Desempenho de Modelos de Machine Learning na Seleção de Ações da Bolsa de Valores Brasileira

Masalskas, Gabriel Fernandes; Janes, Ricardo

doi:10.22167/2675-6528-202602221

Artigo

10 de setembro de 2026

Desempenho de Modelos de Machine Learning na Seleção de Ações da Bolsa de Valores Brasileira

Gabriel Fernandes Masalskas; Ricardo Janes

DOI: 10.22167/2675-6528-202602221

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

O mercado acionário brasileiro, caracterizado por elevada volatilidade e restrições de liquidez, impõe desafios à aplicação de modelos de aprendizado de máquina na previsão de retornos e na construção de estratégias de investimento. O estudo comparou o desempenho preditivo e econômico de modelos de aprendizado de máquina e métodos estatísticos tradicionais na estimação de retornos futuros e na formação de carteiras baseadas em ranking de ativos. Utilizaram-se dados históricos de ações da B3, com variáveis técnicas e financeiras derivadas de preços e volume. Avaliaram-se modelos lineares (Regressão Linear, Ridge, LASSO, Elastic Net), de ensemble (Random Forest, XGBoost, LightGBM) e uma rede neural (Multilayer Perceptron). A avaliação preditiva ocorreu por métricas de erro em conjunto de teste, e a econômica por backtest de estratégias long-only, com custos operacionais baseados no turnover para análise de retornos brutos e líquidos. Os resultados revelaram baixa capacidade preditiva em todos os modelos, com R² negativos e erros elevados. Embora diferenças marginais nas previsões tenham gerado variações no desempenho econômico, estas foram de baixa magnitude e instáveis. O modelo LightGBM obteve o melhor desempenho econômico, mas com ganhos limitados em relação ao benchmark após a inclusão de custos operacionais. Não se observou evidência consistente de geração de retorno ajustado ao risco superior.

Palavras-chave: aprendizado de máquina; backtest; mercado acionário; previsão de retornos; seleção de ativos.

1. Introdução

O mercado acionário brasileiro, negociado pela B3 S.A. – Brasil, Bolsa, Balcão (B3), apresenta particularidades que o diferenciam de mercados desenvolvidos, impondo desafios específicos para a aplicação de modelos de aprendizado de máquina na previsão de retornos e na construção de estratégias de investimento. A compreensão de suas dinâmicas é fundamental para investidores e pesquisadores que buscam otimizar o desempenho e a gestão de riscos em um ambiente de alta complexidade.

Entre as características distintivas do mercado brasileiro, destacam-se a maior volatilidade, a menor profundidade de liquidez e os custos operacionais mais elevados. Estudos comparativos confirmam que mercados emergentes, como o Brasil, tendem a exibir maior sensibilidade a choques de volatilidade e menor liquidez estrutural em comparação a mercados maduros. Vartanian (2023), por exemplo, identificou o Brasil entre os mercados mais voláteis em períodos de instabilidade. De Carvalho (2021) evidenciou um prêmio de liquidez significativo nas ações da B3, enquanto Brito (2024) demonstrou que a relação entre liquidez e volatilidade no mercado nacional é acentuada durante crises. Adicionalmente, Benetti et al. (2007) destacaram que os custos operacionais e tributários no mercado acionário brasileiro permanecem superiores aos observados em países desenvolvidos. Essas particularidades estruturais tornam o Brasil um ambiente desafiador para a implementação de estratégias quantitativas.

Nesse contexto, o aprendizado de máquina (ML) surge como uma ferramenta promissora para analisar e prever retornos de ativos de renda variável. A literatura recente já demonstra avanços significativos na aplicação de ML em finanças. Arismendi-Zambrano et al. (2023) mostraram que métodos de ML baseados em regressões penalizadas são capazes de prever retornos intradiários no mercado brasileiro, gerando estratégias com desempenho ajustado ao custo de transação superior ao de benchmarks lineares. No campo de gestão de fundos, a CFA Society Brasil (2024) aplicou o XGBoost para distinguir gestores, constatando que carteiras formadas com base nas previsões do modelo apresentaram melhor relação risco-retorno. Felizardo e Pinto (2019) também avaliaram arquiteturas de redes neurais artificiais na previsão de retornos de ações brasileiras, demonstrando ganhos de assertividade em comparação a abordagens lineares, embora ressaltassem a sensibilidade do desempenho à calibragem de hiperparâmetros. Evidências adicionais (Henrique et al., 2019) indicam o potencial de modelos não lineares, como Support Vector Regression, na previsão de preços e retornos de ativos financeiros no Brasil, apesar de limitações associadas à estabilidade e generalização dos modelos.

Apesar desses avanços, lacunas relevantes persistem na literatura nacional. A maioria dos trabalhos concentra-se em previsões de alta frequência ou em análises de fundos, sendo raras as pesquisas que comparam de forma sistemática diferentes famílias de modelos de ML, como Random Forest, boosting (XGBoost, LightGBM) e redes neurais, em contextos de recomendação de ativos no mercado acionário. Além disso, poucos estudos incorporam elementos operacionais da realidade brasileira, como custos de transação, slippage e liquidez efetiva, em seus backtests e validações temporais. Essa carência impede uma avaliação completa da viabilidade prática e econômica das estratégias baseadas em ML no mercado local.

A aplicação de ML no mercado financeiro brasileiro, portanto, encontra-se em estágio promissor, mas ainda carente de abordagens que conciliem robustez preditiva e viabilidade operacional. Conforme ressaltam De Prado (2018) e Gu, Kelly e Xiu (2020), o sucesso de modelos de ML em finanças depende não apenas de desempenho estatístico, mas da capacidade de gerar previsões economicamente úteis e exequíveis. No contexto nacional, essa discussão torna-se particularmente relevante devido às restrições de liquidez e aos custos de negociação, que podem inviabilizar estratégias rentáveis em simulações. Assim, torna-se necessário desenvolver estudos que avaliem, de forma comparativa e reprodutível, o desempenho de diferentes algoritmos de ML em estratégias de recomendação de ativos no mercado acionário brasileiro, utilizando métricas ajustadas ao risco, como o índice de Sharpe, bem como medidas de drawdown e volatilidade. Em especial, compreender quais modelos oferecem o melhor trade-off entre desempenho e viabilidade operacional é uma contribuição relevante tanto para a pesquisa acadêmica quanto para a prática profissional. Diante disso, este trabalho tem como objetivo comparar os desempenhos preditivo e econômico de modelos de aprendizado de máquina e métodos estatísticos tradicionais na estimação de retornos futuros e na construção de estratégias de investimento baseadas em ranking no mercado acionário brasileiro.

2. Material e Métodos

Este trabalho avaliou a capacidade preditiva e a utilidade econômica de diferentes modelos de aprendizado de máquina e métodos estatísticos tradicionais aplicados ao mercado acionário brasileiro. A análise foi conduzida a partir de dados históricos de preços ajustados de ações negociadas na B3, contemplando um painel não balanceado de ativos.

Definição do universo investível e tratamento dos dados

O estudo utilizou dados históricos de preços ajustados de ações negociadas na B3, obtidos da plataforma “Dados de Mercado – Ações listadas na B3” e coletados via biblioteca Python yfinance (Yahoo Finance). As séries de preços corresponderam aos preços de fechamento ajustados (“adjusted close”), que incorporam eventos corporativos como dividendos e desdobramentos, garantindo consistência temporal dos retornos.

