Uma abordagem de machine learning para a análise do comportamento de ativos financeiros: um estudo de caso no período das enchentes no Rio Grande do Sul em 2024
Carregando...
Data de Submissão
Data de Defesa
2025-11-24
Edição
Autores
Orientadores
Coorientadores
Editores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Descrição
Este trabalho investiga o impacto das enchentes ocorridas no Rio Grande do Sul entre abril e maio de 2024 no comportamento dos ativos financeiros listados na B3 aplicando técnicas de mineração de dados seguindo a metodologia KDD. Utilizando algoritmos de clusterização (K-Means, DBSCAN e agrupamento hierárquico) e modelos preditivos (Random Forest e MLP), analisaram-se padrões setoriais durante este evento climático extremo, caracterizado como um "Cisne Negro" por sua raridade e alto impacto. Os resultados demonstraram a superioridade dos métodos de agrupamento na identificação de vulnerabilidades setoriais, com destaque para construção e engenharia, embalagens e agropecuária como os mais sensíveis. Os modelos preditivos, embora com capacidade limitada de classificação, identificaram variáveis relevantes como preços de oferta e volume negociado. Conclui-se que a mineração de dados oferece ferramentas eficazes para compreensão de vulnerabilidades setoriais durante crises, permitindo a criação de sistemas de alerta baseados em similaridade setorial e monitoramento de variáveis de liquidez para gestão proativa de risco. A pesquisa confirma que eventos extremos desencadeiam padrões distintos nos mercados financeiros, com mudanças significativas na estrutura de correlações entre ativos durante períodos críticos. [resumo fornecido pelo autor]