Banca de DEFESA: EWERTON BRASIL DA SILVA QUEIROZ

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: EWERTON BRASIL DA SILVA QUEIROZ
DATA: 29/09/2026
HORA: 09:00
LOCAL: https://meet.google.com/zey-ekhz-vdd
TÍTULO: FRAMEWORK MULTIMODAL BASEADO EM MODELOS DE LINGUAGEM E APRENDIZADO PROFUNDO PARA OPERAÇÃO ALGORÍTMICA NO MERCADO FINANCEIRO
PALAVRAS-CHAVES: Inteligência Artificial; Inteligência Artificial Multimodal; Grandes Modelos de Linguagem; Aprendizado Profundo; Mercado Financeiro; Operação Algorítmica.
PÁGINAS: 54
GRANDE ÁREA: Engenharias
ÁREA: Engenharia Mecânica
RESUMO: A crescente disponibilidade de dados financeiros estruturados e informações textuais não estruturadas tem ampliado o uso de técnicas de inteligência artificial no suporte à análise e à operação de ativos no mercado financeiro. Entretanto, a integração dessas diferentes fontes de informação em um fluxo operacional único permanece um desafio, especialmente quando se busca combinar previsão de séries temporais, interpretação de notícias e regras de decisão. Neste contexto, esta tese propõe um framework multimodal baseado em modelos de linguagem e aprendizado profundo para operação algorítmica no mercado financeiro. A abordagem integra dados históricos de preços e volumes, análise de sentimento de notícias financeiras por Grandes Modelos de Linguagem (Large Language Models – LLMs) e modelos recorrentes de aprendizado profundo para previsão de preços, associando essas informações a regras explícitas de compra e venda. A avaliação experimental considera os ativos BBAS3, PETR4 e AAPL34 e compara as arquiteturas Rede Neural Recorrente (Recurrent Neural Network – RNN), Memória de Longo e Curto Prazo (Long Short-Term Memory – LSTM) e Unidade Recorrente Fechada (Gated Recurrent Unit – GRU), combinadas aos modelos GPT-4o-mini, Llama-3.1-8B-Instant e Kimi-K2-Instruct-0905 para análise de sentimento. O desempenho das configurações é avaliado por métricas relacionadas ao retorno e ao risco das operações. Os resultados demonstram que o desempenho depende da combinação entre o modelo preditivo, o modelo de linguagem e as características do ativo analisado. Entre as configurações avaliadas, RNN + GPT-4o-mini apresentou o maior retorno médio por operação, de 0,86%, RNN + Kimi-K2-Instruct-0905 alcançou o maior retorno acumulado, de 42,19%, e GRU + GPT-4o-mini apresentou o maior índice de Sharpe, de 1,72. Esses resultados evidenciam que não houve uma única configuração superior em todos os critérios avaliados, indicando diferentes relações entre potencial de retorno e desempenho ajustado ao risco. Os resultados indicam que a integração de dados históricos, sentimento extraído de notícias e modelos recorrentes em uma estrutura operacional comum constitui uma abordagem aplicável à avaliação sistemática de estratégias algorítmicas, preservadas as limitações inerentes ao protocolo experimental adotado.
MEMBROS DA BANCA:
Interno(a) - 2579537 - ALISSON VASCONCELOS DE BRITO
Externo(a) à Instituição - HELIANA BEZERRA SOARES
Interno(a) - 1175878 - LUCIDIO DOS ANJOS FORMIGA CABRAL
Presidente(a) - 1559497 - MOISES DANTAS DOS SANTOS
Externo(a) ao Programa - 2486912 - TATIANA ARAUJO SIMOES