A partir do conjunto inicial de ativos, foram aplicados critérios de elegibilidade e filtragem sequencial para definir o universo investível. Esses critérios incluíram disponibilidade de dados históricos, consistência de preços, liquidez mínima (volume financeiro negociado) e exclusão de séries incompletas ou inconsistentes, conforme detalhado na Tabela 1.

Tabela 1. Etapas de definição do universo investível

Etapa	Descrição
Base inicial	Ações listadas na B3
Coleta de dados	Ativos com histórico disponível no provedor
Filtro de qualidade	Exclusão por inconsistências de preço e volume
Histórico mínimo	Exclusão de séries insuficientes
Liquidez	Seleção mensal dos 50 ativos mais líquidos
Universo final	Painel dinâmico de ativos elegíveis

Fonte: Dados originais da pesquisa

Os dados diários foram agregados para periodicidade mensal, utilizando o último preço de fechamento disponível em cada mês. Adicionalmente, em cada período, os 50 ativos mais líquidos (com base no volume financeiro diário negociado) foram selecionados para compor um universo investível dinâmico, refletindo a realidade operacional do mercado.

Definição da variável target

A variável de interesse foi o retorno logarítmico mensal futuro de cada ativo, calculado a partir dos preços de fechamento mensais, conforme a Equação 1:

r_t+1 = ln(P_t+1 / P_t) (1)

em que: r_t+1 é o retorno logarítmico no período t+1; P_t+1 é o preço de fechamento no período t+1; e P_t é o preço de fechamento no período t. Este retorno foi associado ao período t (shift), de modo que as previsões realizadas ao final do mês t referiam-se ao retorno observado no mês t+1. O problema foi formulado como uma tarefa de regressão supervisionada para estimar retornos futuros contínuos. A avaliação econômica das estratégias foi realizada com base em retornos simples.

Construção das variáveis explicativas e dos modelos

As variáveis explicativas incluíram retornos defasados, medidas de volatilidade, indicadores de tendência e métricas técnicas baseadas em preço e volume, conforme detalhado na Tabela 2.

Tabela 2. Variáveis explicativas utilizadas na modelagem

Grupo	Variável	Descrição
Retornos	ret_log_1d	Retorno logarítmico diário
Retornos	ret_5d	Retorno acumulado em 5 dias
Retornos	ret_21d	Retorno mensal
Retornos	ret_63d	Retorno trimestral
Retornos	ret_252d	Retorno anual
Volatilidade	vol_21d	Desvio padrão dos retornos (21 dias)
Volatilidade	vol_63d	Desvio padrão dos retornos (63 dias)
Tendência	price_sma21_ratio	Razão preço / média móvel 21 dias
Tendência	price_sma63_ratio	Razão preço / média móvel 63 dias
Tendência	sma_diff_21_63	Diferença entre médias móveis (21d – 63d)
Indicadores	rsi_14	Índice de Força Relativa (14 dias)
Indicadores	rsi_21	Índice de Força Relativa (21 dias)
Indicadores	macd	Indicador MACD
Indicadores	macd_signal	Linha de sinal do MACD
Indicadores	macd_hist	Histograma do MACD
Risco	ATR_14	Average True Range (14 dias)
Liquidez	vol_med_21d	Volume médio negociado
Liquidez	vol_med_63d	Volume médio (63 dias)
Liquidez	vol_fin_med_21d	Volume financeiro médio
Liquidez	vol_fin_med_63d	Volume financeiro médio (63 dias)
Liquidez	turnover_proxy	Proxy de liquidez
Outros	adx_14	Índice Direcional Médio
Outros	obv	On Balance Volume

Fonte: Dados originais da pesquisa

As variáveis foram calculadas diariamente e agregadas mensalmente, utilizando a última observação disponível. Todas as variáveis explicativas foram defasadas em um período (t-1) mensal para garantir que as previsões utilizassem apenas informações disponíveis até o final do mês anterior.

Foram selecionados modelos representativos de diferentes abordagens: regressões lineares (Regressão Linear, Ridge, LASSO e Elastic Net), modelos de ensemble baseados em árvores de decisão (Random Forest, XGBoost e LightGBM) e uma rede neural artificial (Multilayer Perceptron – MLP). A Tabela 3 lista os modelos e suas bibliotecas de implementação em Python.

Tabela 3. Modelos utilizados e respectivas bibliotecas de implementação

Modelo	Biblioteca	Implementação
Regressão Linear	scikit-learn	LinearRegression
Ridge	scikit-learn	Ridge
LASSO	scikit-learn	Lasso
Elastic Net	scikit-learn	ElasticNet
Random Forest	scikit-learn	RandomForestRegressor
XGBoost	xgboost	XGBRegressor
LightGBM	lightgbm	LGBMRegressor
Rede Neural (MLP)	tensorflow / keras	Sequential (Dense)

Fonte: Dados originais da pesquisa

As variáveis explicativas foram padronizadas por transformação z-score para modelos sensíveis à escala, enquanto modelos de ensemble foram estimados nas variáveis originais. Todos os modelos foram formulados como problemas de regressão supervisionada para prever retornos futuros contínuos. A amostra foi dividida temporalmente de forma sequencial, com 80% das observações iniciais para treinamento e 20% finais para teste, preservando a ordem cronológica dos dados.

A avaliação preditiva foi realizada por meio de métricas de erro (RMSE, MAE e R²), e a avaliação econômica foi conduzida por um “backtest” no conjunto de teste, utilizando métricas como retorno médio, volatilidade, índice de Sharpe e máximo “drawdown”. Um benchmark, definido como uma carteira igualmente ponderada de todos os ativos elegíveis com rebalanceamento mensal, foi usado como referência. Para garantir a reprodutibilidade, foram fixados “seeds” aleatórios nas bibliotecas Python (random), NumPy e TensorFlow.

Construção das estratégias baseadas em ranking

As previsões dos modelos foram usadas para construir estratégias de investimento “long-only” baseadas em ranking “cross-sectional”. Mensalmente, os 10 ativos com maior retorno previsto, dentre os 50 ativos mais líquidos do universo investível, foram selecionados para formar uma carteira igualmente ponderada. As carteiras foram integralmente rebalanceadas ao final de cada mês.

A rotatividade das carteiras foi mensurada pelo turnover médio mensal, que é a proporção de ativos substituídos entre períodos consecutivos. O retorno da estratégia foi calculado como a média simples dos retornos realizados dos ativos selecionados no mês subsequente. Custos operacionais foram incorporados como uma estimativa simplificada, aplicando um custo proporcional fixo de 0,2% por unidade de turnover. O retorno líquido (r_liq) foi calculado deduzindo esse custo do retorno bruto (r_bruto), conforme a Equação 2:

r_liq = r_bruto – c * turnover_t (2)

onde c é o custo operacional (0,2%) e turnover_t é a proporção de ativos substituídos no período t. O desempenho das carteiras foi avaliado no período de teste em termos de retorno bruto e líquido, sendo o retorno líquido a principal métrica de comparação econômica. O benchmark, por sua vez, não teve custos operacionais.

3. Resultados e Discussão

A interpretação dos resultados considerou o contexto metodológico adotado, incluindo o horizonte temporal do período do conjunto de teste e as simplificações inerentes ao backtest, como a modelagem de custos operacionais baseada no turnover das carteiras (fixada em 0,2%), sem a incorporação de componentes adicionais como slippage, impacto de mercado e restrições de liquidez.

