Nas últimas décadas tem havido um interesse crescente em prever o comportamento futuro dos mercados financeiros. Pesquisadores investigam esse problema modelando uma representação conveniente para os dados, as chamadas séries temporais, apesar da dificuldade de estudá-las com precisão devido aos seus padrões não lineares e não estacionários. Além disso, a questão da alta dimensionalidade, presente no conjunto de dados, reduz o entendimento das relações de dependência entre as observações. O uso de novas tecnologias em finanças, como o aprendizado de máquina, busca extrair e analisar informações sobre o preço dos ativos e fluxos de negociação em um ambiente competitivo de risco-retorno. Esse trabalho propõe a análise comparativa de técnicas modernas de seleção de atributos VSURF (Variable Selection Using Random Forests) e RFE ( Recursive Feature Elimination), a fim de reduzir a dimensionalidade na base de dados. Os resultados obtidos foram consistentes e não causaram perda da capacidade preditiva do modelo.

In recent decades there has been a growing interest in predicting the future behavior of financial markets. Researchers investigate this problem by modeling a convenient representation of the data, the so-called time series, despite the difficulty of studying them accurately due to their non-linear and non-stationary patterns. In addition, the issue of high dimensionality present in the dataset reduces the understanding of the dependence relationships between the observations. The use of new technologies in finance, such as machine learning, seeks to extract and analyze information about asset prices and trading flows in a competitive risk-return environment. This work proposes a comparative analysis of modern feature selection techniques VSURF (Variable Selection Using Random Forests) and RFE (Recursive Feature Elimination), in order to reduce the dimensionality present in the dataset. The results obtained were consistent and did not cause predictive ability of the model.