Aborda-se, nesta disserta¸c˜ao, a aplica¸c˜ao de t´ecnicas de Machine Learning (Aprendizado
de M´aquina), mais especificamente em rela¸c˜ao ao uso de modelos baseados em
´arvores de decis˜ao com o m´etodo de Gradient Boosted Trees, para a precifica¸c˜ao das a¸c˜oes
brasileiras negociadas na B3, considerando-se o per´ıodo de janeiro de 2007 at´e junho de
2022. Nesse sentido, prop˜oe-se um estudo de previs˜ao cross-sectional do retorno das a¸c˜oes
brasileiras nesse per´ıodo. Esse tema se diferencia das abordagens tradicionais em virtude
de utilizar t´ecnicas de modelagem mais complexas e modernas que consideram a n˜ao linearidade
das rela¸c˜oes entre as vari´aveis. Nesse contexto, no presente trabalho, prop˜oe-se:
a compara¸c˜ao do desempenho dos modelos de Machine Learning com modelos lineares
tradicionais e tamb´em a an´alise do uso desses modelos em estrat´egias de aloca¸c˜ao de
investimento. Como resultado, observaram-se ganhos econˆomicos nos modelos baseados
em ´arvores. Estes superaram os m´etodos lineares, e a estrat´egia de portf´olio long-short,
montada com a combina¸c˜ao dos dois modelos campe˜oes, gerou um Sharp Ratio Anual de
0.24, um resultado 66% superior ao do IBOVESPA.
