Previsão de Tendências do Mercado de Ações Através de uma Estrutura Híbrida de Aprendizado de Máquina que Combina Indicadores Técnicos com Análise de Sentimento de Notícias

Este artigo propõe um modelo híbrido baseado em LSTM (Memória de Longo e Curto Prazo) e BERT (Representações de Codificadores Bidirecionais de Transformadores) para previsão de tendências do mercado de ações, que integra de maneira inovadora a análise quantitativa de indicadores técnicos e a análise qualitativa do sentimento de notícias. A estrutura primeiro utiliza um modelo FinBERT pré-treinado — otimizado para processamento de texto financeiro — para extrair características de sentimento refinadas a partir de dados financeiros de múltiplas fontes, incluindo relatórios de lucros oficiais, notícias financeiras mainstream e discussões financeiras em redes sociais. Essas características de sentimento, juntamente com indicadores técnicos-chave derivados de dados históricos de preços de ações (como médias móveis, índice de força relativa e volume de negociação), são padronizadas e concatenadas em um vetor de características abrangente, que é então alimentado em uma rede LSTM de duas camadas para capturar dependências temporais e previsão de sequências dinâmicas. Os resultados experimentais, derivados de um conjunto de dados que abrange 50 principais ações do S&P 500 ao longo de um período de 5 anos, mostram que o modelo híbrido proposto consistentemente supera métodos de modelo único — como LSTM, BERT e ARIMA tradicionais — tanto em termos de precisão de previsão de curto prazo (1 dia à frente) quanto de médio prazo (5 dias à frente), bem como sua capacidade de generalização em várias condições de mercado, incluindo ambientes altistas, baixistas e voláteis. Isso confirma o valor significativo da fusão de dados de múltiplas fontes na previsão financeira, pois complementa efetivamente as limitações de tipos de dados únicos e aumenta a robustez dos modelos contra o ruído do mercado.