Rendimiento de Modelos de Machine Learning en la Selección de Acciones de la Bolsa de Valores Brasileña

Masalskas, Gabriel Fernandes; Janes, Ricardo

doi:10.22167/2675-6528-202602221

Artículo

10 de septiembre de 2026

Rendimiento de Modelos de Machine Learning en la Selección de Acciones de la Bolsa de Valores Brasileña

Gabriel Fernandes Masalskas; Ricardo Janes

DOI: 10.22167/2675-6528-202602221

Artículo derivado de Trabajo de Fin de Curso (TCC), con contenido basado en el trabajo original del estudiante y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege para la síntesis y organización textual.

Resumen

El mercado bursátil brasileño, caracterizado por alta volatilidad y restricciones de liquidez, impone desafíos a la aplicación de modelos de aprendizaje automático en la predicción de retornos y en la construcción de estrategias de inversión. El estudio comparó el desempeño predictivo y económico de modelos de aprendizaje automático y métodos estadísticos tradicionales en la estimación de retornos futuros y en la formación de carteras basadas en el ranking de activos. Se utilizaron datos históricos de acciones de B3, con variables técnicas y financieras derivadas de precios y volumen. Se evaluaron modelos lineales (Regresión Lineal, Ridge, LASSO, Elastic Net), de ensemble (Random Forest, XGBoost, LightGBM) y una red neuronal (Multilayer Perceptron). La evaluación predictiva se realizó mediante métricas de error en un conjunto de prueba, y la económica mediante backtest de estrategias long-only, con costos operativos basados en el turnover para el análisis de retornos brutos y netos. Los resultados revelaron baja capacidad predictiva en todos los modelos, con R² negativos y errores elevados. Aunque diferencias marginales en las predicciones generaron variaciones en el desempeño económico, estas fueron de baja magnitud e inestables. El modelo LightGBM obtuvo el mejor desempeño económico, pero con ganancias limitadas en relación al benchmark después de la inclusión de costos operativos. No se observó evidencia consistente de generación de retorno ajustado al riesgo superior.

Palabras clave: aprendizaje automático; backtest; mercado de acciones; predicción de retornos; selección de activos.

1. Introducción

El mercado bursátil brasileño, negociado por B3 S.A. – Brasil, Bolsa, Balcão (B3), presenta particularidades que lo diferencian de los mercados desarrollados, imponiendo desafíos específicos para la aplicación de modelos de aprendizaje automático en la predicción de retornos y en la construcción de estrategias de inversión. La comprensión de sus dinámicas es fundamental para inversores e investigadores que buscan optimizar el rendimiento y la gestión de riesgos en un entorno de alta complejidad.

Entre las características distintivas del mercado brasileño, se destacan una mayor volatilidad, una menor profundidad de liquidez y costos operativos más elevados. Estudios comparativos confirman que los mercados emergentes, como Brasil, tienden a exhibir una mayor sensibilidad a los choques de volatilidad y una menor liquidez estructural en comparación con los mercados maduros. Vartanian (2023), por ejemplo, identificó a Brasil entre los mercados más volátiles en períodos de inestabilidad. De Carvalho (2021) evidenció una prima de liquidez significativa en las acciones de la B3, mientras que Brito (2024) demostró que la relación entre liquidez y volatilidad en el mercado nacional se acentúa durante las crisis. Adicionalmente, Benetti et al. (2007) destacaron que los costos operativos y tributarios en el mercado de acciones brasileño permanecen superiores a los observados en países desarrollados. Estas particularidades estructurales hacen de Brasil un entorno desafiante para la implementación de estrategias cuantitativas.

En este contexto, el aprendizaje automático (ML) surge como una herramienta prometedora para analizar y predecir los rendimientos de activos de renta variable. La literatura reciente ya demuestra avances significativos en la aplicación de ML en finanzas. Arismendi-Zambrano et al. (2023) mostraron que métodos de ML basados en regresiones penalizadas son capaces de predecir rendimientos intradía en el mercado brasileño, generando estrategias con un rendimiento ajustado al costo de transacción superior al de benchmarks lineales. En el campo de la gestión de fondos, la CFA Society Brasil (2024) aplicó el XGBoost para distinguir gestores, constatando que carteras formadas con base en las predicciones del modelo presentaron una mejor relación riesgo-rendimiento. Felizardo y Pinto (2019) también evaluaron arquitecturas de redes neuronales artificiales en la predicción de rendimientos de acciones brasileñas, demostrando ganancias de asertividad en comparación con enfoques lineales, aunque resaltaron la sensibilidad del rendimiento a la calibración de hiperparámetros. Evidencias adicionales (Henrique et al., 2019) indican el potencial de modelos no lineales, como Support Vector Regression, en la predicción de precios y rendimientos de activos financieros en Brasil, a pesar de limitaciones asociadas a la estabilidad y generalización de los modelos.

A pesar de estos avances, persisten lagunas relevantes en la literatura nacional. La mayoría de los trabajos se centran en predicciones de alta frecuencia o en análisis de fondos, siendo escasas las investigaciones que comparan de forma sistemática diferentes familias de modelos de ML, como Random Forest, boosting (XGBoost, LightGBM) y redes neuronales, en contextos de recomendación de activos en el mercado de valores. Además, pocos estudios incorporan elementos operativos de la realidad brasileña, como costos de transacción, slippage y liquidez efectiva, en sus backtests y validaciones temporales. Esta carencia impide una evaluación completa de la viabilidad práctica y económica de las estrategias basadas en ML en el mercado local.

