Linha de pesquisa: Inteligência Artificial

Resumo: Este trabalho investiga a dependência de regime no desempenho preditivo e na ca libração de incerteza de um Temporal Fusion Transformer (TFT) treinado com dados multimodais (indicadores técnicos, fundamentalistas, macroeconômicos e sentimento de notícias) para as ações ordinárias da Petrobras (PETR3). O modelo gera previsões proba bilísticas de retornos logarítmicos por regressão quantílica e é treinado e avaliado de forma independente em 5 regimes historicamente distintos do mercado acionário brasileiro, se gundo três dimensões complementares: acurácia direcional, Índice de Sharpe da estratégia direcional resultante e cobertura empírica dos intervalos de previsão. Os hiperparâmetros foram otimizados com o framework Optuna sobre uma janela de desenvolvimento estri tamente anterior a todos os períodos de teste, adotando o Índice de Sharpe como função objetivo em vez da perda de validação. Os resultados revelam forte dependência de re gime: o Índice de Sharpe varia de 2,44 no Rally Pós-Crise (2020) a-0,52 no Normalidade (2019), a acurácia direcional média permanece próxima de 50% e a cobertura empírica do intervalo nominal de 96% colapsa para 75,0% na Crise Aguda (2020), indicando que o modelo subestima a incerteza justamente quando intervalos bem calibrados são mais críticos para a gestão de risco. Um estudo de ablação com oito combinações de fontes de dados aponta os dados macroeconômicos como a maior contribuição marginal isolada, en quanto a configuração multimodal completa não maximiza o desempenho agregado. Uma estratégia que condiciona a negociação aos dias de menor incerteza prevista também não agrega valor, evidenciando que a largura do intervalo previsto não é um indicador confiável do acerto direcional. Em conjunto, os achados expõem os limites da previsão multimodal sob mudança estrutural em mercados emergentes.

Link para a defesa: https://conferenciaweb.rnp.br/conference/rooms/marcia-aparecida-fernande...