Neste trabalho é apresentada a aplicação de um modelo híbrido para prever os movimentos do preço-médio de instrumentos da Bolsa de Valores do Brasil (B3) utilizando dados do livro de ofertas e as mensagens relacionadas. Uma Rede Neural Convolucional (CNN) é utilizada para extrair características espaciais do livro de ofertas e um algoritmo baseado em árvores de decisão é utilizado para combinar as características da CNN com os dados do arquivo de mensagens. Diferente da maioria das outras bolsas de valores pelo mundo, o arquivo de mensagens da B3 inclui a qual corretora uma ordem pertence e neste trabalho também é apresentada uma análise de sua importância.Os resultados demonstram que a solução pode ser melhorada em 8% em termos de precisão (5% devido ao classificador baseado em árvore de decisão e mais 3% combinando com as mensagens) em comparação com uma CNN tradicional, onde as etapas de extração e classificação são ambas resolvidas pelo próprio modelo. Além disso, a utilização deste classificador permite a transferência de aprendizado de forma muito mais rápida do que o treinamento de uma CNN tradicional (cerca de 40 segundos).

This work presents the application of a hybrid model to predict the mid-price trend of assets in the Brazilian Stock Exchange (B3) using order book data and related messages. A Convolution Neural Network (CNN) is applied to extract spatial features from the order book and a decision tree based algorithm is used to combine the features from the CNN with features from the file of messages. Unlike most other stock exchanges around the world, the file of messages from B3 includes to which broker an order belongs to and in this work an analysis of its importance is presented as well. Our outlines demonstrate the solution can be improved in 8% in terms of accuracy (5% due to decision tree-based classifier and even more 3% combining with messages) compared to a traditional CNN, where extraction and classification steps are both solved by the model itself. In addition, the use of this classifier allows the transfer learning much faster than the training of a traditional CNN (about 40 seconds).