La aplicación de ML en el mercado financiero brasileño, por lo tanto, se encuentra en una etapa prometedora, pero aún carente de enfoques que concilien robustez predictiva y viabilidad operativa. Como señalan De Prado (2018) y Gu, Kelly y Xiu (2020), el éxito de los modelos de ML en finanzas depende no solo del rendimiento estadístico, sino de la capacidad de generar predicciones económicamente útiles y factibles. En el contexto nacional, esta discusión se vuelve particularmente relevante debido a las restricciones de liquidez y los costos de transacción, que pueden hacer inviables estrategias rentables en simulaciones. Así, se hace necesario desarrollar estudios que evalúen, de forma comparativa y reproducible, el rendimiento de diferentes algoritmos de ML en estrategias de recomendación de activos en el mercado de acciones brasileño, utilizando métricas ajustadas al riesgo, como el índice de Sharpe, así como medidas de drawdown y volatilidad. En especial, comprender qué modelos ofrecen el mejor trade-off entre rendimiento y viabilidad operativa es una contribución relevante tanto para la investigación académica como para la práctica profesional. Ante esto, este trabajo tiene como objetivo comparar los rendimientos predictivo y económico de modelos de aprendizaje de máquina y métodos estadísticos tradicionales en la estimación de retornos futuros y en la construcción de estrategias de inversión basadas en ranking en el mercado de acciones brasileño.

2. Material y Métodos

Este trabajo evaluó la capacidad predictiva y la utilidad económica de diferentes modelos de aprendizaje automático y métodos estadísticos tradicionales aplicados al mercado de valores brasileño. El análisis se llevó a cabo a partir de datos históricos de precios ajustados de acciones negociadas en la B3, contemplando un panel no balanceado de activos.

Definición del universo invertible y tratamiento de los datos

El estudio utilizó datos históricos de precios ajustados de acciones negociadas en la B3, obtenidos de la plataforma “Datos de Mercado – Acciones listadas en la B3” y recopilados a través de la biblioteca Python yfinance (Yahoo Finance). Las series de precios correspondieron a los precios de cierre ajustados (“adjusted close”), que incorporan eventos corporativos como dividendos y desdoblamientos, garantizando la consistencia temporal de los retornos.

A partir del conjunto inicial de activos, se aplicaron criterios de elegibilidad y filtrado secuencial para definir el universo invertible. Estos criterios incluyeron disponibilidad de datos históricos, consistencia de precios, liquidez mínima (volumen financiero negociado) y exclusión de series incompletas o inconsistentes, según se detalla en la Tabla 1.

Tabla 1. Etapas de definición del universo de inversión

Estadio	Descripción
Base de partida	Acciones listadas en la B3
Recopilación de datos	Activos con historial disponible en el proveedor
Filtro de calidad	Exclusión por inconsistencias de precio y volumen
Historial mínimo	Exclusión de series insuficientes
La Liquidez	Selección mensual de los 50 activos más líquidos
Universo último	Panel dinámico de activos elegibles

Fuente: Datos originales de la investigación

Los datos diarios fueron agregados para periodicidad mensual, utilizando el último precio de cierre disponible en cada mes. Adicionalmente, en cada período, los 50 activos más líquidos (con base en el volumen financiero diario negociado) fueron seleccionados para componer un universo invertible dinámico, reflejando la realidad operacional del mercado.

Definición de la variable objetivo

La variable de interés fue el retorno logarítmico mensual futuro de cada activo, calculado a partir de los precios de cierre mensuales, según la Ecuación 1:

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

en que: r_t+1 es el retorno logarítmico en el período t+1; P_t+1 es el precio de cierre en el período t+1; y P_t es el precio de cierre en el período t. Este retorno se asoció al período t (shift), de modo que las predicciones realizadas al final del mes t se referían al retorno observado en el mes t+1. El problema se formuló como una tarea de regresión supervisada para estimar retornos futuros continuos. La evaluación económica de las estrategias se realizó con base en retornos simples.

Construcción de las variables explicativas y de los modelos

Las variables explicativas incluyeron retornos rezagados, medidas de volatilidad, indicadores de tendencia y métricas técnicas basadas en precio y volumen, según se detalla en la Tabla 2.

Tabla 2. Variables explicativas utilizadas en la modelización

Conjunto	Variable	Descripción
Rendimientos	ret_log_1d	Retorno logarítmico diario
Rendimientos	ret_5d	Retorno acumulado en 5 días
Rendimientos	ret_21d	Retorno mensual
Rendimientos	ret_63d	Rendimiento trimestral
Rendimientos	retorno_252d	Rendimiento anual
Volatilidad	vol_21d	Desviación estándar de los retornos (21 días)
Volatilidad	vol_63d	Desviación estándar de los retornos (63 días)
Tendencia	price_sma21_ratio	Razón precio / media móvil 21 días
Tendencia	price_sma63_ratio	Razón precio / media móvil 63 días
Tendencia	sma_diff_21_63	Diferencia entre medias móviles (21d – 63d)
Índices	rsi_14	Índice de Fuerza Relativa (14 días)
Índices	rsi_21	Índice de Fuerza Relativa (21 días)
Índices	macd	Indicador MACD
Índices	macd_señal	Línea de señal del MACD
Índices	macd_hist	Histograma del MACD
Riesgo	ATR_14	Rango Verdadero Promedio (14 días)
La Liquidez	vol_med_21d	Volumen medio negociado
La Liquidez	vol_med_63d	Volumen medio (63 días)
La Liquidez	vol_fin_med_21d	Volumen financiero promedio
La Liquidez	vol_fin_med_63d	Volumen financiero promedio (63 días)
La Liquidez	indicador de rotación	Proxy de liquidez
Otros	adx_14	Índice Direccional Medio
Otros	obvio	Volumen de Equilibrio

Fuente: Datos originales de la investigación

Las variables se calcularon diariamente y se agregaron mensualmente, utilizando la última observación disponible. Todas las variables explicativas se rezagaron un período (t-1) mensual para garantizar que las predicciones utilizaran solo información disponible hasta el final del mes anterior.

Se seleccionaron modelos representativos de diferentes enfoques: regresiones lineales (Regresión Lineal, Ridge, LASSO y Elastic Net), modelos de ensemble basados en árboles de decisión (Random Forest, XGBoost y LightGBM) y una red neuronal artificial (Multilayer Perceptron – MLP). La Tabla 3 enumera los modelos y sus bibliotecas de implementación en Python.

