Buy and Hold Inteligente
Sinalização de Compra para Ações Perenes com Random Forest
Palabras clave:
Aprendizagem de Máquina, Otimização de Portfólio, Random Forest, Buy and Hold, BacktestingResumen
A otimização dos pontos de compra é um fator crítico para potencializar os retornos de longo prazo na estratégia Buy and Hold. Este projeto aborda esse desafio ao desenvolver e avaliar um framework que utiliza modelos Random Forest para prever momentos oportunos de compra em uma carteira de ações perenes. A eficácia dos sinais gerados pelos modelos é validada via um sistema de backtesting, que compara o desempenho de estratégias de alocação dinâmica contra benchmarks passivos. Os resultados indicam que o timing guiado por Machine Learning pode oferecer vantagens significativas, e contribui com a própria estrutura metodológica para o teste de estratégias quantitativas.
Citas
Achelis, S. B. & Achelis, S. (2001). Technical Analysis from A to Z. McGraw Hill New York.
Aziz, S., Dowling, M., Ghandour, A., & Trigonometricio, P. (2022). Machine learning in finance: A topic modeling approach. European Financial Management, 28(3), 744–770.
B3. (2025). B3 - Brasil, Bolsa, Balcão. Disponível em: https://www.b3.com.br/. Acesso em: 13 de agosto de 2024.
B3. (2024). Pessoas Físicas na B3. Acessado em 13 de agosto de 2024, de https://www.b3.com.br/pt_br/noticias/pessoas-fisicas-na-b3.htm
Ballings, M., Van den Poel, D., Hespeels, N., & Gryp, R. (2015). Evaluating multiple classifiers for stock price direction prediction. Expert systems with Applications, 42(20), 7046–7056.
Botache, D., Pérez, D., & Arbeláez, P. (2023). Unraveling the complexity of splitting sequential data: tackling challenges in video and time series analysis. arXiv preprint arXiv:2307.14294.
Brader, T. (2020). Campaigning for hearts and minds: How emotional appeals in political ads work. University of Chicago Press.
Campbell, S. D. (2005). A review of backtesting and backtesting procedures. Finance and Economics Discussion Series 2005-21, Board of Governors of the Federal Reserve System (U.S.).
Cooper, B. S. (2018). Interactive Planning and Sensing for Aircraft in Uncertain Environments with Spatiotemporally Evolving Threats [Tese de Doutorado, The Pennsylvania State University].
da Silva SANTOS, G. F., da Silva SANTOS, C. A., & MARQUES, N. L. (2021). A estratégia de buy and hold na composição da carteira de jovens investidores da baixada fluminense. Caderno de Administração, 29(2), 6–31.
Damodaran, A. (1997). Avaliação de investimentos: ferramentas e técnicas para determinação do valor. Qualitymark Editora Ltda.
Deboeck, G. J. (1994). Trading on the edge: neural, genetic, and fuzzy systems for chaotic financial markets. John Wiley & Sons.
El Naqa, I. & Murphy, M. J. (2015). What is machine learning?. Em Machine learning in radiation oncology: theory and applications (pp. 3–11). Springer International Publishing, Cham.
Haryanto, J. T. (2024). Short-Term Versus Long-Term Portfolio Management Strategies and the Selection of Securities. Advances in Management & Financial Reporting, 2(1), 11–23.
Investidor10. (2025). Investidor10 - Ajudando você a investir melhor. Disponível em: https://investidor10.com.br/. Acesso em: 13 de agosto de 2024.
Ma, Y., Han, R., & Wang, W. (2021). Portfolio optimization with return prediction using deep learning and machine learning. Expert Systems with Applications, 165, 113973.
Malek, N. H. A., Wan Yaacob, W. H. M., Mohammad, N. A., & Abdul-Ghaffar, A. (2022). Prediction of water quality classification of the Kelantan River Basin, Malaysia, using machine learning techniques. Water, 14(7), 1067.
Navlani, A., Fandango, A., & Idris, I. (2021). Python Data Analysis: Perform data collection, data processing, wrangling, visualization, and model building using Python. Packt Publishing Ltd.
Newman, J. L., Fuqua, D. R., Gray, E. A., & Simpson, D. B. (2006). Gender differences in the relationship of anger and depression in a clinical sample. Journal of Counseling & Development, 84(2), 157-162.
Oğuz, R. F., Eyercioğlu, Ö. K., & Avci, D. (2019). On the use of technical analysis indicators for stock market price movement direction prediction. Em 2019 27th Signal Processing and Communications Applications Conference (SIU) (pp. 1–4). IEEE.
Pixley, J. (2004). Emotions in finance: Distrust and uncertainty in global markets. Cambridge University Press.
Scikit-learn developers. (2024). sklearn.pipeline.Pipeline. Acessado em 29 de julho de 2025, de https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.Pipeline.html
Status Invest. (2025). Status Invest - Análise de Ações, Fundos Imobiliários e muito mais. Disponível em: https://statusinvest.com.br/. Acesso em: 13 de agosto de 2024.
Shaik, A. B. & Srinivasan, S. (2018). A brief survey on random forest ensembles in classification model. Em International Conference on Innovative Computing and Communications: Proceedings of ICICC 2018, Volume 2 (pp. 253–260). Springer Singapore.
Silva, N. F., de Andrade, L. P., da Silva, W. S., de Melo, M. K., & Tonelli, A. O. (2024). Portfolio optimization based on the pre-selection of stocks by the Support Vector Machine model. Finance Research Letters, 61, 105014.
Zheng, J., Xin, D., Cheng, Q., Tian, M., & Yang, L. (2024). The random forest model for analyzing and forecasting the us stock market in the context of smart finance. arXiv preprint arXiv:2402.17194.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Marcus Cezar Moreira Ferraz, Gabriel Canuto de Alencar, João Gabriel Gama Vila Nova
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Authors who publish in the Annals of Data Analysis retain
the copyright of their work and agree to license it under a Creative Commons Attribution-
NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) license.