Impacto dos filtros no universo de ativos

A aplicação dos critérios de elegibilidade e filtragem resultou em uma redução progressiva do universo inicial de ativos disponíveis para análise. A Tabela 4 apresenta o funil de seleção, detalhando o número de ativos remanescentes após cada etapa do processo.

Tabela 4. Funil de seleção do universo de ativos

Etapa	Número de ativos
Base inicial (ações listadas – CSV)	398
Ativos com dados históricos no provedor	393
Após filtro de qualidade (preço e volume)	150
Após filtro de histórico mínimo	150
Top 50 por liquidez (amostra final)	50

Fonte: Dados originais da pesquisa

Observou-se uma redução significativa do universo de ativos, de 398 para 50, o que representa uma contração de aproximadamente 87% do conjunto inicial. Essa redução evidencia a elevada concentração de liquidez no mercado acionário brasileiro e é consistente com a estrutura do mercado, onde poucos ativos possuem volume de negociação suficiente para estratégias sistemáticas. O universo final utilizado na modelagem e no backtest reflete predominantemente o comportamento de ativos de maior liquidez. Metodologicamente, essa filtragem implica que os resultados não são diretamente generalizáveis para ativos de menor negociação, e a definição dinâmica do universo investível influencia a composição das carteiras e do benchmark, impactando a avaliação comparativa das estratégias.

Estatísticas descritivas da variável alvo

Antes da modelagem, analisou-se a distribuição da variável alvo, o retorno logarítmico mensal futuro, para avaliar suas propriedades estatísticas e plausibilidade econômica. A Tabela 5 apresenta as estatísticas descritivas da variável.

Tabela 5. Estatísticas descritivas do retorno logarítmico mensal futuro

Métrica	Valor
Observações	3.207
Média	0,0121
Desvio padrão	0,1237
Mínimo	-0,9252
1%	-0,3462
5%	-0,1661
25%	-0,0538
Mediana	0,0118
75%	0,0807
Máximo	0,6987

Fonte: Resultados originais da pesquisa

Os resultados indicaram uma distribuição caracterizada por elevada volatilidade e caudas longas, padrão amplamente documentado na literatura financeira (Fama e French, 2015; Harvey et al., 2016). A média próxima de zero (0,012) e o desvio padrão elevado (0,124) evidenciaram um ambiente de baixa relação sinal-ruído, dificultando a identificação de padrões preditivos consistentes. A presença de valores extremos, com retornos mínimos próximos a -92% e máximos em torno de 70%, indicou a ocorrência de eventos idiossincráticos e uma assimetria negativa na distribuição, característica de mercados acionários emergentes. Essas propriedades implicam desafios na modelagem, como sensibilidade a outliers e instabilidade nas estimativas, reforçando a importância de avaliar o desempenho das estratégias de forma ajustada ao risco.

Avaliação preditiva dos modelos

A capacidade preditiva dos modelos foi avaliada por métricas de erro como RMSE, MAE e coeficiente de determinação (R²), calculadas no conjunto de teste. As previsões foram baseadas nas variáveis explicativas descritas na metodologia. A Tabela 6 apresenta o desempenho preditivo dos modelos, comparando abordagens lineares e não lineares.

Tabela 6. Desempenho preditivo dos modelos (RMSE, MAE e R²)

Modelo	RMSE	MAE	R²
Linear	0.1031	0.0754	-0.0571
Ridge	0.1031	0.0754	-0.0567
LASSO	0.1029	0.0753	-0.0533
ElasticNet	0.1030	0.0754	-0.0547
RandomForest	0.1017	0.0742	-0.0297
XGBoost	0.1074	0.0792	-0.1476
LightGBM	0.1121	0.0831	-0.2503
MLP	0.1244	0.0943	-0.5391

Fonte: Resultados originais da pesquisa

Todos os modelos apresentaram baixo poder preditivo no conjunto de teste, com coeficientes de determinação negativos em todas as especificações, indicando que suas previsões são, em média, inferiores a uma estratégia ingênua baseada na média histórica dos retornos. As diferenças entre os modelos em termos de RMSE e MAE foram relativamente pequenas, sem evidência de superioridade consistente de modelos mais complexos em relação às abordagens lineares. Modelos regularizados, como LASSO e Elastic Net, apresentaram desempenho marginalmente superior, enquanto modelos mais flexíveis, como Gradient Boosting e redes neurais, exibiram pior desempenho, sugerindo possível sobreajuste. A proximidade entre os valores de RMSE e o desvio padrão da variável alvo (Tabela 5) sugere que os modelos são incapazes de explicar parcela significativa da variância dos retornos em um ambiente de baixa relação sinal-ruído. As diferenças observadas devem ser interpretadas com cautela, dada a ausência de evidência estatística de capacidade preditiva superior (Giacomini e White, 2006).

Avaliação econômica das estratégias

A Tabela 7 apresenta os principais indicadores de desempenho econômico das estratégias baseadas em ranking, calculados no período de teste, já deduzidos dos custos operacionais estimados com base no turnover das carteiras. São reportados o retorno médio mensal, o retorno geométrico mensal, o retorno anualizado, a volatilidade dos retornos, o índice de Sharpe, o máximo drawdown e o turnover médio mensal, além do valor final de um investimento hipotético inicial de R$ 100.

Tabela 7. Desempenho econômico das estratégias por modelo

Modelo	Ret. mensal (%)	Ret. geom (%)	Ret. anual (%)	Vol. (%)	Sharpe	Max DD (%)	Turnover médio mensal	R$ 100 final
LightGBM	0,45	0,15	1,76	8,15	0,1920	-28,79	0,5619	103,10
Ridge	0,28	0,01	0,10	7,75	0,1249	-31,31	0,4619	100,18
ElasticNet	0,28	-0,01	-0,07	8,01	0,1225	-33,30	0,4429	99,87
Benchmark	0,13	-0,06	-0,72	6,41	0,0703	-25,34		98,74
LASSO	0,21	-0,10	-1,21	8,29	0,0873	-34,54	0,4143	97,90
Linear	0,13	-0,11	-1,31	7,22	0,0621	-30,96	0,4714	97,72
XGBoost	0,24	-0,12	-1,38	8,83	0,0949	-30,93	0,4524	97,60
RandomForest	0,16	-0,18	-2,10	8,42	0,0644	-31,16	0,3476	96,35
MLP	-0,43	-0,62	-7,14	6,30	-0,2365	-35,44	0,6000	87,84

Fonte: Resultados originais da pesquisa

O benchmark, uma estratégia passiva igualmente ponderada com rebalanceamento mensal, serviu como referência. Os resultados indicam que o desempenho econômico das estratégias baseadas em ranking foi, de forma geral, limitado. O modelo LightGBM apresentou o melhor desempenho, com retorno geométrico mensal positivo e valor final superior ao investimento inicial. Modelos lineares regularizados, como Ridge e Elastic Net, também exibiram retornos geométricos ligeiramente positivos. Contudo, modelos como Linear, LASSO, XGBoost, Random Forest e MLP mostraram retornos geométricos negativos, indicando perda de valor ao longo do tempo. A diferença entre retorno médio e geométrico reflete o impacto da volatilidade, resultando em crescimento composto negativo para a maioria dos modelos, onde a variabilidade dos retornos superou o ganho médio esperado. As diferenças de desempenho entre os modelos foram pequenas, e os índices de Sharpe permaneceram baixos, indicando que a relação risco-retorno das estratégias foi pouco atrativa. A janela de avaliação econômica, de 21 meses, é relativamente curta, o que implica sensibilidade dos resultados a condições específicas de mercado e limita a robustez das conclusões.

