Tech Challenge - Previsão de Preços de Ações GOOG

Este projeto foi desenvolvido como parte do Tech Challenge do curso de Pós-graduação em Machine Learning Engineering. O objetivo é criar um modelo de Machine Learning para prever os preços de ações, integrando coleta de dados, armazenamento em banco de dados e visualização dos resultados. [cite: 3, 4, 5, 6, 7, 11, 12, 13]

Desafio do Tech Challenge

O Tech Challenge proposto envolve a construção de uma solução completa de Machine Learning, desde a coleta de dados até a apresentação dos resultados em uma aplicação funcional. Os requisitos principais do desafio são: [cite: 6, 7, 11]

• Coleta e Armazenamento de Dados: Desenvolver uma API para coletar dados de ações (idealmente em tempo real) e armazená-los em um banco de dados. [cite: 6]
• Modelo de Machine Learning: Implementar um modelo de ML para prever os preços das ações, utilizando os dados coletados. [cite: 7]
• Documentação: Fornecer documentação clara do código e do modelo. [cite: 8, 9, 10]
• Apresentação Visual: Criar uma forma de apresentar o modelo, como um dashboard. [cite: 11]

Solução Implementada

Este projeto aborda os requisitos do Tech Challenge através das seguintes etapas:

1. Coleta de Dados: Os dados históricos e em tempo real das ações da GOOG são coletados utilizando a biblioteca yfinance. [cite: main.py]
2. Armazenamento de Dados: Os dados coletados são armazenados em um banco de dados PostgreSQL usando SQLAlchemy. [cite: main.py]
3. Modelo de Machine Learning: Um modelo de Random Forest Regressor é treinado para prever os preços de fechamento das ações. [cite: main.py]
4. API Flask: Uma API Flask é desenvolvida para disponibilizar os dados históricos e as previsões do modelo. [cite: main.py]
5. Dashboard: Um dashboard web é construído com Flask e HTML para visualizar os dados históricos e as previsões de preços das ações. [cite: main.py, templates/dashboard.html]

Modelo de Machine Learning

O modelo de Machine Learning utilizado é o Random Forest Regressor. Este modelo foi escolhido devido à sua capacidade de lidar com dados não lineares e sua robustez contra overfitting.

• Hiperparâmetros: O modelo é treinado com otimização de hiperparâmetros utilizando GridSearchCV para encontrar a melhor combinação de parâmetros. [cite: main.py]
• Features: O modelo utiliza como features o preço de fechamento, volume, média móvel e retorno diário da ação. [cite: main.py]
• Avaliação: O desempenho do modelo é avaliado utilizando as métricas de Mean Squared Error (MSE) e Mean Absolute Error (MAE). [cite: main.py]

Como Executar o Projeto

Para executar o projeto, siga as instruções abaixo:

1. Pré-requisitos:

   • Python 3.x
   • Pip
   • PostgreSQL

2. Instalar as dependências:

   pip install -r requirements.txt

3. Configurar o banco de dados:

   • Crie um banco de dados PostgreSQL.
   • Configure as variáveis de ambiente no arquivo .env com as credenciais do banco de dados.

4. Executar a API:

   python main.py

   A API estará disponível em http://localhost:5000.

5. Acessar o Dashboard:

   • Abra o navegador e acesse http://localhost:5000/ para visualizar o dashboard.

Rotas da API

• /historico: Retorna os dados históricos das ações.
• /prever: Retorna a previsão do preço da ação para o dia seguinte.
• /treinarmodelo: Coleta os dados e treina o modelo (deve ser executado para treinar o modelo antes de realizar a previsão).
• /: Retorna o dashboard

---

Este README fornece uma visão geral do projeto, explicando seu propósito no contexto do Tech Challenge, descrevendo o modelo de Machine Learning utilizado e fornecendo instruções sobre como executar o projeto.