de treino e teste. Isso é essencial para evitar que o modelo favoreça a classe mais frequente.

Os resultados mostraram um bom equilíbrio:

• Treino: Classe 1 (alta) = 51,74% | Classe 0 (baixa) = 48,26%
• Teste: Classe 1 (alta) = 43,33% | Classe 0 (baixa) = 56,67%

Esse balanceamento garante que o modelo tenha exemplos suficientes para aprender a prever ambas as situações.

Definição dos parâmetros do modelo:

Testei diferentes combinações de hiperparâmetros usando o GridSearchCV e ajustes manuais. A configuração que apresentou melhor desempenho e evitou overfitting foi:

• random_state = 798,
• n_estimators = 30
• max_depth = 30
• min_samples_leaf = 3
• min_samples_split = 52
• max_features = sqrt
• class_weight = balanced.

Esses parâmetros foram definidos como padrão para o treinamento final.

Treinamento do modelo:

Com os dados organizados e os parâmetros definidos, realizei o treinamento do modelo. Nessa etapa, o Random Forest analisa os dados de treino (X_treino e Y_treino) e aprende os padrões que indicam se o IBOVESPA tende a subir ou cair no dia seguinte.

9. Teste do Modelo

Primeiro teste: Neste teste inicial, avaliei o modelo utilizando todas as 56 variáveis criadas na Etapa 4 (Engenharia de Atributos). A previsão foi realizada tanto com os dados de treino (que o modelo já conhece) quanto com os dados de teste (nunca vistos antes). Avaliar o desempenho no conjunto de treino ajuda a identificar possíveis sinais de overfitting.

O modelo atingiu 85% de acurácia com os dados de treino e 57% com os dados de teste. Isso indica que o modelo conseguiu aprender com os dados, mas ainda apresenta dificuldades para prever corretamente situações novas.

Figura 5 — Gráfico comparativo de acurácia (Teste1).

A acurácia oferece uma visão geral do desempenho, mas para entender melhor como o modelo se comporta em cada categoria, analisei a Matriz de Confusão. Nela, é possível observar que o modelo classificou todos os dados de teste como categoria 0 (baixa), revelando dificuldade em prever os dias de alta (categoria 1).

Figura 6 — Gráfico Matriz da Confusão (Teste1).

Para melhorar o desempenho, avaliei a importância das variáveis e selecionei as 20 que mais contribuíram para a performance do modelo.

Figura 7 — Gráfico de barras de importância das features (Top 20 — Teste1).

Segundo teste: Neste teste, utilizei apenas as 20 variáveis mais relevantes identificadas no teste anterior. O modelo apresentou 85% de acurácia no treino e 80% no teste, mostrando uma melhora significativa na capacidade de previsão.

Figura 8 — Gráfico comparativo de acurácia (Teste2).

A nova Matriz de Confusão revela que, para a classe 0 (baixa), o modelo foi extremamente eficaz: acertou todos os 17 dias em que o IBOVESPA realmente fechou em baixa. Isso representa uma segurança importante para decisões de venda dos investidores, evitando prejuízos.

Por outro lado, o modelo ainda apresenta dificuldades em prever fechamentos de alta. Dos 13 dias em que o IBOVESPA fechou em alta, ele acertou 7 e errou 6, classificando-os como baixa. Isso significa que, em alguns momentos, os investidores podem perder oportunidades de ganhos.

Figura 9 — Gráfico Matriz da Confusão (Teste2).

Esse diagnóstico se confirma ao analisar o relatório de classificação da classe 1 (alta):

• Precisão (Precision): 100% — o modelo acertou todas as vezes que previu alta.
• Recall: 54% — o modelo identificou corretamente 54% dos dias que realmente fecharam em alta.
• F1 Score: 70% — indica um bom equilíbrio entre precisão e recall.

Ou seja, embora o modelo ainda não identifique todos os dias de alta, quando ele prevê que o mercado vai subir, essa previsão tem sido confiável.

Figura 10 — Gráfico do Relatório de Classificação (Teste2).

10. Conclusão sobre o Desempenho do Modelo:

Ao avaliar o desempenho do modelo de previsão para o IBOVESPA, o principal destaque é a sua forte capacidade de proteger o investidor contra o principal risco: prever uma alta (Classe 1) quando, na realidade, o mercado fecha em baixa (Classe 0). Esse tipo de erro pode resultar em prejuízos significativos.

O modelo demonstra alta confiabilidade ao minimizar esse risco crítico, sendo especialmente recomendado para investidores com perfil conservador — aqueles que priorizam a preservação de capital e menor exposição ao risco, mesmo que isso signifique abrir mão de algumas oportunidades de lucro.

Resumo Técnico

Ferramentas utilizadas:

• Editor: VSCode
• Linguagem: Python
• Bibliotecas: Pandas, Matplotlib, NumPy, Seaborn, Plotly, Scikit-learn

Obs: Todos as imagens de gráficos do artigo foram geradas no Notbook do projeto, disponível no GitHub mencionado abaixo.

Estruturação do Projeto:

-Pesquisa de Mercado

Iniciei o projeto com uma pesquisa sobre o mercado de ações, buscando entender os principais termos, dinâmicas e características do setor. Essa etapa foi essencial para garantir que eu tivesse uma base sólida antes de trabalhar com os dados.