Evolução temporal do desempenho das estratégias

A Figura 1 apresenta a evolução temporal do retorno acumulado das estratégias baseadas em ranking no período do conjunto de teste, construído a partir da capitalização composta dos retornos mensais de cada modelo, incluindo o benchmark.

Figura 1. Evolução do retorno acumulado das estratégias baseadas em modelos de machine learning

Fonte: Resultados originais da pesquisa

A análise da Figura 1 evidencia diferenças relevantes na trajetória de desempenho entre as estratégias. O modelo com melhor desempenho apresentou uma trajetória de crescimento relativamente mais consistente, ainda que com episódios de queda, enquanto o modelo de pior desempenho exibiu deterioração progressiva do capital. O benchmark apresentou comportamento intermediário, com menor amplitude de variação, refletindo o efeito da diversificação. As estratégias não seguiram trajetórias monotônicas de crescimento, sendo caracterizadas por ciclos alternados de ganhos e perdas. Pequenas diferenças nas previsões dos modelos podem se traduzir em impactos relevantes no desempenho acumulado, reforçando a sensibilidade das estratégias à ordenação relativa dos ativos. A dispersão entre as curvas ao final do período foi limitada, sugerindo que a diferença de desempenho decorre mais de acertos pontuais do que de vantagens persistentes, alinhado à baixa capacidade preditiva. A presença de períodos prolongados de drawdown em quase todas as estratégias evidencia o risco significativo associado, mesmo em casos de desempenho final positivo, reforçando a importância de avaliar a dinâmica temporal das perdas em contextos de elevada volatilidade.

Relação entre turnover e desempenho econômico

A incorporação de custos operacionais, mesmo simplificada, alterou a ordenação relativa dos modelos, evidenciando a importância de uma modelagem acurada desses custos. A Tabela 8 apresenta o impacto dos custos operacionais estimados no desempenho das estratégias, incluindo retornos anualizados e valores finais antes e após a dedução de custos, bem como métricas associadas à rotatividade das carteiras.

Tabela 8. Impacto de custos de transação no desempenho das estratégias

Modelo	Ret. anual bruto (%)	Valor final bruto (R$)	Turnover médio mensal	Total de ativos trocados	Custo total est. (R$)	Ret. anual líq. (%)	Valor final líq. (R$)
LightGBM	3,15	105,58	0,5619	118	2,36	1,76	103,10
Ridge	1,22	102,14	0,4619	97	1,94	0,10	100,18
ElasticNet	1,00	101,75	0,4429	93	1,86	-0,07	99,87
Benchmark	-0,72	98,74				-0,72	98,74
LASSO	-0,21	99,62	0,4143	87	1,74	-1,21	97,90
Linear	-0,19	99,67	0,4714	99	1,98	-1,31	97,72
XGBoost	-0,29	99,49	0,4524	95	1,90	-1,38	97,60
RandomForest	-1,28	97,77	0,3476	73	1,46	-2,10	96,35
MLP	-5,78	90,10	0,6000	126	2,52	-7,14	87,84

Fonte: Resultados originais da pesquisa

A comparação entre retornos brutos e líquidos mostra que a incorporação de custos não apenas reduz o retorno, mas pode alterar a ordenação relativa das estratégias. Modelos com desempenho bruto superior podem se tornar inferiores após a dedução de custos, especialmente com alta rotatividade, indicando que a avaliação baseada apenas em retornos brutos pode ser enviesada. O turnover médio mensal variou entre 0,35 e 0,60. Estratégias com maior rotatividade, como LightGBM e MLP, apresentaram maior custo acumulado. Em contraste, modelos com menor turnover, como Random Forest, tiveram menor erosão de retorno, sugerindo que a eficiência da estratégia depende da interação entre capacidade preditiva e intensidade de negociação. A Figura 2 ilustra a relação entre o turnover médio mensal e o retorno anualizado líquido.

Figura 2. Relação entre turnover médio mensal e retorno anualizado líquido das estratégias

Fonte: Resultados originais da pesquisa

A Figura 2 não mostra uma relação monotônica clara entre rotatividade e desempenho, indicando que níveis mais elevados de turnover não implicam necessariamente em pior desempenho econômico. No entanto, há maior dispersão dos resultados entre estratégias com maior rotatividade, sugerindo que o turnover amplifica a variabilidade do desempenho ao aumentar a exposição a custos operacionais. Esse resultado indica que o impacto econômico da rotatividade é determinado pela interação entre custos operacionais e qualidade do sinal preditivo. Estratégias com maior capacidade de ordenação relativa podem compensar custos de negociação, enquanto modelos com baixa capacidade preditiva tendem a ter seu desempenho deteriorado. A modelagem de custos operacionais é central na avaliação de estratégias de aprendizado de máquina, e o uso de proxies simplificadas, embora útil para comparação, pode não capturar integralmente as fricções reais de mercado, superestimando o desempenho econômico das estratégias.

Interpretação integrada dos resultados

Os resultados evidenciaram baixa capacidade preditiva dos modelos, com R² negativos no conjunto fora da amostra (Tabela 6), indicando que não superaram previsões baseadas na média histórica dos retornos. Isso é consistente com a elevada volatilidade e baixa relação sinal-ruído da variável alvo (Tabela 5). Apesar dessa limitação, pequenas diferenças nas estimativas foram suficientes para gerar variações no desempenho econômico das estratégias (Tabela 7), devido ao mecanismo de seleção por ranking, onde a ordenação relativa dos ativos foi mais relevante que a precisão absoluta. Contudo, essas variações foram reduzidas e não configuraram evidência robusta de geração consistente de valor, com as estratégias apresentando desempenho líquido próximo ao benchmark, com ganhos pontuais e dependentes do período. A incorporação de custos operacionais reduziu os retornos e, em alguns casos, alterou a ordenação relativa das estratégias, evidenciando a influência da intensidade de negociação. A relação entre turnover e desempenho (Figura 2) não indicou um padrão monotônico claro. A comparação com o benchmark revelou um trade-off entre estratégias ativas e passivas; embora algumas estratégias tenham superado o benchmark em certos momentos, este apresentou menor volatilidade e drawdowns mais controlados (Tabela 7 e Figura 1), refletindo o efeito da diversificação. A análise temporal indicou ausência de superioridade persistente entre os modelos, com alternância frequente de desempenho, sugerindo forte dependência do recorte temporal. Em conjunto, os modelos avaliados não apresentaram capacidade consistente de geração de retorno ajustado ao risco superior ao benchmark.

4. Conclusão

Este trabalho teve como objetivo comparar os desempenhos preditivo e econômico de modelos de aprendizado de máquina e métodos estatísticos tradicionais na estimação de retornos futuros e na construção de estratégias de investimento baseadas em ranking no mercado acionário brasileiro. Verificou-se que todos os modelos avaliados apresentaram baixa capacidade preditiva no conjunto de teste, com coeficientes de determinação negativos, indicando que suas previsões foram, em média, inferiores a uma estratégia ingênua. Apesar das diferenças marginais nas previsões, estas geraram variações no desempenho econômico das estratégias, embora de baixa magnitude e instáveis ao longo do tempo. O modelo LightGBM obteve o melhor desempenho econômico, mas com ganhos limitados em relação ao benchmark após a incorporação de custos operacionais. Não se observou evidência consistente de geração de retorno ajustado ao risco superior ao benchmark. A principal contribuição do estudo reside na avaliação sistemática de diferentes famílias de modelos de aprendizado de máquina em um mercado emergente desafiador, destacando a importância da modelagem de custos operacionais e a limitada viabilidade prática de estratégias de geração de alpha nas configurações testadas.

