Leandro dos Santos Maciel.

O objetivo deste projeto de pesquisa é estudar, analisar, desenvolver, implementar, testar, comparar e validar novos modelos de inteligência artificial e machine learning para a previsão em finanças, especificamente para o tratamento de dados representados por intervalos, sendo os valores máximo e mínimo como representantes dos limites dos intervalos. Projeto CNPq 301584/2025-7

O grupo de pesquisa tem como objetivo estudar, caracterizar e desenvolver metodologias para o mercado de recebíveis brasileiro. O grupo, atualmente, abrange três grandes áreas de pesquisa relacionadas ao mercado de recebíveis: i) a caracterização do mercado de recebíveis brasileiro; ii) a construção de modelos de risco de crédito com base em pesquisa empírica e aplicada; e iii) o aprimoramento de técnicas estatísticas e de aprendizagem de máquina aplicadas às finanças, com foco especial em problemas do setor de recebíveis.

Projeto desenvolvido no âmbito do Programa de Pesquisa, Desenvolvimento e Inovação da ANEEL (Agência Nacional de Energia Elétrica) que tem como objetivo desenvolver soluções para aumentar a resiliência do setor elétrico diante da ocorrência de eventos climáticos extremos.

Propõe-se o desenvolvimento de pesquisas com o objetivo de estudar, caracterizar e desenvolver metodologias para o mercado de recebíveis brasileiro. É fruto de uma parceria entre a USP, Universidade de São Paulo, e a CERC, registradora de recebíveis brasileira. Objetiva-se também estudar as principais demandas da CERC para construir ferramentas de aprimoramento dentro de seus objetivos de atuação, sendo eles: uma maior utilização de recebíveis por parte das empresas nas operações de seus negócios, o que permite maior acesso a capital para reinvestimento e, assim, promoção de crescimento; viabilizando o desenvolvimento econômico e social do país.

A criação de um Instituto Nacional de Ciência e Tecnologia em Inteligência Artificial (IAIA) irá reunir e estimular pesquisas científicas, tecnológicas e de inovação colaborativas em Inteligência Artificial, além de tornar a Inteligência Artificial brasileira internacionalmente reconhecida pela qualidade de suas pesquisas. A iniciativa desenvolverá um forte programa de capacitação de formação de recursos humanos em Inteligência Artificial, inclusive Inteligência Artificial aplicada. O IAIA tem 87 pesquisadores. Financiamento: Edital Nº 58/2022 - Programa Institutos Nacionais de Ciência e Tecnologia - INCT do CNPq.

Desenvolvimento de modelos de previsão de séries temporais para dados simbólicos com aplicações em finanças empíricas.

O Grupo de Estudos em Finanças Corporativas reúne pesquisadores e discentes dedicados à discussão, análise e aplicação de decisões de investimento e financiamento. Seus integrantes possuem estudos apresentados em congressos nacionais e internacionais, bem como publicados em periódicos de alto impacto. Temas de pesquisa do grupo incluem, mas não se limitam, a estrutura de capital, emissão de títulos (ações e dívida), dividendos, restrição financeira, investimentos em CAPEX, investimentos em pesquisa & desenvolvimento (P&D), fusões & aquisições, capital de giro, entre outras temáticas relacionadas a finanças corporativas.

The global digital currency market has grown rapidly in recent years, mainly as a result of
advances in blockchain technologies, which have ensured greater security for transactions.
The total market capitalization value of traded cryptocurrencies went from USD 7 billion in
early 2016 to USD 8.4 trillion in early 2021. Like stocks, bonds, commodities and derivatives,
digital currencies have also been used by market agents in portfolio diversification and in
risk management. In this context, the modeling and forecasting of cryptocurrencies prices
are of fundamental importance. This research project aims to evaluate the financial
econometrics of cryptocurrency markets based on the investigation of the following topics:
i) price discovery in different exchanges; ii) modeling the volatility of price returns; iii)
development of artificial intelligence and machine learning models for price and direction
forecasting; iv) study of fractal properties and market efficiency; v) risk management
through symbolic analysis using interval modeling; and vi) management and diversification
of investment portfolios with digital currencies. The research aims to study and
characterize, within the framework of modern financial econometrics, the main global
digital currency markets, in order to contribute to the academic literature and also to
promote analysis and management tools for market practitioners interested in
cryptocurrencies trading.

As variáveis de finanças, macro-finanças e de macroeconomia são modeladas e previstas para auxiliar a tomada de decisão dos agentes e a identificar padrões no comportamento econômico dos agentes ou dos mercados. Exemplos dos estudos realizados e em andamento são (i) a previsão de variáveis como nível de atividade, inflação, yield curve, séries financeiras, séries temporais intervalares do mercado financeiro; (ii) detecção de bolhas nos diferentes mercados, diferentes formas de estimação de hiato do produto, de repasse cambial para preços; (iii) uso de séries de tempo com lógica fuzzy, cointegração, modelos de memória univariados e multivariados; (iv) estimação da volatilidade e do valor em risco a partir de diferentes técnicas; (v) uso de dados em painel de preferência painel longo para estimar relações entre variáveis macroeconômicas e financeiras.

