Análise Preditiva de Ativos Financeiros com Modelos LSTM

A interseção entre finanças e tecnologia, impulsionada pela quarta revolução industrial, tem redefinido paradigmas no setor financeiro global. O surgimento de tecnologias disruptivas, agrupadas sob o termo FinTech, gerou um ambiente de mercado caracterizado por um volume massivo de dados (Big Data), alta frequência de transações e complexidade crescente (VAN DEURSEN et al., 2022). Neste cenário, métodos de análise tradicionais demonstram-se frequentemente inadequados para capturar a dinâmica não-linear e a volatilidade inerente aos ativos financeiros contemporâneos, demandando abordagens mais sofisticadas e adaptativas.

A Inteligência Artificial (IA), em particular os modelos de Aprendizado Profundo (Deep Learning), surge como uma resposta promissora a esses desafios. Dentre as diversas arquiteturas, as Redes Neurais de Memória de Curto e Longo Prazo (Long Short-Term Memory - LSTM), uma classe de Redes Neurais Recorrentes (RNNs), têm se destacado por sua eficácia na modelagem e previsão de séries temporais complexas (HOCHREITER; SCHMIDHUBER, 1997). Sua capacidade de reter informações por longos períodos as torna particularmente adequadas para o domínio financeiro, onde o comportamento de um ativo pode ser influenciado por eventos passados distantes.

O presente estudo de caso, concebido sob a perspectiva do fundo de investimentos fictício "Agile Capital", investiga a aplicação prática de um modelo LSTM para a previsão de preços de fechamento diário de dois ativos com perfis de risco distintos: o Bitcoin (BTC-USD), como representante dos criptoativos de alta volatilidade, e as ações da Microsoft (MSFT), como exemplo de um ativo blue-chip mais estável. O objetivo central é desenvolver e avaliar uma estratégia de investimento algorítmica baseada nas previsões do modelo, comparando seu desempenho, ajustado ao risco, com a estratégia passiva de referência Buy and Hold (comprar e manter).

A justificativa para este trabalho transcende a mera busca por acurácia preditiva. Em conformidade com as discussões sobre IA responsável, a validação de um sistema de IA para aplicações de alto risco, como a gestão de investimentos, deve considerar seu valor prático e suas implicações éticas (HUYSMAN, 2024). Portanto, este artigo não se limita a avaliar métricas de erro, mas estende a análise para a utilidade da estratégia por meio do Índice de Sharpe e debate as limitações inerentes aos modelos "caixa-preta". O trabalho está estruturado em cinco seções: após esta introdução, a seção 2 apresenta a fundamentação teórica; a seção 3 detalha a metodologia empregada; a seção 4 apresenta e discute os resultados; e, por fim, a seção 5 oferece as conclusões.

### Inteligência Artificial no Setor Financeiro (FinTech)

O setor de FinTech tem sido um dos campos mais férteis para a aplicação de Inteligência Artificial. A capacidade da IA de processar vastos conjuntos de dados e identificar padrões sutis têm impulsionado inovações em diversas áreas, incluindo análise de crédito, detecção de fraudes, gestão de portfólios e trading algorítmico (KOU et al., 2021). A automação de tarefas analíticas, além de otimizar a eficiência operacional, permite a criação de serviços financeiros altamente personalizados e adaptativos, um dos pilares da transformação digital discutida no contexto do curso (DEN HENGST, 2024). A pesquisa em IA para FinTech, como a conduzida pela colaboração entre ING e TU Delft, evidencia o esforço contínuo para desenvolver sistemas que não apenas melhorem a performance, mas que também operem dentro de rigorosos quadros de conformidade e ética (VAN DEURSEN et al., 2022).

