PrevisAI

Visão Geral

PrevisAI: Inteligência Avançada para Previsão de Ativos é uma aplicação em Python desenvolvida para prever os preços de fechamento de ações utilizando técnicas de aprendizado profundo, especificamente redes LSTM (Long Short-Term Memory). A programação visa ajudar investidores a tomar decisões informadas com base em previsões de curto prazo (até uma semana), recomendando compra ou venda de ativos.

A ferramenta utiliza dados históricos obtidos através da API do Yahoo Finance para treinar um modelo que faz previsões precisas sobre o comportamento dos preços. A partir das previsões, a programação fornece uma análise clara e uma recomendação de investimento.

---

Funcionalidades Principais

1. Previsão de Preços de Ações: O script prevê o preço de fechamento de um ativo para os próximos 5 dias úteis, com base em 20 dias de dados históricos.

2. Análise de Erro: Avalia a precisão do modelo utilizando o Erro Quadrático Médio (MSE) e o Erro Absoluto Médio (MAE) para garantir previsões robustas.

3. Recomendação de Compra/Venda: Com base nas previsões, o PrevisAI calcula a variação percentual esperada e oferece uma recomendação de compra, venda ou manutenção do ativo.

4. Interatividade: Permite ao usuário inserir o símbolo de qualquer ativo listado na bolsa para análise imediata.

---

Instalação

Pré-requisitos:

• Python 3.x

Método recomendado (Docker):

docker run -it previsai

Método manual:

• Criar um ambiente vritual:

  python3 -m venv venv

• Ativar o ambiente virtual (MacOS, Linux):

  source venv/bin/activate

• Instalar as bibliotecas necessárias:

  pip install -r requirements.txt

Como instalar:

1. Clone o repositório do software (ou baixe o código):

   git clone https://github.com/joseabrantesjr/PrevisAI

2. Navegue até o diretório do projeto:

   cd PrevisAI

3. Execute o arquivo principal Previsai.py:

   python previsai.py

---

Como Usar

1. Executar o Software:

   • Ao executar o arquivo principal, o sistema solicitará que você insira o símbolo de uma ação (exemplo: AAPL para Apple, MSFT para Microsoft).

2. Obter Resultados:

   • O PrevisAI baixa os dados históricos do Yahoo Finance e exibe o preço de fechamento atual do ativo.
   • Em seguida, o software treina o modelo LSTM e faz previsões dos preços para os próximos cinco dias úteis.
   • O resultado inclui as seguintes informações:
     • Previsões dos preços de fechamento para os próximos 5 dias úteis.
     • Erro Quadrático Médio (MSE) e Erro Absoluto Médio (MAE) das previsões.
     • Variação percentual esperada do preço do ativo.
     • Recomendações baseadas nas previsões: comprar, vender ou manter.

3. Interpretação das Recomendações:

   • Comprar: Se a previsão mostra um aumento percentual significativo no preço do ativo.
   • Vender: Se há uma previsão de queda no preço do ativo.
   • Manter: Se a previsão indica estabilidade.

---

Exemplos de Uso

Exemplo 1:

Digite o símbolo da empresa (por exemplo, AAPL para Apple Inc.): MSFT

Saída:

Preço de Fechamento Atual: $280.15

Previsão de preços para a próxima semana:
18/09/2024: $282.35
19/09/2024: $284.00
20/09/2024: $285.50
23/09/2024: $287.25
24/09/2024: $288.90

Erro Quadrático Médio (MSE) do modelo: 0.0041
Erro Absoluto Médio (MAE) do modelo: 0.0523

Variação percentual prevista: 3.12%

Recomendação: Considere comprar. O modelo prevê uma tendência de alta.

Exemplo 2:

Digite o símbolo da empresa (por exemplo, AAPL para Apple Inc.): TSLA

Saída:

Preço de Fechamento Atual: $770.50

Previsão de preços para a próxima semana:
18/09/2024: $765.20
19/09/2024: $762.50
20/09/2024: $759.10
23/09/2024: $754.75
24/09/2024: $750.40

Erro Quadrático Médio (MSE) do modelo: 0.0037
Erro Absoluto Médio (MAE) do modelo: 0.0419

Variação percentual prevista: -2.61%

Recomendação: Considere vender ou manter. O modelo prevê uma tendência de baixa.