A previsão do movimento futuro de variáveis econômicas e financeiras assume papel central para composição de carteiras, gestão de riscos, precificação de ativos e análise de investimentos, sendo, portanto, o desenvolvimento de metodologias de predição de fundamental importância. Este projeto visa desenvolver uma nova abordagem para previsão de séries temporais financeiras intervalares por meio de técnicas de inteligência computacional.

Nos últimos anos, tem crescido o interesse na modelagem computacional de informações em fluxos de dados para problemas do mundo real. Este trabalho desenvolve novas abordagens para a construção de modelos nebulosos adaptativos, abordagens estas capazes de realizar tarefas tais como identificação de sistemas, controle, classificação de padrões e previsão de séries temporais, em um ambiente dinâmico não estacionário, ajustando seus parâmetros e estrutura a partir de um fluxo de dados. É proposta a modelagem nebulosa possibilís- tica adaptativa, caracterizada por tratar ruídos e outliers, uma vez que considera o conceito de graus de tipicalidade dos dados para a atualização de sua estrutura, baseada em regras nebulosas. Conjuntamente, inclui a ideia de graus de pertinência de sistemas nebulosos tra- dicionais, para adequada identificação do modelo no espaço dos dados. O aspecto adaptativo do modelo, i.e., criação, exclusão e atualização de regras, é construído com dois conceitos distintos: aprendizagem participativa e densidade de dados. A aprendizagem participativa é inspirada na forma de aprendizagem humana, em que o impacto de uma nova informação causa revisão dos conhecimentos já adquiridos. A densidade de dados considera as infor- mações por similaridade, em termos de distância no espaço dos dados. Duas técnicas são propostas para a modelagem nebulosa possibilística adaptativa. A primeira delas é baseada na representação das regras do sistema por meio de centróides, formados a partir dos dados. Por outro lado, é sugerida uma técnica em que funções afins caracterizam os grupos nebulo- sos, o que permite maior simplicidade e transparência da estrutura do sistema. Além disso, os modelos que utilizam centróides para a representação dos grupos são estendidos para o caso em que a informação pode ser representada em termos granulares, por meio de intervalos nu- méricos. O tratamento da informação granular permite o processamento de dados complexos de maneira mais natural. Os modelos nebulosos possibilísticos adaptativos são avaliados em problemas clássicos de identificação e séries temporais, considerando também uma série tem- poral sintética. Outra proposta desse trabalho consiste em aplicar a modelagem desenvolvida em diversos ensaios em finanças, como: previsão da estrutura a termo das taxas de juros; previsão da volatilidade realizada com saltos; composição e rebalanceamento de carteiras de investimento; precificação de opções; e mensuração da medida Valor-em-Risco tradicional e de acordo com uma abordagem granular.

Neste projeto tratamos no problema de modelagem e previsão da estrutura a termo das taxas de juros nos mercados dos Estados Unidos e Brasil usando técnicas de inteligência computacional. Para a questão de modelagem, algoritmos de computação evolucionária tais como Algoritmos Genéticos, Evolução Diferencial e Estratégias Evolutivas foram considerados. Por outro lado, introduziu-se a modelagem nebulosa evolutiva para o tratamento do problema de previsão da curva de juros futura.

Este projeto avaliou os modelos de redes neurais de tipo progressivas e recorrentes na precificação das opções de compra de IDI, transacionadas na BM&FBOVESPA. Os resultados dos modelos de inteligência artificial foram comparados com os obtidos pelos modelos de Black, Vasicek e CIR. Verificou-se que os modelos de redes recorrentes foram mais acurados na obtenção dos preços teóricos das opções consideradas.

Neste projeto, avaliamos as opções sobre câmbio R$/US$, comercializadas na BM&BOVESPA, por meio de dois modelos de precificação: o Modelo de Black (1976) e o Método de Redes Neurais Artificiais. O modelo de rede neural se baseou nas mesmas variáveis da fórmula análita de Black, tendo a volatilidade estimada por um processo GARCH (1,1) e a curva de juros obtida pela técnica de interpolação por splines cúbicos. Os resultados foram comparados com as opções reais, transacionadas no mercado, e mostraram a superioridade do modelo de redes neuronais, principalmente para as opções out-of-the-money.

Neste projeto, avaliamos o potencial de predição das Redes Neurais Artificiais (RNAs) para o mercado de ações brasileiro. Comparou-se modelos ARIMA com as RNAs para previsão do preço de fechamento das ações mais líquidas da BM&FBOVESPA. Os resultados evidenciaram a superioridade de método de inteligência artificial.