Tabla 3. Modelos utilizados y respectivas bibliotecas de implementación

Diseño	Biblioteca	Implementación
Regresión Lineal	scikit-learn	Regresión Lineal
Cresta	scikit-learn	Cresta
LASSO	scikit-learn	Lasso
Elastic Net	scikit-learn	ElasticNet
Random Forest	scikit-learn	RandomForestRegressor
XGBoost	xgboost	XGBRegressor
LightGBM	lightgbm	LGBMRegressor
Red Neuronal (MLP)	tensorflow / keras	Secuencial (Densa)

Fuente: Datos originales de la investigación

Las variables explicativas fueron estandarizadas por transformación z-score para modelos sensibles a la escala, mientras que los modelos de ensemble se estimaron en las variables originales. Todos los modelos se formularon como problemas de regresión supervisada para predecir retornos futuros continuos. La muestra se dividió temporalmente de forma secuencial, con el 80% de las observaciones iniciales para entrenamiento y el 20% final para prueba, preservando el orden cronológico de los datos.

La evaluación predictiva se realizó mediante métricas de error (RMSE, MAE y R²), y la evaluación económica se llevó a cabo mediante un “backtest” en el conjunto de prueba, utilizando métricas como retorno promedio, volatilidad, índice de Sharpe y “drawdown” máximo. Se utilizó como referencia un benchmark, definido como una cartera de ponderación igual de todos los activos elegibles con rebalanceo mensual. Para garantizar la reproducibilidad, se fijaron “seeds” aleatorios en las bibliotecas Python (random), NumPy y TensorFlow.

Construcción de las estrategias basadas en ranking

Las predicciones de los modelos se utilizaron para construir estrategias de inversión “long-only” basadas en ranking “cross-sectional”. Mensualmente, los 10 activos con mayor retorno previsto, de entre los 50 activos más líquidos del universo invertible, fueron seleccionados para formar una cartera igualmente ponderada. Las carteras se reequilibraron íntegramente al final de cada mes.

La rotación de las carteras se midió por la rotación media mensual, que es la proporción de activos sustituidos entre períodos consecutivos. El retorno de la estrategia se calculó como la media simple de los retornos realizados de los activos seleccionados en el mes siguiente. Los costos operativos se incorporaron como una estimación simplificada, aplicando un costo proporcional fijo del 0,2% por unidad de rotación. El retorno neto (r_liq) se calculó deduciendo este costo del retorno bruto (r_bruto), según la Ecuación 2:

r_líquido = r_bruto – c * facturación_t (2)

donde c es el costo operativo (0,2%) y turnover_t es la proporción de activos sustituidos en el período t. El desempeño de las carteras fue evaluado en el período de prueba en términos de retorno bruto y neto, siendo el retorno neto la principal métrica de comparación económica. El benchmark, por su parte, no tuvo costos operativos.

3. Resultados y Discusión

La interpretación de los resultados consideró el contexto metodológico adoptado, incluyendo el horizonte temporal del período del conjunto de prueba y las simplificaciones inherentes al backtest, como la modelización de costes operativos basada en el turnover de las carteras (fijada en 0,2%), sin la incorporación de componentes adicionales como slippage, impacto de mercado y restricciones de liquidez.

Impacto de los filtros en el universo de activos

La aplicación de los criterios de elegibilidad y filtrado resultó en una reducción progresiva del universo inicial de activos disponibles para análisis. La Tabla 4 presenta el embudo de selección, detallando el número de activos remanentes después de cada etapa del proceso.

Tabla 4. Embudo de selección del universo de activos

Estadio	Número de activos
Base inicial (acciones listadas – CSV)	398
Activos con datos históricos en el proveedor	393
Después de filtro de calidad (precio y volumen)	150
Después de filtrar el historial mínimo	150
Top 50 por liquidez (muestra final)	50

Fuente: Datos originales de la investigación

Se observó una reducción significativa del universo de activos, de 398 a 50, lo que representa una contracción de aproximadamente el 87% del conjunto inicial. Esta reducción evidencia la alta concentración de liquidez en el mercado de acciones brasileño y es consistente con la estructura del mercado, donde pocos activos poseen un volumen de negociación suficiente para estrategias sistemáticas. El universo final utilizado en la modelización y en el backtest refleja predominantemente el comportamiento de activos de mayor liquidez. Metodológicamente, este filtrado implica que los resultados no son directamente generalizables a activos de menor negociación, y la definición dinámica del universo invertible influye en la composición de las carteras y del benchmark, impactando la evaluación comparativa de las estrategias.

Estadísticas descriptivas de la variable objetivo

Antes del modelado, se analizó la distribución de la variable objetivo, el retorno logarítmico mensual futuro, para evaluar sus propiedades estadísticas y plausibilidad económica. La Tabla 5 presenta las estadísticas descriptivas de la variable.

Tabla 5. Estadísticas descriptivas del retorno logarítmico mensual futuro

Medida	Valía
Observaciones	3.207
Media	0,0121
Desviación estándar	0,1237
Lo mínimo	-0,9252
1%	-0,3462
5%	-0,1661
25%	-0,0538
Mediana	0,0118
75%	0,0807
Tope	0,6987

Fuente: Resultados originales de la investigación

Los resultados indicaron una distribución caracterizada por alta volatilidad y colas largas, un patrón ampliamente documentado en la literatura financiera (Fama y French, 2015; Harvey et al., 2016). La media cercana a cero (0,012) y la desviación estándar elevada (0,124) evidenciaron un ambiente de baja relación señal-ruido, dificultando la identificación de patrones predictivos consistentes. La presencia de valores extremos, con retornos mínimos cercanos a -92% y máximos alrededor del 70%, indicó la ocurrencia de eventos idiosincráticos y una asimetría negativa en la distribución, característica de mercados bursátiles emergentes. Estas propiedades implican desafíos en la modelización, como sensibilidad a valores atípicos e inestabilidad en las estimaciones, reforzando la importancia de evaluar el desempeño de las estrategias de forma ajustada al riesgo.

