Rafaela Nunes, analista quantitativa em uma gestora de médio porte em São Paulo, passou oito meses testando redes neurais LSTM para prever preços de ativos de renda variável. O objetivo era simples: verificar se as tecnologias subjacentes à IA poderiam complementar as análises de instrumentos já utilizadas pela equipe.
O que foi testado
O modelo recebeu séries históricas de preço, volume e indicadores técnicos de 12 ativos do Ibovespa. O treinamento usou janelas deslizantes de 60 dias para prever o fechamento do dia seguinte.
Prós identificados
| Aspecto | Resultado |
|---|---|
| Captura de padrões sazonais | Consistente em períodos de baixa volatilidade |
| Automação da análise | Redução de tempo manual de triagem |
| Integração com estratégias financeiras | Possível como filtro secundário |
Contras identificados
| Aspecto | Resultado |
|---|---|
| Eventos macroeconômicos | Modelo falhou sistematicamente |
| Overfitting | Frequente sem regularização adequada |
| Interpretabilidade | Difícil justificar decisões para gestores |
O modelo acertou a direção do preço em cerca de 58% dos dias testados, o que parece bom até você perceber que uma moeda jogada acerta 50%.
A conclusão de Rafaela foi que o LSTM funciona melhor como ferramenta de suporte analítico do que como sistema autônomo de decisão. Para introvertidos que preferem trabalhar com dados antes de apresentar conclusões, esse processo de validação silenciosa tem valor real.