As limitações do estudo incluíram a simplificação na modelagem de custos operacionais, que não contemplou componentes como slippage e impacto de mercado, e a restrição do universo de ativos aos 50 mais líquidos, o que limita a generalização dos resultados para ativos de menor negociação. Adicionalmente, a janela de avaliação econômica, de 21 meses, implica sensibilidade dos resultados a condições específicas de mercado. Para estudos futuros, sugere-se a implementação de validação temporal mais robusta, como abordagens walk-forward, o tuning sistemático de hiperparâmetros, a modelagem mais realista de fricções de mercado e a exploração de diferentes regras de construção de portfólio e rebalanceamento, bem como a revisão dos critérios de definição do universo investível.

Referências Bibliográficas

ARISMENDI-ZAMBRANO, J.; LEONE ALEXANDRE, A.; GENARO, A. Intraday returns forecasting using machine learning: evidence from the Brazilian stock market. SSRN Electronic Journal, 2023. DOI: 10.2139/ssrn.5122977. Acesso em: 9 set. 2025.

BENETTI, C.; DECOURT, R.; RENATO, P. The practice of corporate finance in Brazil and in the USA: comparative survey evidence. São Paulo: ICN Business School; Universidade do Vale do Rio dos Sinos; Catholic University of Santiago de Guayaquil, 2007. Disponível em: https://www.researchgate.net/publication/265454641. Acesso em: 4 nov. 2025.

BRITO, A. D. Instability of returns and liquidity during the Covid-19 pandemic: evidence from the Brazilian stock market. Revista de Administração UFSM, v. 17, n. 2, p. 1–19, 2024. Disponível em: https://periodicos.ufsm.br/reaufsm/article/view/84713. Acesso em: 9 set. 2025.

CARVALHO, G. A. de. Pricing of liquidity risk in the Brazilian stock market. Revista Brasileira de Finanças, v. 19, n. 3, p. 67–94, 2021. Disponível em: https://periodicos.fgv.br/rbfin/article/view/81844. Acesso em: 8 set. 2025.

CFA SOCIETY BRASIL. Using machine learning to separate good and bad equity mutual fund managers: evidence from Brazil. São Paulo: CFA Society Brasil, 2024. Disponível em: https://cfasociety.org.br/wp-content/uploads/2024/09/final_paper.pdf. Acesso em: 14 out. 2025.

DE PRADO, M. L. Advances in financial machine learning. Hoboken: John Wiley & Sons, 2018. Acesso em: 7 fev. 2026.

FAMA, E. F.; FRENCH, K. R. A five-factor asset pricing model. Journal of Financial Economics, v. 116, n. 1, p. 1–22, 2015. DOI: 10.1016/j.jfineco.2014.10.010. Acesso em: 10 jan. 2026.

FELIZARDO, C.; PINTO, A. A study on neural network architecture applied to the prediction of Brazilian stock returns. arXiv preprint, arXiv:1901.09143, 2019. Disponível em: https://arxiv.org/abs/1901.09143. Acesso em: 1 nov. 2025.

GIACOMINI, R.; WHITE, H. Tests of conditional predictive ability. Econometrica, v. 74, n. 6, p. 1545-1578, 2006. DOI: 10.1111/j.1468-0262.2006.00718.x. Acesso em: 19 jan. 2026.

GU, S.; KELLY, B.; XIU, D. Empirical asset pricing via machine learning. The Review of Financial Studies, v. 33, n. 5, p. 2223–2273, 2020. DOI: 10.1093/rfs/hhaa009. Acesso em: 19 jan. 2026.

HARVEY, C. R.; LIU, Y.; ZHU, H. …and the cross-section of expected returns. The Review of Financial Studies, v. 29, n. 1, p. 5–68, 2016. DOI: 10.1093/rfs/hhv059. Acesso em: 19 jan. 2026.

HENRIQUE, B. M.; SOBREIRO, V. A.; KIMURA, H. Stock price prediction using support vector regression on daily and up to the minute prices. Journal of Finance and Data Science, v. 5, n. 1, p. 1–12, 2019. DOI: 10.1016/j.jfds.2018.04.003. Acesso em: 1 nov. 2025.

VARTANIAN, P. R. The VIX index and the volatility of the Latin American and G7 markets. International Journal of Economics and Finance, v. 15, n. 4, p. 1–15, 2023. DOI: 10.5539/ijef.v15n12p25. Acesso em: 1 nov. 2025.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

Mais recentes

10 de setembro de 2026

Precificação Hedônica de Imóveis na Grande Florianópolis: Uso e Comparação de Modelos de “Machine Learning”

Neurociência E Aprendizagem Na Educação

10 de setembro de 2026

A Produção de Memes como Estratégia de Formação Literária e Multiletramentos no Ensino Fundamental Ii

Gestão Tributária

10 de setembro de 2026

Definição de Insumos para Fins de Aproveitamento de Créditos de Pis e Cofins

Gestão Tributária

10 de setembro de 2026

Fiscalização Delegada do ITR: Desestímulo aos Convênios, Reflexos na Arrecadação e Desinteresse Processual da União

10 de setembro de 2026

Governança de Dados e Risco Financeiro no Setor Florestal: Evidências Empíricas em Perspectiva Brasil-Finlândia

10 de setembro de 2026

Modelagem Multinível na Estimativa da Produtividade da Cana-de-açúcar (Saccharum Spp.) em Unidades Produtoras na Região Sudeste de Mato Grosso do Sul

10 de setembro de 2026

Previsão de Taxa de Evasão Escolar por Cidades: Comparação de Modelos de Aprendizado Supervisionado

Gestão Escolar

10 de setembro de 2026

Escuta e Participação Docente: Caminhos para a Gestão Democrática em uma Escola Privada.

Neurociência E Aprendizagem Na Educação

10 de setembro de 2026

Percepção Parental sobre a Influência de Narrativas Literárias Morais no Comportamento Infantil

Você também pode gostar

10 de setembro de 2026

Precificação Hedônica de Imóveis na Grande Florianópolis: Uso e Comparação de Modelos de “Machine Learning”

O mercado imobiliário da Grande Florianópolis tem experimentado valorização acelerada, impulsionada pelo crescimento populacional e pela demanda turística e de investimento. Este estudo analisou os determinantes do valor de imóveis residenciais e comparou o desempenho preditivo de modelos de aprendizado de máquina, especificamente Random Forest e Gradient Boosting (XGBoost), com uma regressão por Mínimos Quadrados Ordinários (MQO). Os dados foram coletados via web scraping de dois portais imobiliários em março de 2026, abrangendo os municípios de Florianópolis, São José, Palhoça e Biguaçu, resultando em 8.056 observações válidas após limpeza. Avaliou-se o desempenho dos modelos por meio das métricas R², RMSE e MAPE. O XGBoost apresentou o melhor desempenho preditivo geral (R² = 0,742, RMSE = R$ 927.113), enquanto o Random Forest obteve o menor erro relativo (MAPE = 25,69%). Os principais determinantes do preço identificados foram a área construída, a região de localização e o número de banheiros. Uma análise complementar por segmento de mercado revelou que o MQO dependeu dos valores extremos para sustentar seu ajuste, enquanto os modelos ensemble mantiveram desempenho estável. Concluiu-se que os métodos de aprendizado de máquina são mais robustos para precificação hedônica em mercados imobiliários heterogêneos, especialmente na presença de imóveis atípicos.

