Guia Completo - Como prever o preço das ações com Python e Machine Learning?

nesse vídeo aqui eu vou te ensinar como criar um modelo de machine learning para prever a cotação das ações de qualquer ação da bolsa Aí do Ibovespa e tudo mais a gente vai utilizar Na verdade o modelo de Deep learning que é baseada em memória de curto prazo ali que é o lsdm que é um modelo que usa a rede neural e consegue prever ali mais ou menos com certa exatidão para onde o mercado tá indo se a gente vier aqui para o computador nesse vídeo vai ser também vai aprender a fazer esse gráficozinho aqui com as previsões do algoritmo que no caso aqui tá em verde e em Amarelo o preço real que no caso foi da Magazine Luiza que a gente vai usar com proxy aqui para tentar prever para onde o preço tá Magazine Luiza vai a gente ainda vai tentar prever mais importante do que o preço para qual lado o mercado foi então esse modelo indicou que a previsão ia estar para cima a gente teria comprado ação mas se o modelo indicou se o mercado está para baixo a gente teria vendido ação e a partir disso a gente consegue calcular taxa de erro e tudo mais e principalmente a gente descer até um pouquinho aqui calcular a expectativa matemática do modelo ali de você ter lucro não ter lucro Qual é a média de lucro Qual é a média de acerto e tudo mais mas vamos voltar lá para o começo para a gente aprender a fazer então esse modelo Deep learning baseado em memória de curto prazo a primeira coisa que a gente vai fazer é importar as nossas bibliotecas é muito importante a gente importar tudo aqui e você tem instalado as bibliotecas no seu computador Principalmente eu queiras que é onde a gente vai montar o nosso modelo ali uma biblioteca de machilene aqui do Python e também utilizar aqui os pacotes normais pandas num pai que a gente já tá cansado de ver aí mais platiba Provavelmente você tá vendo o modelo de Machine você já deve ter tido contato isso aqui e é muito importante a gente destacar que aqui na descrição vai estar o código do vídeo tá então o código desse modelo se você quiser baixar vai ficar programando copiando o código e tudo mais aqui na descrição tem o código completo disponível para você e outra coisa que tem aqui na descrição também é um mini curso gratuito de Python que eu faço um projetinho de pai tá aplicada Finanças então se você tá começando agora ou se você tem vontade de aprender se aprofundar ainda mais pro pai então me curte um projeto de pai então aplicado no setor bancário se a cotação dos bancos seguir o lucro das empresas no longo prazo esse tipo de coisa então aqui na descrição também tem esse minicurso que ensina inclusive você abaixar o Python no seu computador então começa bem do básico ali e você consegue criar gráficos fazer as coisas que nem eu vou te ensinar nesse vídeo aqui mas bora voltar para o nosso modelo aqui se você por acaso é não tem isso no seu computador e você tá utilizando aí o Windows a gente pode pegar aqui o anaconda prompt que é o nosso terminal e aí você vai dar um piping install por exemplo que eras se você não tiver eu quero no seu computador aqui no caso vai ter se você não tiver o tensor a gente pode dar algum bug eu não tô pegando até a sua flor aqui diretamente Mas ele tem que estar instalado no seu computador então você vai dar um pipp Install e aí vai baixar no caso aqui no computador vai estar baixado já também já tá aqui o Red satisfat eu já tá baixado no meu computador e aí você vai baixar tudo que for preciso se você tiver no link que você vai dar o PIP digital aí no seu terminal no Macbook não é muito diferente você vai dar um pistão aí no seu terminal também tá então com os pacotes instalados a primeira coisa que a gente vai fazer é importar os nossos pacotes e em seguida agora a gente vai definir o período do nosso modelo a gente vai pegar aqui as ações da 3 você pode fazer isso para qualquer ação só lembrando que a gente vai pegar os dados derrow fights e é muito importante você sabotar esse ponto sa aqui em qualquer tickr presta muita atenção nisso muita gente erra isso aqui e fica Ah não tá conseguindo puxar o site é porque você não botou o ponto S. A depois do ticker da ação então se você quiser fazer esse mesmo modelo para Petrobras é só você botar Petro quatro aqui e vai rodar roda todas as células vai rodar o modelo para Petrobras quero botar vale é só mudar aqui que