Com a intensa atividade provocada pelos algoritmos de negociação, há cada vez mais informações referentes à evolução temporal da oferta e da demanda de uma ação. Os dados em alta frequência fornecem um panorama quantitativo para a criação de mercado e execução de operações. Compreender e modelar a dinâmica de um instrumento financeiro é de extrema importância para uma gestão mais eficiente de portfólio, de alocação de recursos bem como de risco. Este trabalho, portanto, tem como principal motivação propor um modelo híbrido não paramétrico capaz de caracterizar a tendência de queda ou de subida do preço de uma dada ação, utilizando, para tal, uma carteira de ativos integrantes do índice Bovespa com forte relação causal com o ativo modelado. A combinação do método de máquina de vetor de suporte com um algoritmo genético otimizou o classificador binário, produzindo resultados com uma acurácia superior em comparação com o algoritmo de aprendizado de máquina supervisionado puro. Além disso, a análise do comportamento histórico da estrutura fractal apresentada pela série temporal da ação alvo corroborou com os resultados obtidos na predição da dinâmica do movimento no período de tempo estudado

With the intense activity caused by the algorithmic trading, there is increasingly information regarding the temporal evolution of the supply and demand of a stock. High-frequency data provide a quantitative viewpoint for market creation and execution of operations. Understanding and modeling the dynamics of a financial instrument is extremely important for a more efficient management of a portfolio, of a resource allocation as well as risk. This work, therefore, has as its main motivation to propose a hybrid non-parametric model capable of characterizing the tendency of price to fall or rise for a given stock, using, for this purpose, a portfolio of assets that are part of the Bovespa's index with a strong causal relationship to the modeled asset. The combination of the support vector machine method with a genetic algorithm has optimized the binary classifier, producing results with higher accuracy than to them produced by the pure supervised machine learning algorithm. Furthermore, the analysis of the historical behavior of the fractal structure presented by the time series of the target stock corroborated with the results obtained in the prediction of the dynamics of the movement in the studied period