Evaluación predictiva de los modelos

La capacidad predictiva de los modelos se evaluó mediante métricas de error como RMSE, MAE y coeficiente de determinación (R²), calculadas en el conjunto de prueba. Las predicciones se basaron en las variables explicativas descritas en la metodología. La Tabla 6 presenta el rendimiento predictivo de los modelos, comparando enfoques lineales y no lineales.

Tabla 6. Rendimiento predictivo de los modelos (RMSE, MAE y R²)

Diseño	RMSE	MAE	R²
Lineal	0.1031	0.0754	-0.0571
Cresta	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

Fuente: Resultados originales de la investigación

Todos los modelos presentaron bajo poder predictivo en el conjunto de prueba, con coeficientes de determinación negativos en todas las especificaciones, lo que indica que sus predicciones son, en promedio, inferiores a una estrategia ingenua basada en la media histórica de los retornos. Las diferencias entre los modelos en términos de RMSE y MAE fueron relativamente pequeñas, sin evidencia de superioridad consistente de modelos más complejos en relación con los enfoques lineales. Los modelos regularizados, como LASSO y Elastic Net, presentaron un rendimiento marginalmente superior, mientras que los modelos más flexibles, como Gradient Boosting y redes neuronales, exhibieron un peor rendimiento, lo que sugiere un posible sobreajuste. La proximidad entre los valores de RMSE y la desviación estándar de la variable objetivo (Tabla 5) sugiere que los modelos son incapaces de explicar una parte significativa de la varianza de los retornos en un entorno de baja relación señal-ruido. Las diferencias observadas deben interpretarse con cautela, dada la ausencia de evidencia estadística de capacidad predictiva superior (Giacomini y White, 2006).

Evaluación económica de las estrategias

La Tabla 7 presenta los principales indicadores de desempeño económico de las estrategias basadas en ranking, calculados en el período de prueba, ya deducidos de los costos operativos estimados con base en la rotación de las carteras. Se reportan el retorno promedio mensual, el retorno geométrico mensual, el retorno anualizado, la volatilidad de los retornos, el índice de Sharpe, el máximo drawdown y el turnover promedio mensual, además del valor final de una inversión hipotética inicial de R$ 100.

Tabla 7. Desempeño económico de las estrategias por modelo

Diseño	Ret. mensual (%)	Ret. geom. (%)	Rent. anual (%)	Vol. (%)	Sharpe	Máx. DD (%)	Rotación media mensual	100 R$ final
LightGBM	0,45	0,15	1,76	8,15	0,1920	-28,79	0,5619	103,10
Cresta	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
Punto de referencia	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
Lineal	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

Fuente: Resultados originales de la investigación

El benchmark, una estrategia pasiva igualmente ponderada con rebalanceo mensual, sirvió como referencia. Los resultados indican que el desempeño económico de las estrategias basadas en ranking fue, en general, limitado. El modelo LightGBM presentó el mejor desempeño, con retorno geométrico mensual positivo y valor final superior a la inversión inicial. Modelos lineales regularizados, como Ridge y Elastic Net, también exhibieron retornos geométricos ligeramente positivos. Sin embargo, modelos como Linear, LASSO, XGBoost, Random Forest y MLP mostraron retornos geométricos negativos, indicando pérdida de valor a lo largo del tiempo. La diferencia entre retorno medio y geométrico refleja el impacto de la volatilidad, resultando en crecimiento compuesto negativo para la mayoría de los modelos, donde la variabilidad de los retornos superó la ganancia media esperada. Las diferencias de desempeño entre los modelos fueron pequeñas, y los índices de Sharpe permanecieron bajos, indicando que la relación riesgo-retorno de las estrategias fue poco atractiva. La ventana de evaluación económica, de 21 meses, es relativamente corta, lo que implica sensibilidad de los resultados a condiciones específicas de mercado y limita la robustez de las conclusiones.

Evolución temporal del rendimiento de las estrategias

La Figura 1 presenta la evolución temporal del retorno acumulado de las estrategias basadas en ranking en el período del conjunto de prueba, construido a partir de la capitalización compuesta de los retornos mensuales de cada modelo, incluyendo el benchmark.

Figura 1. Evolución del retorno acumulado de las estrategias basadas en modelos de machine learning

Fuente: Resultados originales de la investigación

El análisis de la Figura 1 evidencia diferencias relevantes en la trayectoria de desempeño entre las estrategias. El modelo con mejor desempeño presentó una trayectoria de crecimiento relativamente más consistente, aunque con episodios de caída, mientras que el modelo de peor desempeño exhibió un deterioro progresivo del capital. El benchmark presentó un comportamiento intermedio, con menor amplitud de variación, reflejando el efecto de la diversificación. Las estrategias no siguieron trayectorias monotónicas de crecimiento, siendo caracterizadas por ciclos alternados de ganancias y pérdidas. Pequeñas diferencias en las predicciones de los modelos pueden traducirse en impactos relevantes en el desempeño acumulado, reforzando la sensibilidad de las estrategias a la ordenación relativa de los activos. La dispersión entre las curvas al final del período fue limitada, sugiriendo que la diferencia de desempeño deriva más de aciertos puntuales que de ventajas persistentes, alineado a la baja capacidad predictiva. La presencia de períodos prolongados de drawdown en casi todas las estrategias evidencia el riesgo significativo asociado, incluso en casos de desempeño final positivo, reforzando la importancia de evaluar la dinámica temporal de las pérdidas en contextos de elevada volatilidad.

Relación entre rotación y desempeño económico

La incorporación de costos operativos, incluso simplificada, alteró la ordenación relativa de los modelos, evidenciando la importancia de un modelado preciso de estos costos. La Tabla 8 presenta el impacto de los costos operativos estimados en el desempeño de las estrategias, incluyendo retornos anualizados y valores finales antes y después de la deducción de costos, así como métricas asociadas a la rotación de las carteras.