Palavras-chave: Ensemble; Imobiliário; Regressão; Residencial; Web Scraping.

Neurociência E Aprendizagem Na Educação

10 de setembro de 2026

A Produção de Memes como Estratégia de Formação Literária e Multiletramentos no Ensino Fundamental Ii

A leitura de obras literárias clássicas apresenta desafios no contexto escolar contemporâneo, devido ao distanciamento entre a linguagem dos textos e o repertório dos estudantes. Investigou-se como a utilização de memes contribuiu para a construção de sentidos na leitura da obra Senhora, de José de Alencar, no Ensino Fundamental II. A pesquisa adotou uma abordagem qualitativa, com caráter de pesquisa participante, e foi desenvolvida com duas turmas de 9º ano de uma escola privada em Volta Redonda, Rio de Janeiro. Os dados foram coletados por meio de questionários e das produções dos estudantes, e analisados à luz da análise de conteúdo. Os resultados indicaram que a utilização de memes favoreceu a aproximação dos alunos com o texto literário, reduziu a resistência inicial e ampliou o engajamento com a leitura. Observou-se, também, o avanço progressivo na compreensão da narrativa, evidenciado pela capacidade de interpretar fatos, analisar personagens, identificar relações implícitas e elaborar posicionamentos críticos. As produções revelaram a articulação entre o conteúdo da obra e o repertório sociocultural dos estudantes, indicando a construção de aprendizagens com significado. Concluiu-se que a integração entre literatura e cultura digital potencializou a mediação pedagógica, contribuindo para a formação de leitores mais ativos e interpretativamente autônomos.

Palavras-chave: aprendizagem significativa; cultura digital; leitura literária; multiletramentos; neurociência.

Gestão Tributária

10 de setembro de 2026

Definição de Insumos para Fins de Aproveitamento de Créditos de Pis e Cofins

O estudo analisou a interpretação e a aplicação da definição de insumos para fins de creditamento do Programa de Integração Social (PIS) e da Contribuição para o Financiamento da Seguridade Social (COFINS) no regime não cumulativo, à luz do entendimento firmado pelo Superior Tribunal de Justiça (STJ) no julgamento do Recurso Especial n.º 1.221.170 (Tema 779). Objetivou-se examinar os limites jurídicos da utilização desses créditos, considerando os critérios de essencialidade ou relevância estabelecidos pela jurisprudência do STJ. Realizou-se pesquisa documental e jurisprudencial, com análise de acórdãos representativos do Conselho Administrativo de Recursos Fiscais (CARF) e do STJ, abrangendo períodos anteriores e posteriores ao Tema 779. Complementarmente, conduziu-se pesquisa bibliográfica e estudos de dois casos concretos do CARF, com abordagem qualitativa, para verificar a aplicação prática dos critérios. Constatou-se que o STJ afastou a aplicação automática da definição de insumo do IPI, consolidando os critérios de essencialidade e relevância. Entretanto, a análise dos julgados do CARF evidenciou que, embora houvesse reconhecimento formal do precedente do STJ, sua incidência foi modulada conforme a natureza da atividade empresarial, mostrando-se mais restritiva para empresas de revenda. Os casos concretos ilustraram que creditamentos de fretes foram tratados de forma distinta, dependendo da vinculação do gasto à produção ou à revenda. Concluiu-se que a definição de insumos permanece um ponto sensível do sistema tributário, e a correta utilização dos créditos demanda análise casuística rigorosa, pautada na observância dos precedentes judiciais e dos limites normativos vigentes, para evitar glosas e penalidades.

Palavras-chave: COFINS; Creditamento; Insumos; PIS.

Gestão Tributária

10 de setembro de 2026

Fiscalização Delegada do ITR: Desestímulo aos Convênios, Reflexos na Arrecadação e Desinteresse Processual da União

O Imposto Territorial Rural (ITR), de competência da União, pode ter sua fiscalização e cobrança delegadas aos Municípios e ao Distrito Federal. Este trabalho examinou a adesão municipal a esses convênios e o impacto na arrecadação, analisou se os entraves processuais para os Municípios remeterem demandas aos órgãos federais desestimulavam a celebração de acordos, e avaliou o interesse processual da União em litígios de ITR sob delegação, à luz da Teoria Eclética da Ação, bem como a efetividade da diretriz constitucional de desestímulo a propriedades improdutivas. A pesquisa utilizou um estudo de caso, com base em dados e relatórios oficiais da Receita Federal do Brasil e referencial doutrinário jurídico. Os resultados indicaram baixa adesão municipal aos convênios, com quase 75% dos municípios sem acordo. A arrecadação do ITR, mesmo integralmente repassada, não justificou os investimentos municipais, e a manutenção da atuação processual pela União desestimulou a continuidade dos ajustes. Verificou-se que a União carecia de interesse processual nessas demandas, dada a ínfima representatividade do ITR na arrecadação federal e a ausência de proveito econômico-financeiro, o que impediu o cumprimento efetivo da diretriz constitucional de desestímulo à improdutividade rural. Concluiu-se que são necessárias modificações legislativas para que o ITR alcance seus objetivos de arrecadação e função social.

Palavras-chave: Arrecadação; Eficiência; Fiscalização; ITR; Municípios.

10 de setembro de 2026

Governança de Dados e Risco Financeiro no Setor Florestal: Evidências Empíricas em Perspectiva Brasil-Finlândia

A fragmentação informacional no setor florestal brasileiro constituiu o ponto de partida desta pesquisa, que investigou como a governança de dados impactou a capacidade analítica, o risco financeiro e a competitividade da gestão florestal, por meio de um estudo comparativo entre Brasil e Finlândia. Submeteram-se 332 documentos, incluindo 307 informativos CEPEA/Esalq/USP (2001–2025) e 25 relatórios setoriais (Bracelpa, ABRAF, Ibá, 2003–2025), a um pipeline de extração automatizado baseado em OCR, mineração de texto e expressões regulares, obtendo-se 13.059 registros estruturados. Realizou-se análise de sensibilidade do Valor Presente Líquido (VPL) e análise de sentimento léxica. Apenas 12,1% dos registros de custo continham Custo Operacional Efetivo preenchido, e nenhum apresentou margem líquida calculável. A incerteza nos dados de entrada oscilou o VPL de um projeto florestal em mais de R$ 20.000/ha, evidenciando a distorção da decisão orientada por dados quando a sofisticação algorítmica não substituiu a qualidade dos dados de origem. A análise de sentimento léxica confirmou a transição dos relatórios setoriais brasileiros de formato estatístico para promocional. Em contraste, o modelo finlandês demonstrou a viabilidade de uma governança integrada, com o inventário florestal consolidado como pilar de inteligência industrial. Os resultados indicaram que o fortalecimento da governança de dados constituiu pré-requisito para a transição do setor para um sistema de planejamento sustentado por evidências.

Palavras-chave: competitividade; fragmentação informacional; inteligência artificial; soberania digital; tomada de decisão.

