O setor elétrico constitui um dos pilares da economia nacional, uma vez que o funcionamento de qualquer outro setor é diretamente dependente da energia elétrica. E com essa dependência direta, conforma a economia crescia, a demanda por energia elétrica também crescia, o que, por sua vez, exigiu também um crescimento por parte das empresas geradoras e distribuidoras de energia elétrica.

Esse crescimento fez com que empresas nacionais inseridas no setor elétrico passassem a chamar atenção de investidores. Entretanto, prever a alta ou queda de uma ação não é algo simples, já que a volatilidade da cotação possui um caráter não linear e dependente de outros fatores humanos que não só de questões da própria empresa. Por isso, métodos para a previsão da tendência do preço de ações têm sido empregados junto ao mercado financeiro.

Pelos motivos supracitados, esta pesquisa foi desenvolvida com o objetivo de criação de uma abordagem de mineração de dados integrada a seletores de atributos e técnicas de aprendizado de máquina, com o intuito de realizar a previsão de tendência dos preços de ações das seguintes concessionárias: EDP Brasil, CMIG, CPFL, CPLE e Light S.A..

Assim, iniciou-se o projeto com o processo de “mineração” para a obtenção de uma base de dados significativa. A base consistia em cerca de 10 anos de dados de cada uma das empresas, assim como dados dos índices (Bovespa e IEE) e de moedas (dólar americano e euro).

Com todos os dados coletados, teve início o processo de pré-processamento dos dados. Este consistiu na normalização dos mesmos e na extração de atributos econômicos. Em seguida, utilizou-se de uma etapa de seleção de atributos, fazendo-se uso do algoritmo Relief contido no software Weka, que possibilitou selecionar os atributos mais relevantes para cada ação analisada.

Uma vez que fora realizada a seleção de atributos, os datasets foram utilizados como entradas para as Redes Neurais Artificiais, que foram as responsáveis pela realização das predições de tendência. A RNA utilizada no projeto foi do tipo Perceptron de Múltiplas Camadas (PMC). Para o treinamento da RNA, foi utilizado o método de Levenberg-Marquardt, algoritmo que reduz o tempo de convergência da RNA e é muito eficaz em redes do tipo feedforward de proporções medianas.

Após a realização de todos os processos, os resultados obtidos foram analisados em função de sua precisão e também por meio da área abaixo da curva (AUV). Foram obtidas precisões de 62% para a ENBR3, 57% para CMIG4, 56% para CPFE3, 53% para CPLE3 e 59% para LIGT3.