você vai conseguir rodar para o que você quiser a gente vai rodar de magalu que é um modelinho que tem ali Uma expectativa matemática mais legal e a gente vai conseguir ver realmente funcionando na prática tá o período escolhido eu peguei ele desde 2014 tá um pouquinho antes do Turner round da empresa para a gente conseguir pegar essa virada na magalu treinar o modelo nessa virada depois de começar a prever pra onde a ação da Magazine Luiza foi tá então se você quiser usar Petrobras aqui PH desde 2000 os dados pode também é só você mudar a data aqui não tem nenhum problema e a gente vai puxar os dados daqui do erro faz passando a nossa ação que no caso foi magalu o início e o final dos dados que é que eu botei o 15 de setembro Se você quiser mudar isso aqui botar diferente botar o dia anterior que você tá assistindo esse vídeo fique à vontade é seu critério também o ponto principal é que aqui a gente vai definir nossos dados de treinamento e dado de teste também do nosso modelo tá então se a gente pegar aqui vou dar o nosso código a gente vai ter os dados da ação então ó rodou rapidinho Vamos descer aqui a gente vai ter os dados aqui de máxima mínima abertura fechamento o volume negociado pela empresa e tudo mais tá agora que a gente já tem os dados a gente vai pegar as cotações de fechamento geralmente quando você trabalhar no com dados de Finanças vocês pegam que a cotação ajustada porque você quer calcular retorno e tudo mais só que aqui a gente vai pegar as cotações de fechamento não vai pegar ajustada e por que que a gente vai fazer isso porque a gente precisa do preço da magalu de verdade naquele dia a gente não pode treinar o nosso modelo numa cotação que nunca existiu então se você olhar a cotação ajustada essa cotação aqui de 0,20 centavos essa cotação ela nunca existiu ela tá ajustada para você conseguir calcular o retorno baseado nos dividendos e tudo mais é realmente sabe como é justo mas a ação aí do outro lado mas a gente não pode treinar o nosso modelo numa cotação que nunca existiu a gente tem traço modelo uma cotação realmente verídica que no caso aqui é o fechamento que é o Close isso é um pequeno comentário que o Yahoo finance ele já ajusta por desdobramento então é muito importante a cotação não ajustada aqui que no caso é o fechamento ela na verdade ela é ajustada por desdobramento mas na verdade isso é muito importante é muito bom e rufar nesse ter feito isso também porque na verdade é isso que a gente quer senão vai ser muito complicado ali a gente na hora que te dobrar a ação da magalu por exemplo de quatro para um que foi o que aconteceu se eu não me engano no ano passado a gente vai ter alguns probleminhas Então esse fechamento aqui é ajustado por desdobramento e isso é mais que o suficiente pra gente conseguir treinar o nosso modelo vamos transformar Então as nossas cotações aqui de fechamento num ardendo num pai e dá uma rshape aqui pra gente conseguir fazer algumas operações lembrando eu não vou entrar no detalhe de tudo que eu tô fazendo aqui porque senão a gente vai ter três horas da manhã de vídeo e isso não é bom nem para mim nem para você provavelmente você quer ver o modelo funcionando depois você vai mexendo vai entendendo as coisas mas eu vou explicar obviamente por que que eu estou fazendo as coisas transformando num pai para a gente conseguir trabalhar os nossos vetores aqui e tô dando rushai para a gente conseguir ter esse tipo de Vetor aqui a gente precisa desse formato para trabalhar com os nossos pacotes tá que é esse formatinho menos um Tá então vamos dar o shape aqui e a partir a gente vai ter o tamanho de dados de Treinamento Por que que o tamanho de dados de treinamento é muito importante também geralmente por padrão você treina 80% dos dados e testa no gestantes 20%. porque a gente faz isso no treino nos 100%.

