Dirceu Fonseca, analista independente especializado em análise de instrumentos de small caps, testou redes GRU para prever preços semanais de 15 empresas com capitalização abaixo de R$ 800 milhões listadas na B3. O projeto nasceu de uma pergunta simples: as tecnologias subjacentes à IA funcionam igualmente bem em ativos com baixo volume de negociação?
O problema dos dados escassos
Small caps têm histórico de negociação mais curto e volume diário irregular. Isso cria séries temporais com muitos dias sem negociação ou com variações extremas por liquidez baixa, não por fundamentos. O modelo aprendeu esses ruídos como padrões.
Prós
Para as três empresas com histórico mais longo e volume mais consistente, o modelo produziu previsões com erro médio aceitável em janelas de cinco dias. A combinação com estratégias financeiras baseadas em análise fundamentalista reduziu o número de alertas falsos.
Contras
Para as demais 12 empresas, o modelo superajustou ao histórico de treinamento. Os resultados de validação eram ruins de forma sistemática, não aleatória, o que sugere que o problema é estrutural, não de configuração.
Período analisado: janeiro de 2020 a dezembro de 2023, com dados da B3 e Economatica.Dirceu concluiu que deep learning para previsão de preços precisa de volume de dados que small caps simplesmente não têm. O modelo certo para o problema errado não ajuda.
Esse tipo de conclusão negativa tem valor real para quem trabalha sozinho e precisa justificar escolhas metodológicas com evidência, não com entusiasmo.