📊 Finance-Analysis

Este projeto analisa e prevê o preço das ações da Apple (AAPL) utilizando diferentes abordagens de séries temporais, incluindo técnicas estatísticas e aprendizado profundo.

📌 Objetivos

• Coletar e visualizar dados históricos das ações da Apple e do índice S&P 500.
• Aplicar técnicas estatísticas e de Machine Learning para previsão de preços.
• Comparar o desempenho de diferentes modelos.

🛠 Técnicas Utilizadas

• Regressão Linear: Modelo estatístico básico para prever tendências.
• ARIMA (AutoRegressive Integrated Moving Average): Modelo estatístico avançado para séries temporais estacionárias.
• LSTM (Long Short-Term Memory): Rede neural recorrente (RNN) especializada em aprendizado sequencial.

📂 Estrutura do Projeto

• main.ipynb → Notebook com todas as análises e previsões.
• README.md → Este arquivo com as explicações sobre o projeto.

🚀 Como Executar

1️⃣ Instalar as Dependências

Certifique-se de ter o Python instalado e execute o seguinte comando para instalar as bibliotecas necessárias:

pip install -r requirements.txt

2️⃣ Rodar o Jupyter Notebook

Abra o Jupyter Notebook e execute o arquivo main.ipynb:

jupyter notebook

📈 Resultados e Conclusões

Cada técnica apresenta vantagens e desvantagens:

• Regressão Linear: Simples e útil para tendências básicas.
• ARIMA: Eficiente para séries estacionárias.
• LSTM: Captura padrões complexos de longo prazo.

A escolha do modelo depende do contexto da análise e dos padrões da série temporal.

---

🚀 Projeto desenvolvido para estudo de previsão de séries temporais e aplicação prática em mercados financeiros!