-Avaliação da Base de Dados

Avaliei a confiabilidade dos dados disponibilizados pelo site Investing.com, verificando a credibilidade da fonte e analisando cada coluna da base para entender seu significado. Isso me permitiu utilizar as informações de forma precisa e consciente.

-Análise Exploratória

Realizei ajustes no formato de algumas colunas, como variação e valor, que estavam em formato de string — converti para float para facilitar a visualização e análise. Em seguida, explorei as tendências das variáveis, com foco especial no valor de fechamento do IBOVESPA e suas correlações.

-Preparação da Base para o Modelo

Criei novas variáveis (features) a partir dos dados originais, com o objetivo de ampliar as possibilidades de aprendizado do modelo. Usei diferentes períodos e combinações para que ele pudesse “olhar para o passado” e prever o futuro. Também construí uma variável-alvo binária, que indica se o IBOV fechará em alta ou baixa. Após isso, realizei a limpeza dos dados, removendo valores nulos e inconsistentes que poderiam comprometer a performance do modelo.

-Escolha do Modelo

Embora o foco do estudo tenha sido o Random Forest, testei outros modelos como ARIMA, SARIMA e Regressão Linear. No entanto, eles não apresentaram bom desempenho na previsão. Por isso, optei por seguir com o Random Forest, que mostrou maior precisão e estabilidade.

-Criação e Teste do Modelo

Dividi a base em dados de treino e teste, garantindo que a variável-alvo estivesse balanceada. Testei diversas combinações de parâmetros, pois algumas causavam overfitting. Ajustei os parâmetros até encontrar a configuração que ofereceu o melhor equilíbrio entre aprendizado e capacidade de previsão.

-Análise de performance do Modelo

Avaliei o desempenho do modelo por meio de métricas como acurácia, matriz de confusão e relatório de classificação. Essas análises me ajudaram a garantir que o modelo não apenas acertasse, mas também tivesse equilíbrio entre as classes (baixa e alta). Com base nos resultados, fui aprimorando o modelo até alcançar um desempenho confiável.

-Publicação e Acesso ao Projeto Para viabilizar o acesso o projeto disponibilizei em:

• GitHub: O projeto foi salvo no GitHub, permitindo que os usuários acessem o notebook e visualizem as técnicas aplicadas na análise (https://github.com/gesianne9/TechChallenge2).
• Conteúdo na Web: O artigo foi disponibilizado online, garantindo maior acessibilidade e comodidade de leitura para os usuários (site atual).

Glossário Técnico

*Correlação: Ajuda a identificar se duas variáveis têm um relacionamento, se movendo juntas de alguma forma. Ela pode ser positiva, quando uma variável sobe e a outra também sobe; negativa, quando uma sobe e a outra desce; ou as variáveis podem não ter nenhuma relação. Para saber o grau de correlação, avalia-se o coeficiente de correlação, um número que vai de -1 a 1. Valores próximos de 1 indicam uma relação positiva e forte, enquanto valores próximos de -1 indicam uma relação negativa e forte.

* Variável-Alvo Binária: É uma variável que assume apenas dois valores possíveis, geralmente 0 e 1. No contexto de Machine Learning, ela é a variável que nosso modelo busca prever e que responde a uma pergunta de “sim ou não”. Neste estudo, a variável-alvo responde à pergunta: “O Ibovespa vai subir amanhã?”. O valor 1 representa a resposta “sim” (o Ibovespa sobe), enquanto o valor 0 representa “não” (ele cai ou se mantém estável)

*Random Forest: É um modelo de Machine Learning que constrói várias “árvores de decisão”. Cada árvore funciona como um grupo de perguntas e respostas do tipo “sim ou não”, seguindo uma sequência de perguntas simples, como:

— “O fechamento anterior foi positivo?”

— “Houve variação negativa?”

— “O volume de negociações caiu?”

Cada árvore dá sua “opinião” sobre o resultado, e o modelo final escolhe a resposta mais comum entre elas — como uma votação. Isso reduz o risco de erro e torna a previsão mais confiável

*Overfitting: Acontece quando o modelo “decora” os dados em vez de aprender de verdade. Como quem decora respostas de prova sem entender: acerta nos exemplos conhecidos, mas falha nos novos por não conseguir aplicar o conhecimento em situações diferentes.

*Parâmetros: São ajustes que controlam o funcionamento do modelo. No Random Forest, por exemplo, defini quantas árvores seriam criadas, a profundidade máxima de cada uma e quantos dados cada árvore poderia usar para fazer previsões.

*Acurácia: Representa o percentual de acertos do modelo. Se ele fez 100 previsões e acertou 85, a acurácia é 85%.

*Precisão, Recall e F1 Score: São métricas que ajudam a entender como o modelo se comporta nos acertos e nos erros, especialmente em classificações.

• Precisão: É como perguntar entre todas as vezes que o modelo disse “vai subir”, quantas vezes ele acertou? Exemplo: se ele disse que o IBOV subiria 10 vezes, mas só acertou 6, a precisão é 60%.
• Recall: É como perguntar entre todas as vezes que o IBOV realmente subiu, quantas vezes o modelo acertou? Exemplo: se o IBOV subiu 13 vezes e o modelo só previu 7 dessas, o recall é 53,8%.
• F1 Score: É o equilíbrio entre precisão e recall. Avalia se o modelo está sendo justo — acertando com consistência, sem deixar passar muitos casos que deveria prever.

Linkedin: https://www.linkedin.com/in/gesianne-azevedo/