Desenvolvimento de Modelo Preditivo para Séries Temporais Financeiras Utilizando Qda e Engenharia de Features

Contexto Geral do Projeto

Tarefas a Serem Desenvolvidas no Projeto de Machine Learning 1. Conexão com API para Leitura de Dados Históricos: • Implementar conexão com uma API financeira para coletar dados históricos de ações ou índices (ex.: Preços de abertura, fechamento, mínima, máxima, volume, e indicadores técnicos). • Os dados devem ser armazenados localmente (em um banco de dados ou arquivo CSV) ou em memória para posterior análise. 2. Conexão com API para Dados em Tempo Real: • Implementar uma conexão com uma API de mercado financeiro que permita a coleta de dados em tempo real. • Os dados em tempo real devem ser utilizados para gerar previsões instantâneas e serem apresentados de maneira clara e eficiente. 3. Pré-processamento de Dados: • Limpar e formatar os dados coletados, eliminando valores ausentes ou inconsistentes. • Normalizar os dados (ex.: Escalonamento de valores) para otimizar o treinamento dos modelos de machine learning. 4. Desenvolvimento de Modelo de Machine Learning para Previsão: • Criar e treinar um modelo de machine learning (ex.: Rede Neural Recorrente - RNN) usando dados históricos. • Implementar outro modelo de machine learning (ex.: Quadratic Discriminant Analysis - QDA) para comparação com o primeiro. 5. Auto-Treinamento do Modelo: • Configurar o modelo de machine learning para continuar treinando automaticamente à medida que novos dados históricos ou em tempo real forem recebidos. • Implementar uma rotina para que o modelo faça ajustes nos pesos com base nos novos dados e melhore suas previsões. 6. Testes e Validação dos Modelos: • Comparar os resultados de ambos os modelos (rnn e qda) usando métricas como coeficiente de correlação de pearson, erro quadrático médio e precisão. • Realizar testes com diferentes janelas de tempo (ex.: Previsões para 1 dia, 7 dias, 30 dias). 7. Visualização dos Resultados em Tempo Real: • Desenvolver um painel para exibir as previsões de tendências de mercado em tempo real, atualizadas conforme os dados são recebidos pela API. • A interface deve mostrar as previsões feitas pelo modelo em gráficos ou tabelas, facilitando a tomada de decisões. 8. Otimização do Modelo: • Ajustar os hiperparâmetros do modelo para melhorar o desempenho e garantir a melhor precisão possível nas previsões. • Implementar estratégias de regularização (como dropout) para evitar overfitting. 9. Integração com Ambiente de Produção: • Preparar o código para ser facilmente integrado a um ambiente de produção (ex.: Serviços em nuvem ou servidores locais). • Garantir que a aplicação seja escalável e possa lidar com grandes volumes de dados em tempo real. 10. Documentação Completa: • Fornecer documentação detalhada sobre o código, incluindo explicações sobre a configuração das APIs, estrutura dos modelos, e procedimentos de auto-treinamento. • Instruções para replicação do ambiente de desenvolvimento e execução do projeto.

Categoria TI e Programação
Subcategoria Data Science
Tamanho do projeto Médio
Isso é um projeto ou uma posição de trabalho? Um projeto
Disponibilidade requerida Conforme necessário

Prazo de Entrega: Não estabelecido

Habilidades necessárias