Este trabalho compara diferentes modelos de machine learning e econométricos para prever o preço do ouro, utilizando dados diários de 1997 a 2019. Foram testados modelos como ARIMA, regressão linear multivariada, Ridge, Lasso e Random Forest, além do passeio aleatório como benchmark. O estudo revelou que o modelo Ridge apresentou o melhor desempenho na maioria das métricas de precisão, enquanto o Random Forest, apesar de seu potencial teórico, teve o pior desempenho devido a mudanças na correlação entre as variáveis explicativas e o preço do ouro durante o período de teste. Os modelos ARIMA e o passeio aleatório também se destacaram, demonstrando eficácia na captura de tendências. Concluo que, embora técnicas avançadas de machine learning sejam promissoras, modelos mais simples e tradicionais podem ser mais robustos em cenários de mudanças estruturais nos dados.