para evitar uma coisa chamada over Fit Se você treinar o seu modelo em todo data 7 você pegar todos os dados e treinar seu modelo em todos os dados Você vai cometer um erro gravíssimo de over Fit que é simplesmente treinar o seu modelo demais e você nunca vai ter resultado na vida real porque você tá otimizando até demais os parâmetros do seu modelo e você não tá ali botando ele aprova realmente se você consegue treinar e testar ele depois você não consegue testar o seu modelo se você simplesmente pega todos os dados otimiza até o fim os parâmetros tá então por definição isso aqui é um padrão Óbvio se você vai ser um pouco diferente mas por definição você treina seu modelo 80% dos dados e testa no restante de 20% tá a gente vai fazer isso aqui vai pegar o nosso tamanho de dados de Treinamento que no caso vão ser 1. 532 dias para a gente tá aqui pegando o preço de fechamento todo dia 1532 dias para conseguir otimizar o nosso modelo Beleza agora que a gente tem o nosso tamanho de Vetor a gente precisa fazer outra coisa que é escalar os nossos dados eu já até rodei aqui antes para mostrar para vocês o que que a gente vai fazer que é o seguinte a gente vai escalar nossos dados entre zero e um Breno Por que que a gente vai fazer isso porque a escala importa se você olhar diversos artigos machine learning ao longo do mundo você vai ver que a escala ela importa muito na hora de você fazer modelo de Machine Lane então se você trabalhar ali com os dados entre 20 e 30 reais com essa escala maior é pior do que você trabalhar ali com a escala entre zero e um Então a gente vai transformar Nossa escala que utilizando essa função que a gente importou lá na primeira cela que essa mini massa Sky se a gente subir aqui de novo importei ela aqui do site Lane tá então a gente vai descer aqui ó a gente tem a nossa função de mínima e máxima aqui Então vai definir o intervalo entre 0 e 1 Só toma muito cuidado que a gente precisa escalar os nossos dados baseado nos dados de Treinamento senão se a gente usar os dados de teste junto com os dados de Treinamento ou seja utilizar o nosso data 7 inteiro a gente vai ter um vazamento de informações e isso não é muito bom é muito importante que a gente tenha bem separado esses tipos de dados tá então a gente vai escalar obviamente a gente vai converter tudo para 01 mas a gente vai escalar apenas utilizando os nossos dados de Treinamento tá apenas com os dados de Treinamento Se você olhar aqui a gente vai ter do tamanho zero da cotação né a gente tem o nosso vídeo de cotação do tamanho zero que é o primeiro elemento na nossa lista até o final aqui tamanho de dados de treinamento e todas as colunas lembra que a gente tem aqui trabalhando com Shape menos um e um então a gente tamanho dados de Treinamento que a gente acabou de pegar aqui em cima a gente vai criar nossa escala de 01 e depois a gente vai aplicar essa escala aos dados de teste Então a gente vai pegar a nossa aqui e dá um transforme aí a gente vai pegar a cotação aqui os 20% finais os 20% dados finais ali do nosso do nosso Array tá então vai pegar aqui o tamanho de dados de Treinamento 1532 para frente e aí vai pegar os 20% que faltam para a gente escalar entre 0 em 1 depois que a gente fizer aqui o Fish Transformer né a gente escalou escalou os dados de teste a gente vai juntar as nossas listas né Vai juntar esses dois dados de novo para a gente ter o dado completo que nem a gente tem aqui em cima cotação dados entre zero e um e depois a gente vai transformar esses dados entre zero e um dessa lista de novo no Harry e da RS para a gente chegar nesse mesmo resultado Então se a gente rodar isso aqui ó a gente vai ver que a gente vai chegar ó no mesmo resultado a gente tinha um Array aqui só que com as cotações agora a gente chegou nesse mesmo resultado mesmo só que é a diferença que agora o nosso Oriente está escalado entre zero e um lembrando como a gente escalou nos dados de Treinamento eventualmente pode ter dados maiores do que um aqui nos dados de teste tá mas aí não tem problema a gente utilizou a escala da forma certa tá agora que a gente já nossos estados de 0 e 1 a gente pode realmente pegar os nossos dados para treinamento e criar ali o nosso vetor que a gente vai passar para o nosso modelo que não necessariamente vai ser esse vetorzinho aqui de pegar 80% e tudo mais então o que que a gente vai fazer a gente vai pegar os nossos dados entre zero e um pegar o nosso tamanho os dados de Treinamento então beleza A gente vai pegar aqui do zero até o 1532 que é o nosso caso aqui pegar esses 1532 informações e a gente vai criar um loop aqui do 60 até o 1532 porque 60 porque é o nosso modelo ele vai utilizar 60 dias para prever o preço da ação então ele vai pegar os últimos 60 dias e lembra a rede neural que a gente está construindo aqui ela é uma rede neural que tem memória então ela vai pegar a memória dos últimos 60 dias ela vai pegando essas informações