guifav/lstm-petr4-stock-prediction

LSTM Stock Price Predictor - PETR4.SA (Petrobras)

Modelo LSTM (Long Short-Term Memory) treinado em PyTorch para prever o preco de fechamento das acoes da Petrobras (PETR4.SA) na bolsa brasileira (B3).

Descricao

Este modelo utiliza dados historicos de precos para capturar padroes temporais e gerar previsoes do proximo preco de fechamento. Desenvolvido como projeto de estudo em Deep Learning aplicado a series temporais financeiras.

Arquitetura

• Tipo: LSTM (2 camadas empilhadas)
• Hidden size: 128
• Dropout: 0.2
• Janela temporal: 60 dias
• Feature: Preco de fechamento (Close)
• Framework: PyTorch

Metricas (Conjunto de Teste)

Metrica	Valor
MAE	Calculado apos treino
RMSE	Calculado apos treino
MAPE	Calculado apos treino

Como Usar

import torch
import joblib
import json
import numpy as np

# Carregar artefatos
config = json.load(open("config.json"))
scaler = joblib.load("scaler.joblib")

# Reconstruir modelo
from model import LSTMModel

model = LSTMModel(
    input_size=config["model"]["input_size"],
    hidden_size=config["model"]["hidden_size"],
    num_layers=config["model"]["num_layers"],
    dropout=config["model"]["dropout"]
)
model.load_state_dict(torch.load("lstm_model.pth", map_location="cpu", weights_only=True))
model.eval()

# Fazer previsao (com 60 precos de fechamento)
prices = np.array([...]).reshape(-1, 1)  # 60 precos
prices_scaled = scaler.transform(prices)
input_tensor = torch.FloatTensor(prices_scaled.reshape(1, 60, 1))

with torch.no_grad():
    prediction = model(input_tensor).item()

predicted_price = scaler.inverse_transform([[prediction]])[0][0]
print(f"Preco previsto: R$ {predicted_price:.2f}")

Arquivos

• lstm_model.pth - Pesos do modelo treinado (state_dict)
• scaler.joblib - MinMaxScaler ajustado nos dados de treino
• config.json - Hiperparametros, metricas e metadados
• model.py - Definicao da classe LSTMModel

Dados de Treinamento

• Fonte: Yahoo Finance via biblioteca yfinance
• Acao: PETR4.SA (Petrobras)
• Periodo: Janeiro 2018 ate a data de treino
• Split: 70% treino / 15% validacao / 15% teste (cronologico)

Limitacoes

• Este modelo e educacional e nao deve ser usado para decisoes financeiras reais
• Treinado apenas com dados de preco de fechamento -- nao considera fatores fundamentalistas, noticias ou sentimento de mercado
• Performance pode degradar em periodos de alta volatilidade ou eventos atipicos (ex: crises)
• Previsao limitada a 1 dia a frente

Autor

Guilherme de Mauro Favaron

Licenca

MIT