Tabla 8. Impacto de los costos de transacción en el rendimiento de las estrategias

Diseño	Retorno anual bruto (%)	Valor bruto final (R$)	Rotación media mensual	Total de activos intercambiados	Costo total est. (R$)	Ret. anual net. (%)	Valor líquido final (R$)
LightGBM	3,15	105,58	0,5619	118	2,36	1,76	103,10
Cresta	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
Punto de referencia	-0,72	98,74				-0,72	98,74
LASSO	-0,21	99,62	0,4143	87	1,74	-1,21	97,90
Lineal	-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

Fuente: Resultados originales de la investigación

La comparación entre retornos brutos y netos muestra que la incorporación de costos no solo reduce el retorno, sino que puede alterar el orden relativo de las estrategias. Los modelos con un rendimiento bruto superior pueden volverse inferiores después de la deducción de costos, especialmente con alta rotación, lo que indica que la evaluación basada únicamente en retornos brutos puede ser sesgada. El turnover promedio mensual varió entre 0,35 y 0,60. Las estrategias con mayor rotación, como LightGBM y MLP, presentaron un mayor costo acumulado. En contraste, los modelos con menor turnover, como Random Forest, tuvieron una menor erosión de retorno, lo que sugiere que la eficiencia de la estrategia depende de la interacción entre la capacidad predictiva y la intensidad de negociación. La Figura 2 ilustra la relación entre el turnover promedio mensual y el retorno anualizado neto.

Figura 2. Relación entre rotación promedio mensual y retorno anualizado neto de las estrategias

Fuente: Resultados originales de la investigación

La Figura 2 no muestra una relación monotónica clara entre rotación y rendimiento, lo que indica que niveles más altos de rotación no implican necesariamente un peor rendimiento económico. Sin embargo, hay una mayor dispersión de los resultados entre estrategias con mayor rotación, lo que sugiere que la rotación amplifica la variabilidad del rendimiento al aumentar la exposición a costos operativos. Este resultado indica que el impacto económico de la rotación está determinado por la interacción entre los costos operativos y la calidad de la señal predictiva. Las estrategias con mayor capacidad de ordenación relativa pueden compensar los costos de negociación, mientras que los modelos con baja capacidad predictiva tienden a ver deteriorado su rendimiento. La modelización de los costos operativos es central en la evaluación de estrategias de aprendizaje automático, y el uso de proxies simplificadas, aunque útil para la comparación, puede no capturar completamente las fricciones reales del mercado, sobreestimando el rendimiento económico de las estrategias.

Interpretación integrada de los resultados

Los resultados evidenciaron baja capacidad predictiva de los modelos, con R² negativos en el conjunto fuera de la muestra (Tabla 6), indicando que no superaron predicciones basadas en la media histórica de los retornos. Esto es consistente con la elevada volatilidad y baja relación señal-ruido de la variable objetivo (Tabla 5). A pesar de esta limitación, pequeñas diferencias en las estimaciones fueron suficientes para generar variaciones en el desempeño económico de las estrategias (Tabla 7), debido al mecanismo de selección por ranking, donde la ordenación relativa de los activos fue más relevante que la precisión absoluta. Sin embargo, estas variaciones fueron reducidas y no configuraron evidencia robusta de generación consistente de valor, con las estrategias presentando un desempeño neto cercano al benchmark, con ganancias puntuales y dependientes del período. La incorporación de costos operacionales redujo los retornos y, en algunos casos, alteró la ordenación relativa de las estrategias, evidenciando la influencia de la intensidad de negociación. La relación entre turnover y desempeño (Figura 2) no indicó un patrón monotónico claro. La comparación con el benchmark reveló un trade-off entre estrategias activas y pasivas; aunque algunas estrategias superaron al benchmark en ciertos momentos, este presentó menor volatilidad y drawdowns más controlados (Tabla 7 y Figura 1), reflejando el efecto de la diversificación. El análisis temporal indicó ausencia de superioridad persistente entre los modelos, con alternancia frecuente de desempeño, sugiriendo fuerte dependencia del recorte temporal. En conjunto, los modelos evaluados no presentaron capacidad consistente de generación de retorno ajustado al riesgo superior al benchmark.

4. Conclusión

Este trabajo tuvo como objetivo comparar los desempeños predictivo y económico de modelos de aprendizaje automático y métodos estadísticos tradicionales en la estimación de retornos futuros y en la construcción de estrategias de inversión basadas en ranking en el mercado accionario brasileño. Se verificó que todos los modelos evaluados presentaron baja capacidad predictiva en el conjunto de prueba, con coeficientes de determinación negativos, indicando que sus predicciones fueron, en promedio, inferiores a una estrategia ingenua. A pesar de las diferencias marginales en las predicciones, estas generaron variaciones en el desempeño económico de las estrategias, aunque de baja magnitud e inestables a lo largo del tiempo. El modelo LightGBM obtuvo el mejor desempeño económico, pero con ganancias limitadas en relación al benchmark después de la incorporación de costos operacionales. No se observó evidencia consistente de generación de retorno ajustado al riesgo superior al benchmark. La principal contribución del estudio reside en la evaluación sistemática de diferentes familias de modelos de aprendizaje automático en un mercado emergente desafiante, destacando la importancia de la modelización de costos operacionales y la limitada viabilidad práctica de estrategias de generación de alpha en las configuraciones probadas.

Las limitaciones del estudio incluyeron la simplificación en la modelización de costos operativos, que no contempló componentes como el slippage y el impacto de mercado, y la restricción del universo de activos a los 50 más líquidos, lo que limita la generalización de los resultados a activos de menor negociación. Adicionalmente, la ventana de evaluación económica, de 21 meses, implica sensibilidad de los resultados a condiciones específicas de mercado. Para estudios futuros, se sugiere la implementación de validación temporal más robusta, como enfoques walk-forward, el ajuste sistemático de hiperparámetros, la modelización más realista de fricciones de mercado y la exploración de diferentes reglas de construcción de portafolio y rebalanceo, así como la revisión de los criterios de definición del universo invertible.

Referencias 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.

Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy

Más recientes

Economía, Inversiones Y Banca

23 de octubre de 2026

Educação Financeira, Comportamentos e Vieses na Tomada de Decisão Financeira

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

También te puede interesar

Economía, Inversiones Y Banca

23 de octubre de 2026

Educação Financeira, Comportamentos e Vieses na Tomada de Decisão Financeira

A gestão financeira pessoal representa um desafio crescente, influenciada por vieses cognitivos que afetam a tomada de decisão, mesmo em indivíduos com alto conhecimento. O presente estudo analisou a relação entre o nível de educação financeira e a ocorrência de vieses comportamentais na tomada de decisão financeira de adultos residentes no Brasil. Realizou-se um levantamento de campo de natureza aplicada, quantitativa e descritivo-correlacional, por meio da aplicação de um questionário estruturado a 163 respondentes. O instrumento contemplou variáveis sociodemográficas, conhecimento e hábitos financeiros, e situações hipotéticas para identificar vieses cognitivos. Os resultados indicaram que níveis mais elevados de educação financeira associaram-se a melhores práticas de controle financeiro, poupança e investimento, com correlações significativas com renda e escolaridade. Contudo, a presença de vieses comportamentais (ancoragem, aversão à perda, escassez, otimismo/negatividade, viés do presente, status quo, excesso de confiança e contabilidade mental) persistiu mesmo entre indivíduos com maior escolaridade e renda, sem associação estatisticamente significativa com as variáveis sociodemográficas analisadas. Concluiu-se que a educação financeira, embora essencial para a organização e o controle financeiro, não foi suficiente para neutralizar a influência de vieses cognitivos. Sugere-se a incorporação de abordagens comportamentais aos programas de educação financeira.

Palavras-chave: Comportamento financeiro; Economia comportamental; Finanças pessoais; Heurísticas cognitivas; Vieses cognitivos.

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

La inserción de niños con Trastorno del Espectro Autista (TEA) en la Educación Infantil presenta desafíos significativos, dada la dificultad de adaptación a nuevos entornos y la intensidad de estímulos. El objetivo fue analizar la actuación docente en la Educación Infantil en el proceso de escolarización inicial de niños con TEA. Se realizó un estudio de caso, utilizando la entrevista narrativa como técnica de producción de datos. Los resultados revelaron que la actuación docente se caracterizó por prácticas de mediación y afecto, con la flexibilización de la rutina y el uso de recursos lúdicos como estrategias esenciales para el desarrollo y la organización sensorial del niño. También se destacó la importancia del profesional de apoyo escolar para el éxito del trabajo pedagógico. El desarrollo integral del niño fue promovido por medio de acciones docentes intencionales que priorizaron la adaptación ambiental, el fortalecimiento de vínculos y la atención a las necesidades específicas del TEA. Como contribución, se elaboró una guía de estrategias pedagógicas orientada a la acogida de niños con TEA en guarderías públicas.

Palabras clave: Educación Infantil; Inclusión Escolar; Narrativas Docentes; Prácticas Pedagógicas Inclusivas; Trastorno del Espectro Autista.

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

La expansión del comercio electrónico y la transformación tecnológica impulsaron la necesidad de comprender el comportamiento del consumidor de infoproductos, cuya experiencia percibida se ha vuelto crucial para el desarrollo profesional. El estudio tuvo como objetivo analizar los factores que influyeron en la decisión de compra de infoproductos en el entorno digital, considerando las etapas del viaje del consumidor. Se realizó una investigación aplicada, cuantitativa y descriptiva, a través de un estudio de campo con 100 consumidores de la Serra Gaúcha. La recopilación de datos se realizó mediante un cuestionario estructurado, utilizando muestreo no probabilístico. Los resultados revelaron un público cualificado y con un fuerte comportamiento “mobile-first”. Se constató que la disponibilidad de información detallada y la aprobación social fueron los principales desencadenantes de atracción en la fase de precompra. En las etapas transaccionales y posteriores, la minimización de fricciones operativas, la agilidad del acceso inmediato y la seguridad sistémica demostraron ser cruciales para la conversión y la satisfacción, aunque se identificaron lagunas en la eficiencia del soporte humano. La retención se fundamentó en la confianza generada por experiencias anteriores positivas, superando el factor precio. Se concluyó que el viaje del consumidor de infoproductos opera como un sistema integrado, exigiendo alineación entre infraestructura tecnológica, curaduría de contenido y humanización del soporte para asegurar el compromiso.

Palabras clave: Comercio electrónico; Comportamiento del consumidor; Experiencia del consumidor; Fidelización; Negocios virtuales.

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

La salud mental en el entorno laboral es un tema de creciente relevancia, que impacta el desarrollo profesional y el bienestar de los colaboradores. Se realizó un estudio para identificar aspectos y situaciones que pueden influir en los niveles de absentismo en una institución bancaria. La investigación involucró a 108 participantes y utilizó un cuestionario estructurado, basado en la versión corta del COPSOQ II de Gonçalves (2021), que contenía 45 preguntas cerradas en escala Likert y dos preguntas abiertas. Los datos se recopilaron a través de una plataforma en línea y se analizaron con un enfoque descriptivo y cuantitativo. Los resultados revelaron un escenario que indicó la necesidad de ajustes en la distribución de las actividades y en la percepción de los gerentes sobre comportamientos y señales de trastornos. Se identificaron evidencias importantes en las respuestas abiertas de los participantes. Se concluyó que el estudio contribuyó a la promoción de la percepción de un ambiente seguro para la salud mental en la organización.

Palabras clave: Ausencias por trastornos; Desarrollo profesional; Liderazgo operativo; Licencia médica; Salud mental.

