Este trabalho apresenta o desenvolvimento de uma ferramenta para predição de séries temporais do mercado de ações utilizando algoritmos de aprendizado de máquina. A volatilidade e a complexidade do mercado financeiro tornam a análise e previsão de preços de ações um desafio significativo, especialmente para investidores iniciantes. O objetivo deste estudo é aplicar técnicas modernas de aprendizado de máquina para identificar padrões em dados históricos e fornecer previsões confiáveis que auxiliem investidores na tomada de decisões estratégicas. A metodologia envolve a coleta de dados históricos de preços de ações, o processamento dessas séries temporais e a aplicação de algoritmos como NeuralProphet e LSTM. A avaliação do modelo utiliza métricas como Erro Quadrático Médio (RMSE) e Erro Percentual Absoluto Simétrico Médio (sMAPE) para garantir precisão e robustez. Os resultados demonstram que os algoritmos de aprendizado de máquina podem capturar padrões complexos no mercado de ações, proporcionando previsões que, em alguns casos, superam as técnicas tradicionais. Como contribuição prática, este trabalho fornece insights valiosos que podem ajudar os investidores a tomar decisões mais informadas.