Isadora Queiroz trabalha como analista de risco em uma corretora de médio porte e decidiu testar arquiteturas Transformer, as mesmas tecnologias subjacentes à IA que impulsionam modelos de linguagem, para prever variações de preços em NTN-B e LTN.
Por que Transformer e não LSTM
A escolha foi técnica: Transformers lidam melhor com dependências de longo prazo em séries temporais irregulares. Títulos públicos têm comportamento influenciado por reuniões do Copom, que ocorrem em datas específicas e criam descontinuidades previsíveis no calendário.
O que funcionou
O modelo capturou bem a dinâmica de precificação nos dias que antecediam reuniões do Copom. As análises de instrumentos de renda fixa ficaram mais precisas quando combinadas com as previsões do modelo como camada adicional de informação.
O que não funcionou
Fora do contexto de reuniões monetárias, o modelo se comportou de forma errática. Variações cambiais abruptas e revisões de rating soberano produziram erros grandes e difíceis de diagnosticar.
Dados usados: série histórica de 2018 a 2023, com exclusão do período março-junho de 2020 por ser considerado estruturalmente atípico.A maior lição foi que estratégias financeiras baseadas em deep learning precisam de hipóteses claras sobre o que o modelo pode e não pode aprender.
Isadora continua usando o modelo, mas apenas como indicador de alerta, não como base de decisão.