Este trabalho busca estudar e entender o comportamento de uma cesta de ativos relevantes dos mais variados setores da economia mundial. Utilizando duas ferramentas quantitativas para auxiliar e buscar um melhor entendimento dos dados, primeiro foi usado Principal Component Analysis (PCA) e em seguida Hidden Markov Model (HMM). O estudo inicia com a escolha de uma cesta de ativos aproximadamente 12 ETFs - de diferentes setores da economia global. Após a discussão e a escolha desses fundos, coleta-se os preços unitários dentro de uma janela de tempo e é calculado o retorno histórico nesse período. Posteriormente, com os ativos selecionados e seus dados tratados, é introduzida a ferramenta PCA via Python. Em resumo, o PCA irá reduzir a dimensionalidade dos dados dos ativos, identificando as componentes principais que capturam a maior variabilidade do conjunto original, facilitando a análise e interpretação das tendências mais significativas no comportamento dos preços unitários. Em seguida, com as informações obtidas do PCA, será introduzido o HMM, também modelado via Python, para analisar o comportamento futuro dos ativos com base nas informações ocultas extraídas do passado, modelando a dinâmica dos preços e identificando padrões ocultos e transições entre diferentes estados de mercado. Como resultado da integração das ferramentas, espera-se alcançar uma estimativa mais precisa da volatilidade futura, visando fornecer insights mais robustos sobre padrões de volatilidade, o que permite uma maior confiança na análise e apoia decisões estratégicas de investimento de forma mais embasada.