📊 Tech Challenge: Modelo Preditivo para o IBOVESPA

Este repositório contém o desenvolvimento do projeto final para a Fase 02 do curso de Pós-Graduação em Data Analytics da FIAP POS-TECH.

🎯 O Problema

A missão consistiu em atuar como cientista de dados em um fundo de investimentos brasileiro, com o desafio de criar um modelo preditivo da tendência diária do IBOVESPA.

Sendo o objetivo classificar os movimentos do índice em duas categorias:

• Alta Significativa
• Neutra/Baixa Significativa

Servindo como uma ferramenta de apoio à tomada de decisão para analistas quantitativos.

---

O projeto percorre todas as etapas do pipeline de Data Science:

• Aquisição e tratamento de dados
• Engenharia de atributos
• Modelagem preditiva com múltiplos algoritmos
• Seleção e validação rigorosa do modelo final

---

⚙️ Requisitos

• Python 3.11.9
• git instalado
• Acesso ao terminal ou prompt de comando

---

🚀 Instalação

💡 Recomendado: utilize um ambiente virtual (venv) para garantir o isolamento das dependências.

1. Clone o repositório

git clone --branch main https://github.com/Carllux/FIAP-TC-2.git
cd FIAP-TC-2

2. Crie o ambiente virtual

python -m venv .venv

3. Ative o ambiente virtual

• Windows:

  .\.venv\Scripts\activate

• Linux/macOS:

  source .venv/bin/activate

4. Instale as dependências

pip install -r requirements.txt

⚠️ Observação: Caso encontre erros relacionados a compiladores C++ no Windows, pode ser necessário instalar o Microsoft C++ Build Tools.

---

🛠️ Metodologia Aplicada

1. Aquisição e Pré-processamento dos Dados

• Coleta dos dados históricos diários do IBOVESPA.
• Limpeza e padronização.
• Conversão para DatetimeIndex.
• Definição da variável-alvo (target).

2. Engenharia de Atributos

Criação de um conjunto diversificado de features:

• Atributos Autoregressivos: médias móveis, retornos defasados, etc.
• Volatilidade e Candlestick: variações entre máximas/mínimas e proporções de sombras.
• Atributos Exógenos: variações do Dólar (USD/BRL), S&P 500 e Petróleo Brent.
• Interações: combinações entre volatilidade e tendência.

3. Estratégia de Modelagem e Validação

• Modelagem por Regimes de Mercado:
  Segmentação da série temporal em períodos como:

  • "Boom das Commodities"
  • "Pandemia"
  • "Pós-Pandemia"

• Modelos Testados:

  • Regressão Logística
  • XGBoost
  • LSTM

• Otimização de Hiperparâmetros:

  • Utilização da biblioteca Optuna.

• Validação Temporal Robusta:

  • Divisão dos dados em conjuntos de Treino, Validação e Teste respeitando a ordem cronológica.

4. Modelo Final Selecionado

• Modelo: Regressão Logística
• Regime: Pós-Pandemia (Juros Altos)
• Justificativa:
  • Melhor desempenho na classe de maior interesse (Alta)
  • Após balanceamento com class_weight='balanced'
  • Recall de 41% e F1-Score de 0.39 para a classe 'Alta'

---

📁 Estrutura do Projeto

.
├── data/                  # Bases de dados originais e transformadas
├── docs/                  # PDF contendo o storytelling técnico do código
├── notebooks/             # Jupyter Notebooks com experimentações
├── src/                   # Código-fonte modularizado
│   └── data/              # Carregamento, transformação e limpeza
├── requirements.txt       # Dependências do projeto
└── README.md              # Este arquivo

---

🧪 Como Executar os Notebooks

Os notebooks seguem uma estrutura clara, com células organizadas em blocos funcionais e comentários explicativos.

Você pode executá-los em ambientes como:

• Jupyter Notebook
• Google Colab
• VSCode (com extensão Python ativa)

Ordem recomendada:

• Com exceção do notebook 00_data_investigation.ipynb, é recomendada a execução de todos os notebooks de forma linear

1. 01_Exploracao_e_Feature_Engineering.ipynb
2. 02_Modelagem_e_Validacao.ipynb

---

🧵 Boas Práticas Adotadas

• ✅ Validação Temporal Robusta
• ✅ Modelagem por Regimes de Mercado
• ✅ Tratamento de Desbalanceamento com class_weight
• ✅ Otimização Automatizada com Optuna
• ✅ Pipeline Modular e Reutilizável
• ✅ Avaliação Holística com múltiplas métricas:
  • classification_report
  • confusion_matrix
  • ROC AUC

---

📬 Contato