É inquestionável que a Inteligência Artificial e os algoritmos de Machine Learning estão, e continuarão nos próximos anos, a mudar o mundo e a forma como vivemos o quotidiano. Diversas áreas alteram regularmente o seu modus operandi, em conformidade com as novas melhorias que vão surgindo diariamente nos diferentes sectores que envolvem Machine Learning; a área de negócio da bolsa e da previsão das respetivas ações não é exceção. No decorrer desta dissertação procurou-se perceber o impacto que os modelos de Machine Learning conseguem atingir na previsão do valor de ações, quando aplicados em conjunto com técnicas de Text Mining e Web Scraping. Os modelos de Deep Learning escolhidos para esta investigação foram o LSTM e o BiLSTM, por se considerar que eram aqueles que ofereciam uma melhor resposta ao âmbito proposto. Para além disso, os modelos utilizados adequam-se bem ao conjunto de dados utilizados. Os principais conjuntos de dados utilizados no decorrer da dissertação foram os valores de fecho e de volume de diferentes índices, assim como notícias financeiras e relatórios do Federal Reserve System. A partir destes, foi possível calcular diversas variáveis que se utilizaram como input nos modelos de Deep Learning. Apesar da considerável quantidade de técnicas que se podem aplicar, importa também realçar as naturais limitações que estas ainda apresentam, oferecendo assim espaço para esta área se auto superar.

It is unquestionable that Artificial Intelligence and Machine Learning algorithms are, and will continue to be in the coming years, changing the world and the way we live our daily lives. Various fields regularly adjust their modus operandi in accordance with the new improvements that emerge daily in the different sectors involving Machine Learning; the business area of stock market and the prediction of respective actions is no exception. Throughout this dissertation, we sought to understand the impact that Machine Learning models can achieve in predicting stock values when applied in conjunction with Text Mining and Web Scraping techniques. The Deep Learning models chosen for this research were LSTM and BiLSTM, as they were considered to provide a better response within the proposed scope. Furthermore, the models used were well-suited to the dataset employed. The primary datasets used during the dissertation consisted of closing values and volume data from various financial indices, as well as financial news and reports from the Federal Reserve System. From these, it was possible to calculate various variables that were used as inputs in the Deep Learning models. Despite the considerable array of techniques that can be applied, it is also important to highlight the inherent limitations that still exist, thus providing room for this field to continually self-improve.