Publicação
Modelos de linguagem de grande escala na previsão de demonstrações financeiras: uma abordagem para análise interpretável
| dc.contributor.advisor | Belfo, Fernando Paulo dos Santos Rodrigues | |
| dc.contributor.author | Loureiro, Guilherme Miguel de Carvalho | |
| dc.date.accessioned | 2026-08-28T15:57:24Z | |
| dc.date.available | 2026-08-28T15:57:24Z | |
| dc.date.issued | 2025-12-05 | |
| dc.description.abstract | 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. | por |
| dc.identifier.tid | 204107628 | |
| dc.identifier.uri | http://hdl.handle.net/10400.26/64399 | |
| dc.language.iso | por | |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | LLM | |
| dc.subject | Demonstrações Financeiras | |
| dc.subject | Earnings Per Share | |
| dc.subject | CRISP-DM | |
| dc.subject | Inteligência Artificial Explicável | |
| dc.subject | Previsão Financeira | |
| dc.subject | NASDAQ | |
| dc.title | Modelos de linguagem de grande escala na previsão de demonstrações financeiras: uma abordagem para análise interpretável | por |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Análise de Dados e Sistemas de Apoio à Decisão |