e tentar prever o valor ali no próximo dia então ela vai ficar tentando prever baseado nesse 60 se você quiser mais do que 60 baixos Então você mudar esse números em que menos mais você vai testando aí fica a seu critério tá então a gente criou aqui duas listas de Treinamento x treinamento que aqui são os dados e serão usados para gerar o resultado Então os últimos 60 dias e aqui é a cotação que aconteceu de fato Lembrando aqui a gente tá treinando nosso modelo então a gente vai dar ó essa cotação aqui gerou essa cotação essas cotações aqui geraram essa cotação Então se a gente printar aqui ó eu botei para apresentar dois exemplos a gente vai ver nosso Array aqui ó nosso treinamento x treinamento Y treinamento x essa e 60 cotações Lembrando que tá entre 0 em 1 geraram essa cotação aqui é o nosso Y aí depois quando a gente passar mais uma vez no loop a gente vai colocar o nosso a próxima amostra Então essa é 60 rotações aqui geraram essas esse segundo preço aqui tá Então você vai criando ali esse viator de 60 cotações um preço 60 cotações um preço e a gente vai passar isso no nosso modelo tá então a gente vai conseguir criar aqui o nosso Array bonitinho e tudo mais e se a gente olhar aqui o nosso primeiro elemento da segunda lista obviamente é o segundo elemento da primeira lista que a gente tá passando ali avançando no tempo uma vez que tenha feito isso a gente consegue realmente pegar essas listas que a gente acabou de criar transformar em uma Ray de novo transformar num pai e depois que a gente fizer isso a gente tem que dar um Recheio que é o seguinte o nosso botão um print aqui eu vou botar um print aqui para a gente conseguir ver direitinho porque que eu tô fazendo isso aqui o nosso Array Hoje ele tá em duas dimensões só que a gente precisa de uma Ray de 3 dimensões para o nosso modelo então vamos dar um print aqui para você perceber a diferença entre os dois então aqui a gente tinha um Arraial de duas dimensões e a gente precisa dar um recheio para read 3 dimensões para a gente passar no nosso Modelo E aí ele vai ficar nesse formatinho aqui ó Brenda O que que a gente faz isso porque o modelo funciona assim tá é importante você fazer isso então agora a gente tem um treinamento de três dimensões e a gente consegue começar a criar o nosso modelo finalmente Então vamos construir nosso modelo a gente vai pegar o sequestion aqui vai começar a construir nosso modelo e a gente vai criar um modelo aqui com 50 neurônios tá aqui na verdade a gente não vai usar 50 anos aqui a gente vai usar mais né mas a gente vai usar essa abertura aqui que você não precisa se apegar nesse primeiro momento obviamente Conforme você for avançando seu conhecimento em machine learning Inteligência Artificial você vai entender o que eu fiz aqui mas eventualmente você não precisa entender isso eu só quero que você entenda que a gente criou o modelo de 50 neurônios deu retane Seconds porque a gente quis depois adicionar mais 50 neurônios depois a gente deu um retorno sequência igual a falsa porque a gente não ia mais adicionar lspm lembra aqueles neurônios de memória e tudo mais e depois a gente adicionou mais duas camadas de dance uma de 25 e uma de um neurônio tá então a gente criou o nosso modelozinho aqui de novo não precisa se apegar muito e isso agora essa aqui são as nossas redes neurais para a gente conseguir criar o nosso modelo e se você vê aqui eu dei o input Shape que é justamente ó se você rodar esse código aqui vamos rodar nosso código a gente criou nosso modelo tá a gente não treinou ele ainda a gente só adicionou os neurônios Vamos pensar gente criou o cérebro junto agora e a gente se você olhar aqui ó eu botei um ipute cheio igual a treinamento x Shape um e um porque porque a gente vai ter aqui 60 informações que a gente passou aqui para ele 60 informações para gerar um input Então a gente vai ter ali 60 cotações para gerar o preço de tela no próximo dia tudo bem então beleza A gente criou o nosso modelo aqui a gente vai copilar esse modelo e agora que a gente copilar esse modelo a gente vai pegar aqui vai botar o que a gente vai utilizar de otimização aqui no caso é isso aqui e a gente vai pegar também o nosso perda aqui o que como é que a gente vai medir é a medida de erro do nosso modelo que no caso aqui vai ser o erro médio quadrático que é uma medida de erro é super batida aí Provavelmente você