[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-123419-pt":3,"doc-seo-123419-112":31,"detail-sidebar-cat-0-pt-112":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},123419,962085564381,"Clementine","https://ap-avatar.wpscdn.com/davatar_6f874abed73319feea01a86fa6f0fab8",32,"Pesquisa e Relatórios","Análise Comparativa entre Programação Genética e Algoritmos de Machine Learning em Previsão de Tendências Financeiras","Estudo de análise comparativa entre Programação Genética (GP) e cinco algoritmos de aprendizado de máquina — SVM, AdaBoost, XGBoost, LSTM e DNN — na previsão de tendências financeiras. Utiliza dados diários históricos dos índices NASDAQ, S&P 500 e Nikkei 225 no período de janeiro de 2015 a janeiro de 2025. A avaliação do desempenho considera as métricas Sharpe e Sortino para capturar retorno e risco ajustado, buscando estabilidade, consistência e capacidade de generalização em diferentes mercados.","Comparative Analysis between Genetic Programming and Machine Learning Algorithms in Forecasting Financial Trends *  \nMarcos V. R. Pedroza 1 , Carlos A. Silva 1  \n1Departamento de Informtica – Instituto Federal de Minas Gerais (IFMG) CEP 34 .590-390 – Sabar, MG – Brasil  \n[marcospdrza@gmail.com](marcospdrza@gmail.com) , [carlos.silva@ifmg.edu.br](carlos.silva@ifmg.edu.br)  \nAbstract. This study presents a comparative analysis of Genetic Programming (GP) and five machine learning (ML) algorithms, namely Support Vector Machi nes (SVM), AdaBoost, XGBoost, Long Short-Term Memory (LSTM), and Deep Neural Networks (DNN), in the task of financial trend forecasting. We use historical daily data from the NASDAQ, S&P 500, and Nikkei 225 indices, covering the period from January 2015 to January 2025 . Model performance is evaluated using Sharpe and Sortino Ratios, capturing both accuracy and risk-adjusted return. Results show that GP exhibits greater stability in Asian markets, while LSTM and XGBoost achieve better performance in North American markets.  \nResumo. Este estudo apresenta uma an a´lise comparativa entre a Programac¸ a˜o Gentica (GP) e cinco algoritmos de aprendizado de ma´quina (SVM, AdaBoost, XGBoost, LSTM e DNN) aplicados a` previsa˜o de tendeˆncias financeiras. Os dados utilizados compreendem s e´ries histo´ricas dia´rias dos ı´ndices NASDAQ, S&P 500 e Nikkei 225, no per ´ıodo de janeiro de 2015 a janeiro de 2025 . Aavaliac¸ o do desempenhofoi realizada com base nas me´tricas Sharpe Ratio e Sortino Ratio, considerando tanto o retorno quanto o risco associado. Os resultados indicam que a GP demonstrou maior estabilidade nos mercados asi a´ticos, enquanto os modelos LSTM e XGBoost se destacaram por seus desempenhos superiores em mercados norte-americanos.  \n1. Introduc¸ o  \nA previso financeira desempenha um papel estratgico no suporte  tomada de decises de investimento, com o objetivo de maximizar retornos e mitigar riscos em ambientes dealta volatilidade. Diversas pesquisas vm explorando m˜ odelos preditivos capazes de supe  \nrar benchmarks de mercado sob determinadas condic¸oes e janelas temporais espec´ıficas. Tais modelos diferem amplamente em termos de complexidade, interpretabilidade e aplicabilidade, sendo que a escolha do algoritmo ideal depende do tipo de ativo, horizonte temporal e cenrio de mercado considerados.  \nA anlise t˜cnica, fund˜ amentada em dados histricos, enfrenta desafios significa  \ntivos na identificac¸ao de padroes robustos e generalizveis. Nos ´ultimos anos, algoritmos de aprendizado˜de mquina (Machine Learning, ML) tm se destacado por sua capacidade  \nde extrair padroes complexos de sries temporais financeiras, conforme evidenciado por  \n*Artigo aceito para publicac¸ o no XXII Encontro Nacional de Inteligncia Artificial e Computacional, Fortaleza, CE, set. 2025.  \n[Atsalakis e˜ t al. 2019], que compara ML com abordagens tradicionais. Nesse cenrio, a  \nprogramac¸ao gentica (Genetic Programming, GP) surge como uma abordagem baseada em princ´ıpios evol˜utivos, com potencial para construir modelos preditivos adaptativos e  \nde dif´ıcil formulac¸ao anal´ıtica.  \nEmbora existam co˜ mparac¸ es pontuais entre GP e tcnicas de aprendizado de  \nmquina, este estudo propoe uma anlise mais abrangente, incorporando m´ultiplas abordagens de ML e considerando diferentes˜ mercados e per´ıodos histricos. Especifica  \nmente, este estudo avalia a GP em relac¸ao a cinco algoritmos de ML: Support Vector Machines (SVM), AdaBoost, XGBoost, Long Short-Term Memory (LSTM) e Deep Neural Networks (DNN) . Estudos anteriores, como os de [Krauss et al. 2017] sobre SVMe DNN aplicadas ao ´ındice S&P 500, de [Fischer and Krauss 2018] sobre LSTM, e de [Long et al. 2020], que compararam GP a diferentes algoritmos de ML, oferecem uma base relevante. Este trabalho busca complementar essas pesquisas ao comparar o desempenho dos referidos algoritmos com a GP em diferentes mercados e horizontes temporais.  \nOs experimentos realizados utili","cbCaij1R57zuPCyL","https://ap.wps.com/l/cbCaij1R57zuPCyL","pdf",518192,2,1,13,"Portuguese","pt",112,"# Introdução\n## Motivações e desafios da previsão financeira\n## Objetivo e contribuições do estudo\n# Trabalhos Correlatos\n## Comparações entre ML e abordagens tradicionais\n## Sensibilidades e robustez em cenários voláteis","[{\"question\":\"Quais algoritmos são comparados com a Programação Genética (GP) na previsão financeira?\",\"answer\":\"A GP é comparada a cinco algoritmos de aprendizado de máquina: SVM, AdaBoost, XGBoost, LSTM e Deep Neural Networks (DNN).\"},{\"question\":\"Quais dados e períodos históricos foram utilizados nos experimentos?\",\"answer\":\"Foram usados dados diários históricos dos índices NASDAQ, S\\u0026P 500 e Nikkei 225, cobrindo de janeiro de 2015 a janeiro de 2025.\"},{\"question\":\"Como o desempenho dos modelos é avaliado?\",\"answer\":\"O desempenho é medido com as métricas Sharpe e Sortino, que consideram retorno e risco ajustado para avaliar tanto precisão quanto eficiência em diferentes contextos.\"}]","Análise Comparativa entre Programação Genética e Algoritmos de Machine Learning em Previsão de Tendências Financeiras | PDF",1785816376,20,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"comparative-analysis-between-genetic-programming-and-machine-learning-algorithms-in-financial-trend-forecasting","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,48,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":20},"https://docshare.wps.com/pt/document/","Document",{"item":49,"name":12,"@type":44,"position":50},"https://docshare.wps.com/pt/document/pesquisa-e-relatórios/",3,{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/pt/document/comparative-analysis-between-genetic-programming-and-machine-learning-algorithms-in-financial-trend-forecasting/123419/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-14","2026-08-04",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Quais algoritmos são comparados com a Programação Genética (GP) na previsão financeira?","Question",{"text":76,"@type":77},"A GP é comparada a cinco algoritmos de aprendizado de máquina: SVM, AdaBoost, XGBoost, LSTM e Deep Neural Networks (DNN).","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Quais dados e períodos históricos foram utilizados nos experimentos?",{"text":81,"@type":77},"Foram usados dados diários históricos dos índices NASDAQ, S&P 500 e Nikkei 225, cobrindo de janeiro de 2015 a janeiro de 2025.",{"name":83,"@type":74,"acceptedAnswer":84},"Como o desempenho dos modelos é avaliado?",{"text":85,"@type":77},"O desempenho é medido com as métricas Sharpe e Sortino, que consideram retorno e risco ajustado para avaliar tanto precisão quanto eficiência em diferentes contextos.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,115,119,121,125,129],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},26,"Contos e Romances",60,"story-novel",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},46,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},28,"Exames","exam",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},47,"Geral","general",{"id":112,"doc_module":4,"doc_module_name":47,"category_name":113,"show_sort_weight":97,"slug":114},29,"Histórias em Quadrinhos","comic",{"id":116,"doc_module":4,"doc_module_name":47,"category_name":117,"show_sort_weight":97,"slug":118},27,"Literatura","literature",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":120},"research-report",{"id":122,"doc_module":4,"doc_module_name":47,"category_name":123,"show_sort_weight":97,"slug":124},33,"Religião e Espiritualidade","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":47,"category_name":127,"show_sort_weight":97,"slug":128},31,"Saúde e Cuidados","healthcare",{"id":130,"doc_module":4,"doc_module_name":47,"category_name":131,"show_sort_weight":97,"slug":132},45,"Tecnologia","technology"]