InvestBot: um bot para classificação de ações da bolsa de valores mediante técnicas de mineração de dados

1. Problema

Atualmente, muitos investidores se arriscam na bolsa de valores sem qualquer conhecimento sobre o mercado, renda variável, ou até mesmo sobre a própria empresa em que estão investindo, e por consequência, acabam perdendo o seu dinheiro. Adicionalmente, devido à alta volatilidade dos papéis e à instabilidade econômica e política brasileira, o mercado de ações se torna ainda mais traiçoeiro. Por este motivo, o objetivo deste trabalho é criar uma ferramenta que possa apoiar a decisão dos investidores.

2. Solução Proposta

Para solucionar o problema, será criado um bot no Telegram que é capaz de classificar as ações da bolsa de valores como confiáveis ou não confiáveis para investir. Para tal fim, as ações serão rotuladas com base no seguinte critério: se a ação render 3% ou mais até o próximo trimestre, será classificada como confiável, caso contrário, não confiável. Como o propósito do trabalho é ajudar os investidores a realizarem bons investimentos e, principalmente, não perderem dinheiro, foi usado esse valor de valorização pois além de dar uma margem de garantia que a ação irá valorizar, também faz com que as ações ditas confiáveis rendam de forma similar ao índice ibovespa, que historicamente rendeu 12% ao ano.

Para acessar o bot do modelo no telegram, clique abaixo:

3. Estratégia de Solução:

Etapa 01. Coleta dos dados: coleta dos dados de balanço patrimonial e demonstrativos de resultados das empresas listadas na B3 (bolsa de valores brasileira), do período de junho de 2011 a setembro de 2021.
Etapa 02. Descrição dos Dados: uso de algumas técnicas estatísticas para identificar dados irrelevantes, discrepantes, faltantes ou que estejam fora do escopo do trabalho. Esta etapa é importante para descobrir o quão desafiador é o problema.
Etapa 03. Feature Engineering: criação de novas variáveis que ajudem a explicar o fenômeno observado. Como o objetivo é prever a valorização das ações no futuro, serão calculados alguns indicadores fundamentalistas das empresas, pois com eles é possível antecipar o comportamento futuro dos papéis, com base nos balanços e resultados das empresas.
Etapa 04. Filtragem dos Dados: antes de realizar a análise exploratória dos dados, é preciso filtrar algumas linhas e colunas que não serão mais necessárias para o restante do trabalho.
Etapa 05. Análise Exploratória dos Dados: exploração dos dados, a fim de entender melhor o impacto das variáveis preditoras na variável resposta.
Etapa 06. Preparação dos Dados: Preparação dos dados, utilizando algumas técnicas de transformação, para que os dados possam ser submetidos aos algoritmos de classificação.
Etapa 07. Seleção de Variáveis: seleção dos atributos mais relevantes para explicar o comportamento do fenômeno.
Etapa 08. Machine Learning Modelling: treinamento dos modelos de machine learning.
Etapa 09. Hyperparameter Fine Tuning: escolha dos valores que maximizam o aprendizado do modelo para cada um dos hiperparâmetros.
Etapa 10. Machine Learning Performance: avaliação da performance do modelo.
Etapa 11. Deploy Model to Production: publicação do modelo em um ambiente em nuvem, para que outras pessoas possam usar os resultados para realizarem melhores investimentos.
Etapa 12. Criação do Telegram Bot: criação de um bot no aplicativo de mensagens Telegram, para consultar a previsão a qualquer momento (http://t.me/invest_quarter_bot).

4. Modelos de Machine Learning aplicados

Os testes foram realizados usando os seguintes algoritmos:

Dummy Classifier

Logistic Regression

Decision Tree

K-Nearest Neighbors

Naive Bayes

Multilayer Perceptron

Random Forest

5. Performance dos Modelos de Machine Learning

Os valores de Precisão, Recall e F1-score são referentes à classe "confiável".

Hold-out

Nome do Modelo	Acurácia	Precisão	Recall	F1-score
Dummy Classifier	0.50	0.40	0.40	0.40
Logistic Regression	0.59	0.86	0.00	0.01
Decision Tree	0.58	0.49	0.51	0.50
K-Nearest Neighbors	0.58	0.50	0.44	0.46
Naive Bayes	0.42	0.42	0.99	0.59
Multilayer Perceptron	0.57	0.47	0.26	0.33
Random Forest	0.64	0.59	0.43	0.50

Performance Real - Cross Validation

Nome do Modelo	Acurácia	Precisão	Recall	F1-score
Dummy Classifier	0.52	0.42	0.41	0.41
Logistic Regression	0.58	0.37	0.00	0.01
Decision Tree	0.58	0.49	0.50	0.50
K-Nearest Neighbors	0.58	0.49	0.43	0.46
Naive Bayes	0.48	0.37	0.59	0.36
Multilayer Perceptron	0.59	0.50	0.24	0.32
Random Forest	0.64	0.60	0.42	0.49

O modelo de Random Forest obteve a melhor performance, tendo alcançado 60% de precisão para classificar ações "confiáveis", logo foi o algoritmo escolhido para ser utilizado na etapa de Hyperparameter Fine Tuning.

Performance Final - Hyperparameter Fine Tunning Cross Validation:

Após encontrar os melhores parâmetros para o modelo através do metódo Random Search, as métricas finais para o modelo foram as seguintes:

Nome do Modelo	Acurácia	Precisão	Recall	F1-score
Random Forest	0.64	0.61	0.39	0.47

6. Conclusão

O objetivo principal do trabalho foi alcançado, uma vez que através do modelo criado, utilizando o algoritmo Random Forest, foi possível classificar ações como confiáveis ou não para se investir com 60% de precisão. Além disso, os objetivos específicos também foram alcançados, sendo criado um bot no Telegram, que com o uso do modelo, apoiasse a tomada de decisão. Como conclusão, observou-se que a ferramenta construída é simples, acessível, fácil de usar, e fica como sugestão para auxiliar os investidores e apoiar a tomada de decisão.

7. Próximos Passos

Para trabalhos futuros, sugere-se encontrar mais variáveis dos dados, que possuem um maior impacto na variável resposta, a fim de aumentar a precisão do modelo para classificar ações “confiáveis”. Ademais, também pode ser interessante aumentar o período de previsão do modelo para seis meses ou até um ano, pois assim poderá contribir com os investidores que visam o longo prazo. Por fim, pode-se aperfeiçoar o bot no Telegram, para que ele faça uma coleta automática dos dados atuais das empresas assim que o usuário enviar o código da ação.

endhel/InvestBot