já deve ter visto na faculdade ou na vida alguma coisa se você nunca viu isso só que eu erro médio quadrado para você medir então se você tem ali uma amostra por exemplo que a cotação foi r$ 2 e um modelo previu que foi r$ 4 a gente tem um erro ali de dois e a gente vai pegar esse dois e levar ao quadrado e vai ser quatro e aí a gente vai fazer isso para todos os pontos da amostra e eventualmente a gente vai ter o erro médio quadrático a gente vai otimizar baseado nisso aqui tudo mais a gente vai copilar nosso modelo e agora com o nosso modelo compilado a gente finalmente pode treinar o nosso modelo Então vamos treinar o nosso cérebro e tudo mais e enquanto o nosso conteúdo treino aqui que vai demorar um tempinho aí eu vou te explicar o que que é bets size e epóxi a gente tá vendo aqui ó nosso modelo tá treinando nossa rede neural tá funcionando e aí a gente vai fazer o quê bets size é basicamente De quantas em quantas amostras o nosso modelo vai ser otimizado os parâmetros esse nosso modelo vai ser otimizado então no caso aqui eu botei um para a gente criar um modelo bem simplesinho mesmo e aí cada Leia cada Mostra aí ele vai otimizar o parâmetro dele e epóxi é quantas vezes o modelo vai rodar nos dados de Treinamento treinando ali e aprendendo cada vez mais que no caso que eu botei uma vez só isso aqui você pode botar mil quinhentos é 50 Você pode passar nos dados de Treinamento quantas vezes você quiser a literatura vai te ajudar ao longo da sua vida de programador e tudo mais nesse sentido mas aqui eu quis criar o mais simples possível batizar e 1 é o box muito a gente vai otimizar o nosso parâmetro todas as vezes ali e passar uma vez só nos dados de Treinamento beleza só interrompendo uma explicação rapidinho que se você tá gostando desse vídeo Não esquece de se inscrever no canal e dar o gostei que eu esqueci de falar sobre isso é muito importante se esse conteúdo é relevante para você para o YouTube entregar para mais pessoas não esquece de me seguir nas redes sociais também lá no meu Instagram no meu Twitter Eu posto muita coisa e pode dar continuidade aí no seu aprendizado nosso modelo aqui já tá treinado Demorou 23 segundos com a gente treinar e agora a gente pode de fato criar os dados de teste porque agora que a gente tem nosso modelo a gente vai testar o nosso modelo Beleza então vamos testar o nosso modelo aqui utilizando os dados de teste e a gente vai utilizar a mesma coisa que a gente fez aqui em cima tá então a gente fez de Treinamento a gente vai fazer para os dados de teste Então vamos pegar os dados entre 0 e 1 Só que agora a diferença que a gente vai pegar os 20% finais menos 60 aqui pra gente pegar os dados também de treinamento né para conseguir treinar nosso modelo quase 60 cotações anteriores desses 20%, porque nosso intuito começa ali no 20%. mas a gente precisa dessa 60 cotações anteriores para treinar esse input do do da bordinha ali do 20% né Vamos pensar assim então beleza A gente vai criar aqui o nosso estado os testes o nosso teste x e o nosso teste Y vai ser ali a cotação tamanho de dados de treinamento e o finalzinho aqui então beleza A gente tem aqui as nossas cotações também pro nosso teste Y vamos rodar aqui esse programinha e aí depois a gente vai de novo da r-shape no nosso Array para a gente conseguir botar lá no nosso modelo e tudo mais e finalmente criar as nossas predições agora que a gente tem nosso modelo a gente tem o nosso teste x a gente consegue ó prever baseado aqui no teste x Beleza então vamos pegar o nosso teste x e criar as nossas predições e uma coisa que é muito importante também para a gente visualizar suas preposições a gente tirar a escala de 01 agora a gente já treinou o nosso modelo a gente já criou as nossas expedições né a gente já trabalhou os dados entre as escalas L1 agora a gente precisa reverter né vamos dizer assim é o nosso modelo para a escala normal pra gente conseguir visualizar os dados da maneira como eles realmente estão tá então a gente vai dar o escalador aqui e realmente é muito ridículo fazer isso dá um inverso transforma predições então é uma coisa que você escalou agora você vai desinstalar com esse universo transforma aqui e agora a gente já tem a nossa expedições ó nosso modelo aqui previu a cotação da Magazine Luiza ao longo do tempo já tem a nossas predições e a gente pode pegar aqui também ó o erro quadrático