A tentativa de prever o comportamento do mercado de ações é amplamente reconhecidacomo um desafio complexo, em razão da elevada volatilidade e da complexidade inerentes aesse ambiente, porém altamente atrativo para pesquisadores e profissionais. Com o objetivo de aumentar a acurácia das previsões, propostas recentes têm empregado técnicas de aprendizado de máquina baseadas em grandes volumes de dados heterogêneos. No entanto, essa abordagem apresenta limitações relevantes: (i) a disponibilidade de grandes bases de dados nem sempre é garantida para determinado ativo; ou pode haver dependência de fontes externas nem sempre disponíveis, como notícias e mídias sociais; (ii) tais métodos tendem a ser computacionalmente intensivos; e (iii) os dados do mercado acionário são tipicamente representados por séries temporais que não exibem padrões estáveis, mas sim comportamentos predominantemente estocásticos, o que inviabiliza projeções confiáveis no longo prazo. Nesse contexto, métodos bioinspirados destacam-se por oferecerem mecanismos de adaptação dinâmica e estratégias eficientes de modelagem e tomada de decisão. Esta tese investiga a modelagem de comportamentos coletivos observados em grupos de animais, em particular peixes e aves, como uma metáfora computacional para representar dinâmica de ativos no mercado de ações. A partir dessa perspectiva, são propostos dois algoritmos bioinspirados: Fish School for Market Movement (FSMM), inspirado no comportamento coletivo de cardumes de peixes, e Flock Behavior for Market Movement (FBMM), baseado nas dinâmicas de revoadas de aves. As soluções propostas utilizam janelas reduzidas de dados históricos, considerando exclusivamente informações de preço e volume, e apresentam baixo custo computacional. Os algoritmos foram avaliados em múltiplos mercados e índices financeiros globais, incluindo S&P 500, Nasdaq 100, Ibovespa, CSI 300 e Euro Stoxx 50, sendo comparados com métodos tradicionais de classificação e regressão, como CNN, MLP, SVM e XGBoost, bem como com abordagens estado da arte, incluindo LSTM-GCN, GA-RF, MCP, STOCKNET+MFFS, WT-BRO-DT e DPSO-PSO-FFNN. Os resultados experimentais indicam que os algoritmos propostos superam consistentemente os benchmarks avaliados. Na tarefa de previsão de tendência, o FBMM alcançou F1-scores médios entre 74% e 76%, com elevada estabilidade temporal, enquanto o FSMM obteve F1-scores médios entre 74% e 77%, ainda que com maior variabilidade em alguns períodos. Ambos os métodos apresentaram desempenho superior aos modelos tradicionais e do estado da arte. Na previsão de preço de ações, o FBMM apresentou os menores valores médios de RMSE nos índices CSI 300, Euro Stoxx 50, Ibovespa e S&P 500, mantendo coeficientes de determinação elevados (R
2 > 99, 65%), comparáveis ou superiores aos melhores modelos de referência. De forma geral, os resultados confirmam a hipótese central desta tese, evidenciando que abordagens bioinspiradas são capazes de capturar padrões coletivos relevantes do mercado financeiro e constituem alternativas eficazes, robustas e computacionalmente eficientes para a previsão de movimentos e preços de ativos no curto prazo