10 de setembro de 2026

Modelagem Multinível na Estimativa da Produtividade da Cana-de-açúcar (Saccharum Spp.) em Unidades Produtoras na Região Sudeste de Mato Grosso do Sul

A estimativa da produtividade é essencial para o planejamento agrícola, mas a estrutura de agrupamento dos dados agronômicos frequentemente viola o pressuposto de independência dos modelos clássicos de regressão. Avaliou-se a acurácia de modelos multiníveis com classificação cruzada na predição do rendimento agrícola da cana-de-açúcar na região sudeste de Mato Grosso do Sul, abrangendo as safras de 2019/2020 a 2023/2024. O estudo analisou 29.674 observações, organizadas sobre 10.336 talhões e 30 variedades. Integraram-se preditores biofísicos e agrometeorológicos, aplicando-se a estratégia “Step-Up” para a construção da estrutura multinível e a decomposição da variância. Os resultados evidenciaram que a abordagem particionou adequadamente a variância espacial, genética e temporal, quantificando com êxito a interação genótipo-ambiente. O ajuste final com inclinações aleatórias (M7) explicou 81,1% da variância total e alcançou uma Raiz do Erro Quadrático Médio (RMSE) de 10,24 t ha⁻¹. A diferença de 9,8% aferida entre o Pseudo-R² marginal e o condicional demonstrou o relevante ganho explicativo gerado pela classificação cruzada. O desempenho preditivo equiparou-se à exatidão reportada por algoritmos de Machine Learning, mantendo o rigor paramétrico e a interpretabilidade dos preditores agronômicos. Concluiu-se que a modelagem multinível consistiu em uma ferramenta analítica robusta e transparente para a estimativa de produtividade e o planejamento do setor sucroenergético.

Palavras-chave: Agrometeorologia; Cana-de-açúcar; Classificação cruzada; Modelagem multinível; Rendimento agrícola.

10 de setembro de 2026

Previsão de Taxa de Evasão Escolar por Cidades: Comparação de Modelos de Aprendizado Supervisionado

A evasão escolar representa um desafio multifacetado, com impactos individuais, políticos e sociais. Um estudo buscou desenvolver um modelo preditivo da taxa de evasão escolar por cidades brasileiras, empregando técnicas de aprendizado de máquina. Coletaram-se dados públicos educacionais do Instituto Nacional de Estudos e Pesquisas Anísio Teixeira (INEP) e do Instituto Brasileiro de Geografia e Estatística (IBGE) referentes ao período de 2011 a 2020, totalizando 2.370.968 registros por escola e taxas de evasão agregadas por município para Ensino Fundamental e Médio. Modelos supervisionados de regressão, como Regressão Linear, Árvores de Decisão, Random Forest e Redes Neurais, foram aplicados, e a precisão das estimativas foi avaliada por meio das métricas erro quadrático médio (MSE) e R². O modelo Random Forest apresentou o melhor desempenho. Para o Ensino Fundamental, obteve-se um MSE de 0.002 e um R² entre 0,320 e 0,530. No Ensino Médio, a performance foi inferior, com MSE variando entre 0.022 e 0.018 e um R² entre 0,10 e 0,25. Concluiu-se que a presença de quadras de esporte e outras benfeitorias na infraestrutura das escolas são fatores de alta correlação com a taxa de evasão.

Palavras-chave: Bases públicas; Desempenho educacional; Infraestrutura escolar; Random Forest; Regressão.

Gestão Escolar

10 de setembro de 2026

Escuta e Participação Docente: Caminhos para a Gestão Democrática em uma Escola Privada.

A escuta e a participação docente são elementos cruciais para a gestão democrática em instituições de ensino. O estudo analisou a escuta e a participação docente como componentes da gestão democrática em uma escola privada, considerando os desafios, limites e possibilidades desse modelo em um contexto influenciado pela lógica empresarial. A pesquisa adotou uma abordagem qualitativa e quantitativa. Aplicou-se um questionário a 21 professores de uma escola privada em São José dos Campos-SP, com questões fechadas e abertas. Realizou-se também análise documental do Projeto Político Pedagógico e de atas de reuniões pedagógicas para identificar percepções sobre participação, escuta, valorização profissional e processos decisórios. Os resultados indicaram que os docentes demonstraram clareza conceitual sobre a gestão democrática participativa e reconheceram sua importância para a qualidade pedagógica e o fortalecimento da profissão. Contudo, os dados revelaram limites concretos à sua efetivação, como a centralização das decisões, a influência da lógica mercadológica, a fragilidade dos canais institucionais de escuta e o receio de exposição. Concluiu-se que a escuta e a participação docente configuraram-se como desafios políticos, culturais e organizacionais na escola privada, exigindo intencionalidade da gestão, formação para práticas democráticas e compromisso coletivo entre gestores e professores, reafirmando a escola como espaço de diálogo, construção coletiva e defesa da educação como bem comum.

Palavras-chave: Cultura organizacional; Gestão participativa; Lógica mercadológica; Processos decisórios; Valorização docente.

Neurociência E Aprendizagem Na Educação

10 de setembro de 2026

Percepção Parental sobre a Influência de Narrativas Literárias Morais no Comportamento Infantil

A formação moral na infância representa um desafio contemporâneo, dada a saturação de estímulos digitais e a necessidade de resiliência socioemocional. Nesse contexto, a literatura infantil assume um papel crucial na modulação das intuições morais básicas durante a intensa plasticidade cerebral. O estudo investigou a percepção de pais e responsáveis sobre o impacto da leitura de narrativas com fundo moral no desenvolvimento ético e comportamental de crianças entre 4 e 12 anos. Fundamentada em perspectivas da neurociência cognitiva, a pesquisa analisou como a literatura atua como um sofisticado simulador social na construção do senso moral infantil. A metodologia consistiu na aplicação de um questionário estruturado eletrônico, respondido por 197 participantes de diferentes perfis socioculturais, em uma abordagem quanti-qualitativa. Os resultados indicaram que a frequência predominante de leitura nas famílias ocorreu de uma a duas vezes por semana, revelando elevada intencionalidade pedagógica, com a lição moral como critério decisivo na escolha das obras. Observou-se, ainda, que a mediação ativa estimulou significativamente a empatia, a formulação espontânea de perguntas críticas sobre dilemas éticos e a transposição de virtudes para o cotidiano. Concluiu-se que as narrativas literárias morais constituem ferramentas eficazes para a regulação emocional e para o fortalecimento de redes neurais vinculadas à valoração social, servindo a prática literária mediada como andaime essencial para a internalização de normas sociais de forma lúdica e reflexiva.

Palavras-chave: Comportamento; Desenvolvimento moral; Empatia; Literatura infantil; Neurociência.

