O projeto tem por objetivo aplicar métodos de Machine Learning (ML) a fim de obter ganhos de projeção quando comparados a modelos mais tradicionais. Os métodos de Machine Learning são capazes de operar com um número elevado de variáveis explicativas mesmo em uma situação em que há menos dados do que variáveis candidatas, o que não é possível, por exemplo, com modelos lineares. Um grande número de modelos foi testado especificamente para o mundo de commodities metálicas, como minério de ferro, aço e cobre, num horizonte de projeção mensal dentro de até 2 anos. Motivados por isso, reunimos um conjunto de dados com uma quantidade relevante de passado, dentre elas, instrumentos financeiros, taxa de câmbio e indicadores macroeconômicos, que foram classificadas em tabelas. As metodologias utilizadas em cada modelo também são explicitadas ao longo do relatório e, por último, discutimos as performances de projeção de cada modelo em horizontes distintos para o preço spot do cobre na London Metal Exchange (LME). Como veremos, o LASSO e o ElasticNet, dentre todos os modelos, foram os que melhores performaram na grande parte do horizontes. Importante ressaltar que o LASSO obteve um ganho significativo entre os modelos que utilizamos como benchmark, como o Random Walk e o Autoregressive, assim como contra modelos que, tradicionalmente, são utilizados para estimar preço futuro de séries financeiras heterocedásticas, como o ARCH e o GARCH. Seu método de seleção de variáveis provou-se robusto em diferentes janelas para cada horizonte de projeção, apresentando medidas de aderências, como RMSE e MAE, mais estáveis e menores ao longo da janela de projeção.