---

Estrutura do Código

1. Preprocessamento dos Dados

   • Função: preprocessar_dados(data, window_size=20)
   • Normaliza os dados e cria janelas de 20 dias de preços para uso no modelo.

2. Modelo LSTM

   • Função: criar_modelo_lstm(input_shape)
   • Define a arquitetura LSTM e compila o modelo com o otimizador Adam.

3. Treinamento do Modelo

   • Função: treinar_modelo(X, y)
   • Divide os dados em treino e teste, e ajusta o modelo utilizando 300 épocas.

4. Avaliação do Modelo

   • Função: avaliar_modelo(model, X_test, y_test)
   • Calcula o MSE e MAE para avaliar a precisão do modelo em dados não vistos.

5. Previsão da Próxima Semana

   • Função: prever_proxima_semana(model, last_window, scaler)
   • Usa os últimos 20 dias de dados e faz previsões para os próximos 5 dias úteis.

6. Recomendações

   • Função: identificar_melhor_compra(data)
   • Integra todas as etapas, faz as previsões e calcula a variação percentual, gerando a recomendação de compra, venda ou manutenção.

---

Melhoria e Expansão

PrevisAI pode ser expandido com várias funcionalidades adicionais, como:

1. Análise Técnica e Fundamentalista: Integrar indicadores técnicos ou dados financeiros fundamentais para enriquecer as previsões.
2. Alocação de Portfólio: Combinar as previsões de múltiplos ativos para otimização de portfólio, por exemplo, utilizando a teoria de portfólio de Markowitz.
3. Aprimoramento do Modelo: Implementar outros tipos de redes neurais ou combinar LSTM com modelos de machine learning tradicionais para melhorar a precisão.

---

Como Contribuir e Se Beneficiar:

1. Dê uma Estrala: Se você aprecia o nosso trabalho e acha que ele pode beneficiar outros, mostre seu apoio clicando no botão "Star" no GitHub!
2. Fork e Contribua: Faça um fork do repositório, experimente o código e contribua com melhorias. Sua participação pode tornar o PrevisAI ainda mais poderoso!
3. Compartilhe: Ajude a espalhar a palavra. Compartilhe o PrevisAI com colegas, amigos e em suas redes sociais!

Experimente o PrevisAI Hoje!

Junte-se à comunidade de investidores e analistas que estão transformando a maneira como analisamos o mercado financeiro. Faça parte do futuro da previsão de preços com o PrevisAI!

---

Sobre Mim

Sou José Calazans Abrantes Júnior, um profissional com conhecimentos avançados em , machine learning, deep learning, análise de dados. Através de uma sólida formação autodidata, desenvolvi habilidades em técnicas de previsão e análise financeira, utilizando redes neurais, como LSTM, além da utilização de modelos para otimização de portfólio.

Atualmente, trabalho na Bio-G, em Resende/RJ, aplicando meu conhecimento para otimizar processos de saneamento. Também desenvolvi o Flask Password Manager, uma aplicação web que assegura a proteção de senhas com criptografia avançada.

Minha trajetória profissional inclui a gestão de uma microempresa de artigos esportivos (proprietário) e diversas funções administrativas e logísticas em diferentes empresas, o que demonstra minha versatilidade e capacidade de adaptação. Além disso, tenho experiência internacional com trabalho voluntário na Inglaterra e na Espanha.

Sou proficiente em Python, PHP, SQL, Node e várias bibliotecas e frameworks, como TensorFlow, Keras e Flask. Estou sempre em busca de aprimorar minhas habilidades e contribuir para inovações nos campos financeiro e ambiental.

---

Licença

O software PrevisAI é disponibilizado sob a licença MIT. Sinta-se livre para modificar, distribuir e usar para fins pessoais ou comerciais, desde que seja dado o devido crédito aos desenvolvedores originais.

---

PrevisAI: Antecipe o mercado, maximize lucros.