Direito Tributário

09 de setembro de 2026

Entre Sísifo e o tonel das Danaides

A cesta básica, o salário-mínimo e o verdadeiro preço das coisas Na mitologia grega, alguns castigos não se distinguiam pela violência de um único sofrimento, mas pela condenação à repetição. Sísifo deveria conduzir uma enorme pedra até o alto de uma montanha e, quando o esforço parecia finalmente concluído, a pedra escapava e retornava ao […]

Inteligência Artificial

03 de setembro de 2026

O desafio atual da colaboração

Na medida em que o processo criativo começa com a IA, organizações precisam repensar como preservar a construção coletiva das ideias Em pouco mais de três anos, ferramentas de inteligência artificial generativa passaram a ocupar grande parte do trabalho nas organizações, seja para escrever, programar, pesquisar, planejar, analisar ou projetar. A presença já é tão […]

Inteligência Artificial

02 de setembro de 2026

O preço de usar IA sem treinamento

Adoção da tecnologia já alcança 88% das organizações mundiais, enquanto o número de profissionais punidos por usá-la sem preparo dobrou em sete meses No primeiro semestre de 2026, ministrei aulas de inteligência artificial com foco em planilhas, dashboards e apresentações, em Barcelona, na Espanha. Entre meus alunos havia advogados e juízes do Il·lustre Col·legi de […]

Sustentabilidade

28 de agosto de 2026

Como a sustentabilidade está redesenhando os data centers

Economia digital encontra limites físicos e tenta reduzir seu impacto ambiental O crescimento acelerado da infraestrutura digital transforma consumo de energia, disponibilidade hídrica, refrigeração, materiais construtivos e localização em variáveis centrais para o projeto da próxima geração de data centers. Durante boa parte da transformação digital, consolidou-se a percepção de que a computação estava progressivamente […]

Branding

27 de agosto de 2026

O branding que venceu a Copa de 2026

Entre identidade visual, uniformes, tipografia e disputa bilionária por audiência, marketing esportivo nunca esteve tão em evidência A Copa do Mundo de 2026 terminou com a Espanha erguendo a taça pela segunda vez, ao vencer a Argentina por 1 a 0 na prorrogação. O Brasil encerrou a competição na 11ª colocação, eliminado ainda nas oitavas […]

Governança

24 de agosto de 2026

Governança corporativa: entre o controle e a responsabilidade

O que as crises corporativas e os erros cometidos nos casos Enron, FTX e Americanas podem ensinar Uma empresa pode ter conselho de administração, auditoria independente, comitê de auditoria, código de conduta, políticas de compliance e dezenas de mecanismos de controle e, ainda assim, caminhar para o colapso. A pergunta incômoda é: se todos esses […]

Educação

21 de agosto de 2026

A educação cibernética como vantagem competitiva na economia digital

Empresas que investem apenas em tecnologia continuam vulneráveis a riscos A economia tornou-se digital. Essa afirmação, que há poucos anos poderia soar como diagnóstico de tendência, hoje descreve uma realidade consolidada. Empresas, consumidores, instituições financeiras, governos e profissionais passaram a depender de plataformas conectadas para realizar transações, compartilhar informações, contratar serviços, consumir conteúdo, estudar, trabalhar […]

Comportamento Consumidor

19 de agosto de 2026

Racionalidade e o contágio no consumo

Como os livros de colorir para adultos ajudam a compreender emoções, influência social e novas febres de mercado De tempos em tempos, determinados produtos ultrapassam sua função original e se transformam em verdadeiras modas de consumo, influenciando escolhas individuais e comportamentos coletivos. Os livros de colorir para adultos são um exemplo particularmente ilustrativo desse fenômeno. […]

Digital

10 de agosto de 2026

Quem sou eu além do algoritmo?

Construção de identidade e posicionamento depende de processos que envolvem repertório, interpretação e experiência Essa é uma pergunta que tem se tornado cada vez mais recorrente na minha prática como criadora de conteúdo e consultora. Em um ambiente digital altamente mediado por sistemas de distribuição, passamos grande parte do tempo ajustando linguagem, formato e timing […]

Gestão Tributária

01 de setembro de 2026

Reforma tributária e planejamento patrimonial no campo

Eficiência para gerenciar os impostos facilita a governança e permite organizar a sucessão familiar A organização patrimonial rural virou uma medida estratégica diante da reforma tributária no Brasil, que entrou em vigor neste ano. O planejamento das atividades e da gestão do patrimônio rural, por meio de ferramentas como a transição da Pessoa Física para […]

Renata de Gaspari Valdejão Almeida

Inteligência Artificial

05 de agosto de 2026

Dentro da empresa e fora do radar: os riscos da Shadow AI

Segundo a Microsoft, 75% dos profissionais já utilizam inteligência artificial no trabalho sem homologação da empresa O uso da inteligência artificial generativa já faz parte da rotina corporativa. Ferramentas como ChatGPT, Copilot e outras plataformas ajudam profissionais a produzir textos, analisar dados, criar apresentações e acelerar tarefas em praticamente todos os setores. Mas esse avanço […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julho de 2026

O futuro como competência

Interesse acadêmico reforça a projeção de cenários como ferramenta essencial para a tomada de decisões Enquanto algumas empresas ainda tentam acertar o próximo passo, outras já trabalham com múltiplos futuros possíveis — e se preparam para todos eles. Mas afinal, o que significa “pensar o futuro”? É tendência, é estratégia ou uma nova competência que […]

Renata de Gaspari Valdejão Almeida

Inovação

Tecnologia

21 de maio de 2026

Corredor Agro SP: inovação, articulação institucional e futuro

Pecege comanda operação executiva das atividades do ecossistema de 400 km que ficou conhecido como Vale do Silício do agro brasileiro Em 2025, além de assumir a gestão do Parque Tecnológico de Piracicaba, o Instituto Pecege também foi designado para comandar a operação executiva das atividades do Corredor de Inovação Agropecuária do Estado, o chamado […]

Educação

27 de abril de 2026

Como transformar um TCC em negócio

Nova gestão do Parque Tecnológico de Piracicaba oferece consultoria a egressos de MBAs O novo diretor de projetos do Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, costuma dizer que uma das maiores recompensas que já teve na vida foi ver seus orientandos do MBA USP/Esalq estruturarem empresas a partir de seus trabalhos de conclusão de […]

Tecnologia

20 de março de 2026

O repertório humano na era da IA

Pensamento crítico e criatividade são insubstituíveis no trabalho do profissional de marketing A Inteligência Artificial (IA) é capaz de feitos incríveis, mas ainda não possui a capacidade de julgamento, empatia, intuição e criatividade estratégica necessárias para fazer o trabalho de um bom profissional de marketing. Nessa área, é importante saber usar a ferramenta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

23 de fevereiro de 2026

ESG como estratégia de crescimento em uma cooperativa do RS

Santa Clara equilibra responsabilidade social e ambiental com inovação Fundada em 1911 por imigrantes italianos em Carlos Barbosa, na serra gaúcha, a Cooperativa Santa Clara é um exemplo de que é possível equilibrar o crescimento econômico com a responsabilidade social e ambiental. De uma pequena empresa de produção de queijos, a organização evoluiu para um […]

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

22 de janeiro de 2026

Brasil livre de febre aftosa: o que muda para a carne brasileira?

Com um rebanho de mais de 200 milhões de cabeças de gado, o país é atualmente o líder em exportações O Brasil recebeu recentemente, pela primeira vez, a certificação de país livre de febre aftosa sem vacinação, conferida pela Organização Mundial de Saúde Animal (OMSA). O selo fortalece a posição do país como fornecedor de carne confiável para o […]

Renata de Gaspari Valdejão Almeida

Inovação

09 de dezembro de 2025

Inovação: o novo ciclo do Parque Tecnológico de Piracicaba

Instituto Pecege assume a gestão apostando na criação de novos negócios A partir de 2026, o Instituto Pecege assumirá a gestão do Parque Tecnológico de Piracicaba (PTP). Entre suas responsabilidades estarão a administração, operação, manutenção e expansão do parque, além do fomento de atividades de inovação, empreendedorismo e ciência e tecnologia. A escolha foi feita […]

Renata de Gaspari Valdejão Almeida

06 de julho de 2026

Arquitetura de Grande Porte: Gestão de Mudanças DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação. A arquitetura e o urbanismo configuram-se como bases imprescindíveis em um espaço urbano cada vez mais complexo e desafiador, onde a intrínseca conexão entre questões sociais, ambientais e tecnológicas […]