médio pra gente ter a nossa estatística aqui e aí para isso que a gente vai ter o teste Y aqui né a gente não tinha usado Ele ainda para a gente conseguir medir o nosso erro né nossas predições menos o que realmente aconteceu qual era realmente é a Magazine Luiza ali é qual era o preço da Magazine Luiza se a gente fizer isso aqui a gente vai chegar um erro quadrado tipo médio de 1,84 que no caso Isso aqui vai ser 1,34 né a gente tem um erro quadrado tipo médio de 1,84 reais se você tirar a raiz quadrada você vai chegar num erro ali um pouco mais aproximado é comparando ali preço conta preço Tudo bem então beleza A gente pode criar finalmente o gráfico do nosso modelo que eu falei lá no início do vídeo sobre Quais são as nossas previsões baseado no nosso modelo então a gente vai primeiro aqui pegar os dados de Treinamento que é pegar os dados da ação ali e pegar os dados de Treinamento pegar os 80% primeiro para criar a primeira no nosso gráfico ali realmente ali a cotação e depois a gente vai criar um Data Frame chamado DF teste que a gente vai utilizar inclusive para calcular a expectativa matemática de retorno do modelo já já a gente vai ver isso mas a princípio a gente vai fazer aqui a nossa coluna Close a gente tem que lembrar aqui que é importante que seja do mesmo nome Data Frame dadas ação que a Close também lá do erro Fines a gente ter continuidade na nossa linha do gráfico a gente vai pegar aqui o nosso close e vai dar um slock aqui para a gente conseguir pegar os dados de teste né então a gente vai tamanho dado de treinamento em diante então a gente tá pegando aqui os dados de Treinamento esse Close aqui são os dados de teste e aqui predições é no nossos previsões que a gente acabou de ver aqui ó só essas esses dados aqui esse Ary que a gente tá botando dentro do nosso Data Frame Então beleza a partir desse Data Frame e dos dados de Treinamento a gente consegue criar esse gráfico aqui então vamos rodar isso aqui a gente não vai conseguir ter nosso programa e beleza a gente tem o nosso gráfico aqui a gente vai plantar o nosso gráfico utilizando o mate isso aí é bem tranquilo também que a nossa figura dá um título para o nosso gráfico colocar aqui as legendas no gráfico e botar né primeiro a gente vai botar nossa linha de Treinamento que no caso é essa linha azul aqui depois a gente vai plantar o nosso Data Frame que no caso vai ser a linha amarela e a linha verde Então por que que eu separei esses dois aqui né Poderia plantar junto poderia mas por que separar para você ver exatamente onde tem essa quebra aqui do real e das predições tá então beleza A gente consegue legendar aqui não pera aí deixou que no caso já rodeio o gráfico aqui para mostrar para vocês um pouco mais cedo e a gente consegue ver aqui que realmente a Magazine Luiza foi subindo e o modelo teve um pouco de dificuldade de prever a queda Magazine Luiza E por que que isso aconteceu Bom basicamente porque o modelo só tinha visto a Magazine Luiza praticamente subir nesses anos aqui inteiros então quando a Magazine Luiza teve essa queda bruxa aqui a gente pegou um momento de quebra estrutural do preço da Magazine Luiza então a gente tá É vamos dizer assim jogando contra ele no nosso modelo a gente tá aplicando nosso modelo no caso que até um pouco diferente do que seria o canal a gente tá pegando um quebra estrutural e aí você vê ele já começa aqui prevendo uma cotação muito mais alta mas ao longo do tempo olha como é que ele começa com mais previsões meio bizarras assim e ao longo do tempo ele vai aprendendo e depois ele já começa Ó tá muito próximo aqui realmente o que aconteceu tá então se a gente olhar aqui o nosso DF teste a gente consegue ver qual é o fechamento da Magazine Luiza que foi r$ 25 e depois ali realmente Qual foi a previsão no modelo que no caso aqui foi 27 quase dois reais ali acima do que realmente aconteceu lembrando é muito importante a gente tacar isso aqui isso aqui não é para ser um super modelo para você operar dinheiro e agora você vai ficar milionário tá isso aqui eu tô te ensinando como você pode usar redes neurais para fazer coisas dentro do mercado financeiro Isso aqui é uma das aplicações arquitetura que utilizando aqui é super simples é um modelo simples e Educacional tá isso aqui é o modelo Educacional eu vou te mostrar aqui qual o lucro do modelo mais Óbvio a gente tem que aprender a