### Modelos de Aprendizado Profundo para Séries Temporais

A previsão de séries temporais financeiras é notoriamente desafiadora devido a características como não-estacionariedade, ruído e dependências temporais complexas. As Redes Neurais Recorrentes (RNNs) foram propostas para lidar com dados sequenciais, porém sofrem com o problema do desaparecimento do gradiente (vanishing gradient), que limita sua capacidade de aprender relações de longo prazo (PASCANU; MIKOLOV; BENGIO, 2013). Para superar essa limitação, Hochreiter e Schmidhuber (1997) introduziram a arquitetura LSTM. As LSTMs incorporam "portões" (gates) de controle em suas células de memória, permitindo que a rede aprenda quais informações devem ser armazenadas, atualizadas ou esquecidas, capturando efetivamente dependências de longo prazo. Estudos empíricos demonstram consistentemente que modelos baseados em LSTM superam abordagens estatísticas tradicionais e outras arquiteturas de redes neurais na tarefa de previsão de preços de ações, especialmente em mercados voláteis (FISCHER; KRAUSS, 2018; NELSON; PEREIRA; DE OLIVEIRA, 2017).

### Governança, Ética e Transparência em Modelos Preditivos

A eficácia dos modelos de Deep Learning, como o LSTM, vem acompanhada de um desafio significativo: sua natureza de "caixa-preta" (black box). A complexidade interna destes modelos torna extremamente difícil explicar como uma decisão específica é tomada, o que gera barreiras para a confiança, a auditoria e a responsabilização (LIEM, 2024). No contexto financeiro, onde as decisões algorítmicas podem ter consequências econômicas substanciais, a falta de transparência é um risco crítico. Para mitigar tais riscos, a comunidade de pesquisa e a indústria têm proposto frameworks de governança baseados nos princípios FAT (Fairness, Accountability, Transparency), que visam garantir que os sistemas de IA sejam justos, responsáveis e compreensíveis (VERBEEK, 2024).

A autora Cathy O'Neil (2016), em sua obra Weapons of Math Destruction, alerta para o perigo de algoritmos que, sob um verniz de objetividade, podem codificar e ampliar vieses, resultando em danos sistêmicos. Um algoritmo de trading que opere sem a devida supervisão e transparência poderia, em tese, transformar-se em uma dessas "armas de destruição matemática", exacerbando a instabilidade do mercado ou penalizando certos grupos de investidores. Nesse sentido, a abordagem de governança proposta por Ben Shneiderman (2020) é fundamental, pois advoga por um modelo sociotécnico que integra desenvolvimento tecnológico robusto com supervisão humana significativa e uma cultura organizacional focada na responsabilidade. A implementação de uma solução de IA, portanto, não é um fim em si mesma, mas parte de um ciclo contínuo de validação, monitoramento e governança.

Todos os arquivos, incluindo os scripts de código, conjuntos de dados e gráficos gerados, estão integralmente documentados no repositório de materiais suplementares deste estudo (FLORES, 2025). O ciclo de vida deste estudo de caso foi estruturado em três etapas computacionais principais: (1) coleta e preparação dos dados; (2) engenharia de atributos; e (3) modelagem preditiva e simulação, conforme detalhado nas subseções seguintes.

### Coleta e Preparação dos Dados

Os dados históricos de preços diários para os ativos Bitcoin (BTC-USD) e Microsoft (MSFT) foram coletados de duas fontes distintas para o período de 29 de abril de 2014 a 19 de maio de 2024. Os dados do BTC-USD foram obtidos de um conjunto de dados público disponível na plataforma Kaggle, enquanto os dados da MSFT foram extraídos via interface de programação de aplicações (API) do Yahoo Finance, utilizando a biblioteca yfinance em Python. Ambos os datasets continham as variáveis OHLC (Abertura, Máxima, Mínima, Fechamento) e Volume de negociação. A etapa de preparação consistiu na padronização dos formatos de data e na sincronização temporal dos dois conjuntos de dados, garantindo que ambos compartilhassem o mesmo índice de datas para comparabilidade. Dados ausentes, resultantes de dias não operacionais para o mercado de ações (e não para o de criptomoedas), foram preenchidos utilizando a técnica de propagação para frente (forward fill), que assume que o preço de um ativo em um dia não negociado permanece o mesmo do dia anterior.

