Tech Challenge 4 - Previsão de Preços de Ações da Coca-Cola Company (KO)

Aluno: Mateus Bressan

Video Explicativo: https://www.youtube.com/watch?v=i3u7iGFIHCY

Descrição do Projeto e Objetivo Principal

Este projeto consiste em um sistema de previsão do valor de fechamento de ações utilizando técnicas de Deep Learning. O objetivo principal é desenvolver uma pipeline completa de Machine Learning, desde a coleta e pré-processamento de dados até a criação de um modelo preditivo (LSTM) e seu deploy em uma API RESTful.

O foco está na previsão do valor de fechamento das ações da Coca-Cola Company (KO).

---

Tecnologias Utilizadas

• Linguagem: Python
• Framework Web: Flask
• Machine Learning/Deep Learning: Keras (com TensorFlow como backend)
• Coleta de Dados Financeiros: yfinance
• Serialização de Modelos: joblib
• Manipulação de Dados: Pandas, NumPy
• Visualização de Dados: Matplotlib
• Pré-processamento de Dados: Scikit-learn (MinMaxScaler, train_test_split)
• Contêinerização: Docker (com Gunicorn para servir a aplicação)
• Monitoramento de Recursos: psutil
• Logging: Módulo logging padrão do Python
• Requisições HTTP (internas): Requests
• Variáveis de Ambiente: python-dotenv

---

Como Configurar e Rodar o Projeto Localmente

1. Pré-requisitos

• Python 3.9+
• Docker
• Git

2. Clonar o Repositório

git clone https://github.com/mbressan/techchallenge4.git
cd techchallenge4

3. Configuração do Ambiente

Instalar Dependências

pip install -r requirements.txt

Principais dependências:

• Flask
• tensorflow
• keras
• yfinance
• gunicorn
• psutil
• requests
• python-dotenv
• pandas
• numpy
• matplotlib
• scikit-learn
• joblib

4. Como Iniciar a API (com Docker)

Construir a Imagem Docker

docker build -t previsao-acoes-ko .

Executar o Contêiner Docker

docker run -p 5000:5000 previsao-acoes-ko

5. Como Treinar o Modelo

Com a API rodando (via Docker), acesse o endpoint de treinamento em seu navegador:

http://localhost:5000/treinarmodelo

Aguarde a mensagem "Dados coletados e modelo treinado!". O modelo e o scaler serão salvos na pasta Models/.

6. Como Testar a Previsão via API (Postman/cURL)

• URL: http://localhost:5000/prever
• Método: POST
• Headers: Content-Type: application/json
• Body (raw, JSON):

{
    "historical_prices": [
        71.49, 71.15, 71.78, 71.77, 70.04, 69.68, 69.85, 70.29, 70.22, 70.69,
        70.07, 70.29, 70.13, 69.78, 69.39, 69.61, 69.31, 69.42, 69.50, 69.57,
        68.43, 68.55, 68.13, 67.45, 68.12, 67.82, 68.04, 67.83, 68.12, 67.81
    ]
}

• Resposta Esperada:

{
    "previsao": 70.45
}

O valor retornado estará formatado com duas casas decimais.

---

Monitoramento

O projeto inclui monitoramento básico de performance para produção.

• Métricas Coletadas: Tempo de resposta da API, utilização de CPU e memória por processo.
• Local dos Logs: Todas as métricas são registradas no arquivo app_monitor.log na raiz do projeto.
• Visualização:
  • Local: tail -f app_monitor.log
  • Docker: docker logs -f [nome_do_container]
  • Nuvem: Console da plataforma de deploy

---

Informações Relevantes Adicionais

• Modelo: O modelo LSTM foi treinado para prever o preço de fechamento com base nos últimos 30 dias de dados de fechamento.
• Retreinamento: Para manter o modelo atualizado, recomenda-se retreiná-lo periodicamente (ex: semanalmente ou mensalmente) através do endpoint /treinarmodelo.
• Dados Históricos: A coleta de dados usa yfinance para garantir que o modelo esteja sempre se baseando em informações de mercado atualizadas.

---