Com o desenvolvimento dos algoritmos de Reinforcement Learning nos últimos anos, houve um aumento no número de estudos relacionados à negociação de ativos e otimização de portfólio. Embora trabalhos com dados de análise técnica e fundamentalista ganharam notoriedade nos últimos anos, poucos incluem ambos. Outro tema pouco explorado é o impacto do uso de Autoencoders para extrair variáveis e conexões entre os dados. Buscando explorar esses pontos e entender o impacto da introdução dessas variáveis, propomos um sistema inteligente para otimizar um portfólio por meio de análises de dados técnicos e fundamentalistas, bem como as variáveis geradas utilizando Autoencoders . Avaliamos o modelo em dois mercados distintos (o mercado Norte Americano de Ações e o de Criptoativos) em mais de 10 ativos, buscando avaliar o desempenho do agente em relação a modelos tradicionais. Posteriormente, esta avaliação permitiu-nos entender o impacto dos dados dos ativos em seu desempenho e como o agente se comporta em um mercado tradicional, como o de ações, e em mercados menos regulamentados, como o de criptomoedas

With the development of Reinforcement Learning algorithms in recent years, there has been an increase in the number of studies related to trading and portfolio optimization. Although works with technical and fundamental analysis data have gained notoriety recently, few include both of them. Another little explored subject is the impact of using Autoencoders to extract variables and connections among data. Seeking to explore these points and understand the impact of introducing these variables, we propose an intelligent system for optimizing a portfolio via analyses of technical and fundamental data as well as the variables generated through Autoencoder. We evaluated the model in ten markets (U.S. Stocks and Crypto assets) and more than 10 assets with hourly data, seeking to assess the agents performance about baselines. Subsequently, this evaluation allowed us to evaluate the impact of asset data on its performance and how the agent behaves in a more traditional market, such as stocks, and in less regulated markets, such as cryptocurrencies