### Engenharia de Atributos (Features)

Conforme discutido por Liem (2024), a modelagem de IA é fundamentalmente um ato de tradução, onde características relevantes do domínio do problema são representadas de forma que o algoritmo possa interpretá-las. Com base nesse princípio, a engenharia de atributos foi realizada para enriquecer os dados brutos com informações contextuais da análise técnica. Os seguintes indicadores foram calculados e incorporados aos datasets: Médias Móveis Simples e Exponenciais (SMA, EMA), calculadas para janelas de 20, 50 e 200 dias para identificar tendências de curto, médio e longo prazo; Índice de Força Relativa (RSI), com uma janela de 14 dias, utilizado para medir a magnitude das mudanças recentes de preço e avaliar condições de sobrecompra ou sobrevenda; Convergência e Divergência de Médias Móveis (MACD), calculado a partir da diferença entre as EMAs de 12 e 26 dias, servindo como um indicador de momento; e Bandas de Bollinger, compostas por uma SMA de 20 dias e duas bandas de desvio padrão acima e abaixo, usadas para medir a volatilidade do mercado. Este processo transformou a série temporal univariada de preços de fechamento em um problema de previsão multivariado, fornecendo ao modelo um contexto mais rico para a aprendizagem.

### Arquitetura e Treinamento do Modelo LSTM

Para a tarefa de previsão, foi implementada uma rede neural LSTM utilizando a biblioteca TensorFlow/Keras. A arquitetura do modelo foi composta por duas camadas LSTM empilhadas, cada uma com 50 neurônios, seguidas por duas camadas densas (totalmente conectadas). Camadas de Dropout com uma taxa de 20% foram inseridas após cada camada LSTM e a primeira camada densa para fins de regularização, visando mitigar o risco de sobreajuste (overfitting). A função de ativação ReLU foi utilizada nas camadas intermediárias, e a camada de saída continha um único neurônio para prever o preço de fechamento do dia seguinte.

Os dados foram primeiramente normalizados para o intervalo [0, 1] usando MinMaxScaler para garantir a estabilidade do treinamento. Em seguida, foram transformados em sequências de janelas deslizantes, onde 60 dias de dados históricos (incluindo todos os atributos de engenharia) foram utilizados para prever o preço do 61º dia. O conjunto de dados foi dividido em 80% para treinamento e 20% para teste. O modelo foi compilado com o otimizador 'Adam' e a função de perda de Erro Quadrático Médio (Mean Squared Error - MSE), e foi treinado por 25 épocas.

### Simulação de Estratégias e Métricas de Avaliação

A avaliação do projeto foi conduzida em duas frentes. Primeiramente, a acurácia do forecast do modelo foi medida no conjunto de teste utilizando as seguintes métricas de erro: Raiz do Erro Quadrático Médio (RMSE), Erro Absoluto Médio (MAE) e Erro Percentual Absoluto Médio (MAPE). Em segundo lugar, para avaliar a utilidade prática das previsões, duas estratégias de investimento foram simuladas. A Estratégia Preditiva LSTM gerava um sinal de "compra" caso o preço previsto para o dia seguinte fosse maior que o preço de fechamento do dia atual; caso contrário, o sinal era de "venda" (ou manutenção de caixa). A Estratégia de Referência (Buy and Hold) era uma abordagem passiva onde o ativo é comprado no primeiro dia do período de teste e mantido até o final.

O desempenho de ambas as estratégias foi quantificado pelo Índice de Sharpe, uma métrica padrão em finanças que mede o retorno de um investimento em excesso à taxa livre de risco, por unidade de volatilidade (desvio padrão). Este índice permite uma comparação justa do retorno ajustado ao risco entre as duas estratégias.

A análise dos resultados é apresentada em três vertentes: o desempenho técnico do modelo de previsão, a performance comparativa das estratégias de investimento simuladas e uma discussão crítica sobre as implicações, limitações e a responsabilidade inerente à aplicação de tais sistemas.

