O projeto tem como objetivo aplicar métodos de machine learning na projeção de séries financeiras, de modo a obter ganhos de performance em relação a modelos clássicos. A disponibilidade de dados e capacidade computacional existente permitem a utilização de métodos de previsão que se utilizam de ténicas de computação intensiva. Este trabalho apresenta uma comparação do desempenho de diversos métodos de machine learning em relação a modelos tradicionais – especialmente o Random Walk – de modo a entender se existe ganho relevante na capacidade preditiva de preços de commodities – especificamente commodities agrícolas. As metodologias utilizadas, detalhadas ao longo do relatório, são aplicadas à projeção dos preços de Soja e Milho cotados na Bolsa de Valores americana. Utilizando janelas móveis e diferentes horizontes mensais de projeção. É possível perceber que existe, de fato, ganhos de performance relevante nas projeções de modelos apoiados em métodos de Machine Learning, em relação ao modelo Benchmark Random Walk e modelos clássicos, como AR, ARCH e GARCH. Identicou-se ganhos de desempenho maiores principalmente no uso dos modelos LASSO, Bagging e Random Forest, com medidas de aderência demonstrando melhor performance – a partir da análise de algumas métricas como RMSE, MAE e MAD.