A carregar...
Publicação
Modelos de linguagem de grande escala na previsão de demonstrações financeiras: uma abordagem para análise interpretável
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 1.93 MB | Adobe PDF |
Orientador(es)
Resumo(s)
A previsão de demonstrações financeiras constitui uma atividade central nos mercados de capitais, influenciando decisões de investimento e a alocação de recursos à escala global. A presente investigação explora o potencial dos Modelos de Linguagem de Grande Escala (LLM) na previsão de earnings per share (EPS) de empresas cotadas no índice NASDAQ, durante o período de dezembro de 2024 a maio de 2025. O objetivo fundamental transcende a validação tecnológica, procurando demonstrar que uma abordagem híbrida, combinando capacidades computacionais avançadas dos LLM com supervisão humana especializada e técnicas de interpretabilidade, pode gerar retornos positivos anormais em mercados reais.
A arquitetura metodológica assenta na metodologia CRISP-DM, implementando dois modelos complementares: o Gemini Pro 2.0 da Google, com aproximadamente 288 mil milhões de parâmetros, e o Special Processed Reasoner, um modelo de 15 mil milhões de parâmetros desenvolvido especificamente para aplicações financeiras e registado formalmente sob o número 763/2025 pela Inspeção-Geral das Atividades Culturais. A preparação dos dados integrou múltiplas fontes informacionais heterogéneas, incluindo notícias financeiras processadas através da plataforma ASKNEWS, métricas de consenso da NASDAQ e Zacks Investment Research, e informação contextual histórica das empresas.
Os resultados obtidos durante a operação do modelo Gemini Pro revelaram capacidade de geração de lucros médios positivos de 0,22% por transação diária, superando consistentemente o índice S&P 500 com diferenças médias de 28,65% entre dezembro de 2024 e fevereiro de 2025. A transição para o modelo SPR, em março de 2025, num período de volatilidade excecional, resultou em deterioração do desempenho, proporcionando insights valiosos sobre sensibilidade dos sistemas a condições adversas de mercado. A investigação demonstra que abordagens híbridas combinando LLM com supervisão humana podem efetivamente gerar valor económico mensurável, estabelecendo um paradigma replicável para aplicações futuras.
Descrição
Palavras-chave
LLM Demonstrações Financeiras Earnings Per Share CRISP-DM Inteligência Artificial Explicável Previsão Financeira NASDAQ