Análise Comparativa de Modelos Preditivos de Valorização de Ações de Empresas do Setor Agrícola Brasileiro

Abstract

O setor agrícola possui papel relevante na economia brasileira e reúne empresas ex- postas a fatores como preços de commodities, taxa de câmbio, volume negociado, condições de mercado e expectativas sobre safras. Nesse contexto, este trabalho a- presenta uma análise comparativa de modelos de aprendizado de máquina aplicados à previsão de ações de três empresas do setor agrícola brasileiro listadas na B3: Boa Safra (SOJA3), SLC Agrícola (SLCE3) e BrasilAgro (AGRO3). O objetivo deste trabalho é avaliar comparativamente o desempenho de modelos de aprendizado de máquina aplicados à previsão de ações de empresas do setor agrícola brasileiro listadas na B3, considerando diferentes conjuntos de atributos, horizontes de previsão e tarefas de regressão, voltadas à previsão de preços futuros, e de classificação, voltadas à iden- tificação do movimento futuro dos ativos. A pesquisa adota abordagem quantitativa e experimental, organizada em 288 cenários experimentais que combinam três ativos, seis métodos de aprendizado de máquina, quatro conjuntos de atributos e quatro hori- zontes de previsão. Os conjuntos de atributos incluem informações históricas de preço e volume, indicadores técnicos, variáveis macroeconômicas e uma variável indicadora associada a mudanças de regime de mercado. Os experimentos foram conduzidos sob um protocolo padronizado para permitir a comparação entre modelos, atributos, ativos e horizontes de previsão. O desempenho foi avaliado por métricas de regressão, incluin- do raiz do erro quadrático médio, erro médio absoluto e coeficiente de determinação, e por métricas de classificação, incluindo acurácia, precisão, revocação, F1-Score e área sob a curva ROC. Os resultados contribuem para caracterizar o comportamento dos modelos avaliados em ações brasileiras do setor agrícola e para analisar a influência dos diferentes conjuntos de atributos no desempenho preditivo.

The agricultural sector plays an important role in the Brazilian economy and includes companies exposed to factors such as commodity prices, exchange rates, trading vol- ume, market conditions, and crop expectations. In this context, this work presents a comparative analysis of machine learning models applied to the prediction of stocks from three Brazilian agricultural companies listed on B3: Boa Safra (SOJA3), SLC Agrí- cola (SLCE3), and BrasilAgro (AGRO3). The objective of this study is to comparatively evaluate the performance of machine learning models applied to stock prediction for Brazilian agricultural companies listed on B3, considering different feature sets, fore- cast horizons, and both regression tasks, aimed at predicting future stock prices, and classification tasks, aimed at identifying future asset movements. The research follows a quantitative and experimental approach, organized into 288 experimental scenarios that combine three assets, six machine learning methods, four feature sets, and four forecast horizons. The feature sets include historical price and volume information, technical indicators, macroeconomic variables, and an indicator variable associated with changes in market regimes. The experiments were conducted under a standard- ized protocol to enable comparisons among models, feature sets, assets, and forecast horizons. Performance was evaluated using regression metrics, including root mean squared error, mean absolute error, and coefficient of determination, and classifica- tion metrics, including accuracy, precision, recall, F1-score, and area under the ROC curve. The results contribute to characterizing the behavior of the evaluated models in Brazilian agricultural stocks and to analyzing the influence of different feature sets on predictive performance