A análise de séries temporais tem desempenhado papel importante em diversas áreas, como meteorologia, economia, medicina, engenharia de produção, entre outras. Essas áreas possuem em comum, além de sua importância crítica no mundo atual, uma complexidade inerente que torna necessária a utilização de ferramentas cada vez mais robustas. Uma área promissora atualmente para a análise e predição das séries temporais é o aprendizado de máquina, sendo que métodos de aprendizado baseados em redes complexas têm sido recentemente propostos. Neste trabalho, um método baseado em redes complexas para detecção de tendências em séries temporais foi avaliado e estendido. Como referência, essa abordagem foi comparada com o algoritmo Random forests, um dos mais conhecidos e difundidos métodos tradicionais de aprendizado de máquina. Nos experimentos realizados, as Random forests apresentaram desempenho superior ao das redes complexas, tanto em acurácia como em custo computacional. Não obstante, a abordagem baseada em redes complexas ainda é relativamente recente e tem potencial para desenvolvimentos futuros

The analysis of time series has played an important role in several areas, such as meteorology, economics, medicine, production engineering, among others. These areas have in common, in addition to their critical importance in todays world, an inherent complexity that makes it necessary to use increasingly more robust tools. A promising area in time series analysis is machine learning, and learning methods based on complex networks have been recently proposed. In this work, we evaluate and extend a complex network-based method for detecting trends in financial time series. As a benchmark, this approach was compared with the Random forests algorithm, one of the most widespread traditional machine learning methods. In the experiments carried out, Random forests performed better than complex networks, both in terms of accuracy and computational cost. Nevertheless, the approach based on complex networks is still relatively recent and has potential for future developments