📈 ETF-Forecasting-and-Clustering

Previsão do comportamento de ETFs de países selecionados utilizando múltiplos modelos de séries temporais e análise de cluster para identificar padrões entre ativos financeiros internacionais.

---

🎯 Objetivo

O projeto visa prever os valores de ETFs (Exchange-Traded Funds) de países do BRICS e outros mercados emergentes com diferentes abordagens estatísticas e de aprendizado de máquina. Além disso, aplicamos técnicas de clusterização para identificar semelhanças e agrupamentos de comportamento entre os ETFs analisados.

---

🛠️ Tecnologias e Ferramentas

• Python 🐍
• Pandas / NumPy / Matplotlib / Seaborn
• Scikit-learn
• Statsmodels
• XGBoost
• Random Forest Regressor
• Gradient Boosting
• KMeans
• Yahoo Finance API
• Jupyter Notebook

---

🔎 Abordagem

• Coleta de dados históricos de ETFs via Yahoo Finance API

• Pré-processamento e análise exploratória

• Aplicação de múltiplos modelos preditivos:

  • XGBoost Regressor/GD Boosting/ Random Forest Regressor

• Avaliação de desempenho com métricas como MAE, RMSE

• Clusterização dos ETFs com base em comportamento e variáveis derivadas (volatilidade, tendência etc.)

---

📊 Forecasting via assembleia de modelos

Abaixo está uma amostra visual do desempenho preditivo de um dos modelos utilizados:

Figura: Comparativo de desempenho entre os modelos preditivos aplicados aos ETFs

---

🔍 Clusterização de ETFs

Também foi realizada uma análise de agrupamento (clustering) para observar similaridades entre os ETFs com base em suas séries temporais:

• KMeans com Elbow Method

---