O mercado financeiro é um indicador fundamental da saúde econômica deum país, promovendo crédito e liquidez para sustentar investimentos e o fluxode capital. Ele facilita o crescimento das empresas e contribui para a geraçãode riqueza dos investidores. A Previsão de Preços de Ativos (APP) tem sidoabordada por meio de diversas metodologias, como Estatísticas Convencionais(CS), Análise Fundamentalista (FA), Análise Técnica (TA), Regras Heurísticas(HR) e, mais recentemente, Aprendizado de Máquina (ML). Apesar dosavanços computacionais, a APP continua sendo uma tarefa complexa devidoà natureza estocástica e caótica dos mercados financeiros.Atualmente, os melhores resultados (SOTA) apresentam acurácia de cerca de 79 por cento para previsão de tendência e aproximadamente 27 por cento paraprevisão de preço. No entanto, a maioria das abordagens carece de métodosrobustos para quantificar a incerteza das previsões, o que limita sua aplicaçãoprática na gestão de riscos. Este estudo propõe um modelo baseado emConformal Prediction Ensemble (CPE), integrando Conformal Prediction (CP)à calibragem dos resultados obtidos por ML para APP. A metodologia emcinco etapas inicia com o uso de HR para simular cenários realistas de APP. Em seguida, modelos de ML predizem o valor de fechamento (Close), que écalibrado com CP. Um Random Approach (RA) seleciona novos valores deClose de forma uniforme a partir do conjunto de previsões CP. Os resultadoscom e sem CP são comparados por meio do Symmetric Mean AbsolutePercentage Error (sMAPE). Os dados utilizados são os índices Standard and Poor s 500 (SPX) e Bovespa (IBOV). A proposta visa superar o desempenhode modelos ML isolados, incorporando estimativas de incerteza, e contribuicom uma estratégia empírica e prática de gestão de risco baseada em CP.