fazer esse tipo de coisa parece que o modelo Educacional né para você ficar trilionário milionário operar isso aqui para tudo mais já tô mostrando para você como que você pode aplicar a inteligência artificial dentro do mercado financeiro isso aqui é o primeiro passo e eu quero que você continue desenvolvendo essa pesquisa ao longo do tempo ao longo da sua jornada aí com o investidor e programador também tá então a gente tem a nossas predições aqui se a gente olhar aqui no final ele consegue só um pouco mais assertivo mas ainda assim ele tem algumas quebras ali Por exemplo quando a máquinas aqui ó tem uma queda muito Brusque ele não consegue capturar isso muito bem nos modelos é uma coisa CV e tal otimizar e tudo mais mas legal a gente tem aqui o preço ia ser legal mas o que que é mais importante a gente acertar o preço da Magazine Luiza ou para onde a Magazine Luiza vai obviamente é mais importante a gente acertar para onde a Magazine Luiza tá indo se ela tá subindo ou se ela tá caindo porque o modelo vai dar ali recomendação de compra eu vendo aí a gente vai comprar ou vender e a partir dessas recomendações de compra ou venda a gente vai perder ou ganhar dinheiro né então é importante acertar para qual lado do mercado vai E para isso a gente tem que calcular os retornos Então a gente vai calcular os retornos aqui da Magazine Luiza e calcular também os retorno já está predições então por exemplo se a predição de hoje aqui 101 for maior do que 497 quer dizer que o modelo acha que a Magazine Luiza vai subir amanhã E aí no caso aqui ó a Maia de mesa de 4,47 para 44 mais lisa caiu Então nesse dia aqui o modelo teria perdido o dinheiro Independente se ele acertou Qual é exatamente a cotação da Magazine Luiza né é importante a gente ter essas estatísticas e a partir daqui a gente vai ver a variação percentual do modelo avaliação da ação a gente vai criar aqui as variação percentual vai pegar se a variação for maior ou menor do que zero para botar 0 ou 1 e a partir disso a gente vai conseguir calcular o nosso estatística já acertar o lado então a gente vai ter um sei lá acertar o lado zero se ele não acertar o lado a partir disso a gente pode calcular também a variação percentual absoluta de cada dia por que que isso é importante avaliação tá absoluta da do fechamento mesmo tá não das predições por que isso é importante para calcular o quanto a gente ganha ou perde em cada trade Então vamos olhar o nosso DF teste aqui já já você vai entender isso melhor a gente vai chegar aqui ó no final quanto realmente uma dela aqui acertou o lado ou errou o lado tá a variação percentual e tudo mais e beleza a gente vai ter Aqui as nossas estatísticas Então se a gente olhar as nossas estatísticas aqui o nosso modelo é vencedor mesmo que você tenha olhado aqui ia falar pô esse modelo aqui provavelmente não vai ter acertado o lado muitas vezes não tá vai vai ganhar etc só que na verdade isso não é tão verdade como é que eu fiz essa conta aqui primeiro a gente vai pegar o acertou o lado e vai dar uma soma porque se a gente somar essas condições ali de True falsa a gente tá somando zero ou um e a gente pode somar aqui e dividir pelo tamanho então aqui a gente vai ter a porcentagem de vezes que o modelo acertou lá na Magazine Luiza e a gente já tem aqui ó até a nossa estatística isso aqui aconteceu 50,9 10 vezes então 50% dos dias o modelo acerta ou erra a previsão Beleza então o modelo tá quase uma moeda ali é quase que eu vou jogar uma moeda pro alto de acertar ou errar só que aí tem uma coisa importante que a gente calcular a média de lucro Por que que é importante calcular a média de lucro Porque se o modelo às vezes até pode acertar menos de 50% das vezes pode acertar 45 48 se o modelo ganhar muito mais do que perder quando ele acerta isso quer dizer que o modelo é vencedor Então a gente tem que calcular expectativa de retorno do modelo e não só se preocupar se ele Tá acertando mais 50% dos três tá então a gente pode pegar essa média de lucro fazendo como justamente dando um grupo bye em acertou o lado então a gente vai pegar ali é o falso que é isso aqui ó está vendo aqui ó agrupando por acertou ou não acertou o lado e a gente vai calcular a média do que da variação percentual absoluta de cada trade Então a gente vai pegar ali a variação percentual absoluta vai calcular essa média e aí a gente vai saber quanto a