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

El estado de Amazonas ha enfrentado desafíos históricos en la consolidación del Sistema Único de Salud (SUS), derivados de barreras geográficas, desigualdades socioeconómicas y limitaciones estructurales. En este estudio se describió el desarrollo e implementación de un geoportal de información en salud, concebido para apoyar el monitoreo, la evaluación y la planificación en el contexto amazónico. Se adoptó un enfoque de estudio de caso descriptivo, basado en análisis documental y datos secundarios, abarcando el mapeo de funcionalidades, la infraestructura técnica y las etapas de validación de la herramienta. El Portal fue desarrollado con tecnologías abiertas e integró múltiples bases de datos nacionales, ofreciendo dashboards interactivos, mapas temáticos y repositorio digital de documentos. Entre los resultados, destacaron la visualización georreferenciada de indicadores clave, la posibilidad de análisis comparativos temporales y la utilización de la plataforma en la revisión de planes de salud y en el redireccionamiento de acciones estratégicas. El portal puede representar un avance en la gobernanza digital y en la gestión basada en evidencia, con potencial de replicabilidad para otros territorios de alta complejidad, siempre que vaya acompañado de inversiones en infraestructura tecnológica, capacitación profesional y articulación interinstitucional.

Palabras clave: Amazonía; Evaluación en Salud; Salud Digital; Sistemas de Información en Salud.

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

El impacto del aprendizaje continuo y la gestión del conocimiento en el crecimiento de las organizaciones fue estudiado en un escenario de globalización y constantes cambios. El objetivo del estudio fue analizar la percepción de los colaboradores sobre la cultura de aprendizaje y su importancia para el desarrollo personal y profesional. Los datos se obtuvieron a través de una encuesta anónima, de enfoque cuantitativo, utilizando un formulario con preguntas tipo “survey” aplicado a 87 profesionales de los sectores de tecnología, salud, educación, comercio y servicios. Los resultados indicaron que los colaboradores tenían una percepción positiva sobre la contribución del aprendizaje continuo al crecimiento personal y organizacional, reconociendo sus beneficios para el desarrollo de nuevas habilidades, la innovación y la competitividad. Sin embargo, se observó que el incentivo al intercambio de conocimiento interno y la oferta de capacitaciones prácticas aún presentaban medias moderadas de acuerdo. Se concluyó que el aprendizaje continuo contribuye significativamente al desarrollo individual y organizacional, sugiriendo que las empresas deben desarrollar políticas estratégicas de aprendizaje dirigido a nuevas habilidades, buscando una mayor ventaja competitiva y la innovación.

Palabras clave: Aprendizaje continuo; Autodesarrollo; Crecimiento organizacional; Gestión del Conocimiento; Innovación.

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

Se propuso un modelo de regresión estadística múltiple para estimar el rendimiento operativo de la microrred CampusGrid de la UNICAMP, basándose en magnitudes eléctricas internas. La microrred integra generación fotovoltaica, baterías y un generador de gas. Se recopilaron datos del sistema de gestión de energía en intervalos de cinco minutos durante un mes. El Índice de Confiabilidad Operacional, definido como la razón entre energía atendida y demandada, se estableció como variable dependiente. El modelo se ajustó al modo de operación aislado, evaluando el impacto de la demanda, el estado de carga, la generación solar y la energía suministrada. Los resultados revelaron un elevado poder explicativo, indicando que la confiabilidad operativa depende de la interacción entre el suministro y la demanda. Se observó que el período nocturno concentró la mayor tasa de atención parcial, atribuida a la reducción de la generación solar. Se concluyó que la regresión múltiple ofrece una estructura interpretable y útil para el monitoreo de microrredes y el apoyo a estrategias de control.

Palabras clave: Almacenamiento en baterías; Generación fotovoltaica; Índice de Confiabilidad; Operación aislada; Sistema de Gestión de Energía.

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

La morosidad agregada en el sistema financiero brasileño es un indicador crucial de riesgo crediticio, cuya previsión está regulada por las Resoluciones CMN n.° 4.557/2017 y 4.966/2021 para la medición prospectiva de pérdidas esperadas. Se modeló y predijo la morosidad agregada mediante el modelo SARIMAX, proyectando su trayectoria hasta diciembre de 2026 bajo escenarios optimista, base y pesimista. Se utilizaron 164 observaciones mensuales (julio/2012 a febrero/2026) y variables macroeconómicas como desempleo, Selic, IPCA, IBC-Br y endeudamiento de las familias. La especificación con variables contemporáneas fue seleccionada con base en criterios de información y estabilidad de los coeficientes, y el diagnóstico de los residuos confirmó adecuación estadística, con MAPE de 3,12%. La morosidad histórica varió entre 4,33% y 7,64%. La estimación identificó el desempleo (β = 0,2534; p < 0,001) y la Selic (β = 0,2128; p < 0,001) como principales determinantes positivos, con fuerte persistencia temporal (AR(1) = 0,8965). La Selic exhibió correlación creciente con la morosidad (r = 0,62 en el rezago 12), mientras que el desempleo demostró efecto contemporáneo (r = 0,33). Las proyecciones indicaron morosidad entre 6,30% y 7,98% en diciembre de 2026, con una amplitud de 1,68 punto porcentual, evidenciando implicaciones directas para el dimensionamiento de provisiones en las instituciones financieras.

Palabras clave: Desempleo; Modelado predictivo; Política monetaria; Provisión de pérdidas; Series temporales.

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

Este estudio describió los factores críticos percibidos para la participación de las partes interesadas en la transferencia internacional de tecnología en un hospital público, con foco en la planificación. El objetivo fue describir estos factores condicionantes, según la percepción de los profesionales. Se realizó un estudio de caso único, aplicando un cuestionario a 25 profesionales y utilizando análisis de contenido, complementado por tabulaciones descriptivas. Los principales obstáculos identificados fueron resistencia al cambio (72%), financiación (64%), falta de comunicación (60%) y burocracia (40%). Solo el 28% de los encuestados reconoció la existencia de herramientas adecuadas para la gestión de stakeholders, mientras que el 48% negó y el 24% no supo informar. Cruzamientos exploratorios indicaron variaciones en la evaluación de influencia según el tiempo de actuación, pero no establecieron relaciones causales. La falta de participación se asoció con retrasos, baja adhesión, desperdicio de recursos, fallas de comunicación, compromiso de la absorción de conocimiento y riesgos para la seguridad del paciente. Las conclusiones se restringieron a las percepciones del grupo investigado y fundamentaron recomendaciones preliminares para la comunicación y coordinación intersectorial.