O modelo LSTM demonstrou uma notável capacidade de seguir a tendência geral dos preços reais para ambos os ativos. Visualmente, as previsões alinham-se estreitamente com os valores observados, capturando os movimentos direcionais com eficácia. A avaliação quantitativa corrobora a análise visual: as métricas de erro indicam um desvio relativamente baixo entre os valores previstos e os reais. Para o Bitcoin (BTC), o modelo obteve RMSE de 0,368, MAE de 0,182 e MAPE de 10,26%. Para a Microsoft (MSFT), os valores foram RMSE de 0,423, MAE de 0,335 e MAPE de 16,25%. Ou seja, o erro percentual absoluto médio foi inferior para o ativo de criptomoeda do que para a ação tradicional.

A simulação da Estratégia LSTM em comparação com a estratégia passiva Buy and Hold revela resultados distintos para cada ativo. Para o Bitcoin, a estratégia ativa baseada em LSTM indicou uma tendência de desempenho mais estável, conforme visualizado no gráfico de retorno acumulado. Em contrapartida, para a ação da Microsoft, as duas estratégias tiveram performances muito próximas. A análise do Índice de Sharpe qualifica essa observação: a estratégia LSTM para o Bitcoin obteve um Sharpe Ratio marginalmente positivo de 0,0064, sugerindo uma leve vantagem na gestão de risco em comparação com o resultado negativo da estratégia para a Microsoft, cujo Sharpe Ratio foi de -0,0322. Contudo, os valores absolutos indicam que nenhuma das estratégias gerou retornos expressivos acima do risco no período de teste simulado.

Os resultados positivos levantam uma questão central no campo da IA responsável: um desempenho superior justifica o uso de um modelo "caixa-preta"? A opacidade do LSTM impede uma compreensão clara de quais dos indicadores foram mais influentes. Essa falta de explicabilidade representa um risco operacional e de conformidade significativo para uma instituição como a "Agile Capital". Uma decisão de investimento errônea, mas explicável, é auditável; uma decisão correta, mas inexplicável, cria um precedente de confiança cega na tecnologia, o que O'Neil (2016) descreveria como perigoso.

Ademais, o estudo possui limitações inerentes. A performance do modelo é altamente dependente dos dados históricos utilizados e não há garantia de que se manterá em futuros cenários de mercado. O risco de sobreajuste (overfitting), embora mitigado com dropout, sempre existe. Portanto, a implementação de tal sistema em um ambiente de produção exigiria uma estrutura de governança robusta, alinhada aos princípios de Shneiderman (2020): monitoramento contínuo do desempenho do modelo, testes de estresse rigorosos e, crucialmente, a manutenção de um especialista humano "no circuito" (human-in-the-loop), responsável por supervisionar, interpretar e, quando necessário, intervir nas decisões do algoritmo.

Este estudo de caso teve como objetivo avaliar a aplicação de um modelo de IA, especificamente uma rede LSTM, na previsão de ativos financeiros e na formulação de uma estratégia de investimento algorítmica. Os achados indicam que o modelo LSTM alcançou um alto grau de acurácia preditiva para os ativos Bitcoin e Microsoft. Em termos de aplicação prática, a estratégia de investimento derivada dessas previsões demonstrou um potencial modesto para a gestão de risco no ativo de alta volatilidade (Bitcoin), resultando em um Índice de Sharpe marginalmente superior ao da estratégia para a Microsoft, embora sem superar de forma conclusiva a abordagem passiva Buy and Hold no período analisado.

Contudo, a análise também reforçou a complexidade de transpor um modelo de IA do ambiente de pesquisa para a prática de mercado. A superioridade técnica não elimina os desafios impostos pela natureza "caixa-preta" do modelo e pelas limitações inerentes a qualquer sistema baseado em dados históricos. A principal conclusão deste trabalho é que, embora a IA ofereça ferramentas de extraordinário potencial para o setor financeiro, sua aplicação bem sucedida e responsável depende de uma abordagem sociotécnica. É imperativo que a inovação tecnológica seja acompanhada por uma governança corporativa robusta, princípios éticos claros e uma estrutura que valorize a supervisão humana, em linha com as visões de Shneiderman (2020) e as discussões sobre IA responsável.