proporcionando aos investidores visões valiosas sobre as tendências econômicas futuras de

um país a curto, médio e longo prazo. Esse tipo de predição tem sido realizado por meio de

modelos de aprendizado de máquina. Mas, particularmente, devido a volatilidade, o ruído e a

estocasticidade dos dados, tal investimento em predição tem sido mitigado satisfatoriamente

com o desenvolvimento de modelos ensemble. Esta variedade de modelos exige uma análise

comparativa sistemática para entender seus pontos fortes e limitações. Dessa forma, foi realizada

uma revisão sistemática da literatura voltada para a predição de índices da bolsa de

valores que utilizam séries temporais financeiras e abordagens de ensemble, com o objetivo

de mapear os principais artigos, autores, tipos de técnicas utilizadas e lacunas na literatura.

A literatura revela que muitas análises comparativas se restringem ao uso de métricas de desempenho

tradicionais, como MSE, RMSE, MAE e MAPE, o que pode introduzir vieses nas

comparações, além de frequentemente omitir testes estatísticos robustos, focar apenas em um

tipo de mercado e adotar um protocolo de comparação inadequado. Este estudo investiga como

diferentes técnicas de ensemble aprimoram a previsão em séries temporais financeiras, adotando

um protocolo meticuloso para eliminar vieses dos dados e padronizar comparações entre

metodologias. Além das métricas tradicionais, foi introduzida uma análise de custo-benefício

para uma avaliação mais abrangente da arquitetura de ensemble. O teste de hipótese de Wilcoxon

foi aplicado para validar as descobertas, juntamente com os testes de Friedman e Nemenyi,

que são utilizados para classificar todos os modelos. Os resultados apresentaram a importância

de executar os algoritmos em diferentes ambientes, como os selecionados IBOVESPA e S&P

500, além de indicar que os algoritmos de ensemble, especialmente as abordagens de Decomposição

e Sistemas Híbridos Residuais que utilizam o modelo CART como base, tem um bom

desempenho dependendo do tipo de ambiente adotado. Contudo, testes estatísticos nas métricas

tradicionais mostram desempenhos equivalentes ao modelo single CART, e na métrica

de custo-benefício estes modelos apresentam um rendimento ruim, mostrando assim que nem

sempre o aumento na complexidade dos modelos resulta em benefícios significativos.