gente pede quando a gente perde quando a gente ganha em média quando a gente ganha quando a gente olha isso aqui também é uma estatística que chega muito perto uma da outra Mas se a gente fizer aqui ó ganhou sobre perda a gente vai ver ali que na verdade se a gente dividir ali o quanto a gente ganha por conta a gente perde a gente vai ver que a gente ganha um pouquinho mais do que quando a gente perde não é uma coisa muito significativa Mas pode ver que a gente até no modelo amador aqui que a gente está montando em 30 minutos 40 minutos é 25 minutos a gente consegue achar o modelo de rede neural que ali ganha mais do que perde quando ele opera e acerta mais de 50% das vezes então o modelo amador modelo que a gente está fazendo rápido aqui num vídeo YouTube já mostrou o potencial e se a gente calcular a expectativa matemática do lucro que é acertou o lado vezes a média dos lucros de quando ele ganha menos ele errou o lado vezes a média ali de perdas aqui tá a média de lucro mas a média de perdas de quando ele erra o lado então a gente vai pegar isso aqui vai diminuir e no final a gente vai chegar a nossa estatística de expectativa matemática dos lucros em termos percentuais então Quantos por cento você ganha para cada trade bom no caso da Magazine Luiza você vai ganhar aqui 0,07 multipliquei por 100 para a gente tem a nossa porcentagem você vai ganhar 0,07 para cada trade por dia que você fizer obviamente a gente pode aprofundar muito a nossa análise é que é verificar significando estatística tudo mais mas isso é um segundo passo na hora de você modelar talvez você possa achar pouco isso aqui 0,07 por cento todos os dias em média para cada trade só que na verdade isso aqui não é pouco para quem entende um pouco de juros compostos sabe que 0,07% ao dia é muita coisa se você conseguir ter essa rentabilidade aí durante três quatro cinco dez anos tá é muita coisa mesmo para você ter uma ideia se a gente converter isso aqui para matar achar anual da taxa anual de 20% ao ano que é a rentabilidade de todos os tempos então ali você tem uma rentabilidade anual bem interessante E lembrando que esse modelo aqui meio que não importa para onde o mercado tá indo se o Mercado de Ações está subindo você tá caindo mas Óbvio você vai ter que calcular volatilidade da Estratégia tem muita coisa que você pode fazer ainda a gente vai estar lá nas sugestões no final do vídeo mas falta uma última coisa muito importante para a gente finalizar o nosso vídeo que é criar um código que pega esse nosso modelo que a gente acabou de treinar você passa 60 dias e ele te devolve o dia seguinte então a gente vai olhar que isso aqui bem rapidinho isso aqui eu não fiz nada do que seja muito diferente peguei a data de hoje quando a gente tá indo para o canal se quiser escolher um dia basta você fazer isso aqui então você pode ah eu quero escolher o dia de anteontem para ver qual era o preço de anteontem que ele tava dando etc você pode diminuir o timer delta no caso eu não vou fazer isso aqui vai estar comentando essa parte do código aqui e eu vou pegar a data de hoje mesmo então por exemplo se a data de hoje for maior do que 18 horas eu vou descobrir a cotação de amanhã e se a data for menor eu vou descobrir a cotação de hoje mesmo então o modelo vai gerar uma recomendação para o mesmo dia de compra ou venda Então a gente vai fazer essa lógicazinha aqui não vai inventar de botar cotação de outra ação tá a gente vai pegar as cotações aqui da ação que a gente fez lá no início que a gente treinou o nosso modelo não adianta você terminar o modelo Magazine Luiza e tentar aplicar a Petrobras Não faça isso pelo amor de Deus aí a gente vai pegar nossos últimos 60 dias da escalonar utilizando Nossa escala lá a partir do nosso escalador a gente vai criar o nosso teste x vai dar o apendic nos últimos 60 dias dá o recheio não é uma coisa que a gente já fez dá o predict E aí a gente vai depois dar um inverso transforme pra gente saber a previsão de preço se a gente der um print nisso aqui a gente vai ver qual é a previsão de preço que o modelo tá dando para Magazine Luiza hoje então ele acha que hoje a Magazine Luiza vai fechar o dia com 5.

03 eu tô gravando esse vídeo aqui à tarde então ele tá dando a previsão para hoje E se a gente olhar aqui o nosso DF teste a previsão de ontem era 5. 01 então ele meio que tá prevendo não só que vai ser 5.