Palabras clave: Estudio de caso; Gestión de proyectos; Innovación en salud; Partes interesadas; Sector público.

Economia

19 de octubre de 2026

¿Fin de la escala 6×1: qué permiten concluir los números?

Tras la promulgación del fin de la escala 6×1, el debate sobre la jornada menor pasa a la implementación y exige distinguir beneficios sociales de costos económicos El fin de la escala 6×1 pasó de la discusión legislativa a un cambio constitucional en Brasil. El 16 de octubre de 2026, el Congreso Nacional promulgó la enmienda constitucional nº 141/2026, originada de la Propuesta […]

Inteligencia Artificial

16 de octubre de 2026

¿Por qué estudiar si existe la IA?

Cuando las respuestas se vuelven fáciles, aprender pasa a significar más que alcanzarlas. ¿Por qué necesito aprender esto si puedo preguntarle a una inteligencia artificial? Este tipo de pregunta ha acompañado a la educación durante décadas. ¿Por qué aprender una operación si existe una calculadora? ¿Por qué memorizar una información si se puede encontrar […]

Gestión Tributaria

15 de octubre de 2026

Impuesto rosa y el género del precio

Cómo los diferentes tratamientos de marketing para hombres y mujeres son incorporados por la tributación del consumo Imagine un estante en el que dos maquinillas de afeitar de la misma marca y destinadas al mismo propósito están expuestas una al lado de la otra: una tiene un empaque oscuro y promete fuerza, precisión y eficiencia; la otra viene en tonos de rosa o […]

Salud

13 de octubre de 2026

El eslabón perdido de la transformación de la salud

¿Por qué la innovación no es suficiente para generar cambios en las organizaciones y en los sistemas de salud La transformación digital se ha consolidado como una prioridad estratégica para los sistemas de salud en todo el mundo. Historias clínicas electrónicas, inteligencia artificial, telemedicina, monitorización remota y análisis de datos han pasado a formar parte de la agenda estratégica de gobiernos y organizaciones sanitarias. Paradójicamente, […]

Marketing

09 de octubre de 2026

Bitcoin o mascotas: lo que la Inteligencia Artificial no vería

Un caso real de consumer intelligence muestra lo que queda fuera del briefing Hace algunos años, una aseguradora estadounidense contrató a una empresa especializada en consumer intelligence para responder a tres preguntas: La aseguradora también evaluaba lanzar seguros pagados en bitcoin. En ese momento, el proceso de trabajo de la consultoría funcionaba así: el analista creaba una query […]

Gestión Escolar

06 de octubre de 2026

La escuela no es un casino: cuando las figuritas se convierten en moneda en el patio

¿Por qué, para determinados estudiantes, la escuela logra ofrecer tan pocas experiencias de éxito? La Copa del Mundo ha terminado. Brasil ha quedado fuera de la competición, llegaron las vacaciones escolares, se disputó la final y el calendario del fútbol siguió adelante. Sería razonable imaginar que, con el fin del torneo y el regreso a clases, también comenzara […]

Transición Energética

30 de septiembre de 2026

Energías renovables: la ventaja brasileña

Brasil necesita invertir en la capacidad de transformar recursos naturales en innovación, productividad y desarrollo Hablar de energía es hablar de desarrollo. Detrás de la industria, el transporte, los servicios, las ciudades y, cada vez más, la inteligencia artificial, existe una infraestructura energética que sustenta la economía. Comprender la matriz energética de un país es comprender […]

Análisis De Datos

30 de septiembre de 2026

¿Cuando cambian los datos, ha cambiado la realidad?

Análisis de casi 20 millones de vínculos-año docentes entre 2020 y 2025 muestra cómo cambios en la composición de la población y en la producción de los registros pueden alterar la interpretación de series históricas Entre 2020 y 2025, el número de vínculos formales de trabajo docente identificados en la RAIS (Relación Anual de Información Social), del Ministerio de Trabajo, […]

Inteligencia Artificial

28 de septiembre de 2026

Inteligencia artificial y las tendencias

¿Por qué tanta gente se une a los juegos con ChatGPT? Nunca fui una persona de tendencias. Sigo sin serlo. Algunas pasan por mi línea de tiempo, las veo, me parecen interesantes pero no al punto de experimentar. Fue así, inclusive, con algunas ondas recientes de imágenes hechas por inteligencia artificial, como la tendencia de los años 80, aquella que nos […]

Gestión Tributaria

01 de septiembre de 2026

Reforma tributaria y planificación patrimonial en el campo

La eficiencia para gestionar los impuestos facilita la gobernanza y permite organizar la sucesión familiar. La organización patrimonial rural se ha convertido en una medida estratégica ante la reforma tributaria en Brasil, que entró en vigor este año. La planificación de las actividades y de la gestión del patrimonio rural, a través de herramientas como la transición de la Persona Física a […]

Renata de Gaspari Valdejão Almeida

Inteligencia Artificial

05 de agosto de 2026

Dentro de la empresa y fuera del radar: los riesgos de la IA Sombra

Según Microsoft, el 75% de los profesionales ya utilizan inteligencia artificial en el trabajo sin la aprobación de la empresa El uso de la inteligencia artificial generativa ya forma parte de la rutina corporativa. Herramientas como ChatGPT, Copilot y otras plataformas ayudan a los profesionales a producir textos, analizar datos, crear presentaciones y acelerar tareas en prácticamente todos los sectores. Pero este avance […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julio de 2026

El futuro como competencia

El interés académico refuerza la proyección de escenarios como herramienta esencial para la toma de decisiones. Mientras algunas empresas aún intentan acertar el próximo paso, otras ya trabajan con múltiples futuros posibles — y se preparan para todos ellos. Pero, ¿qué significa “pensar el futuro”? ¿Es tendencia, es estrategia o una nueva competencia que […]

Renata de Gaspari Valdejão Almeida

Innovación

Tecnología

21 de mayo de 2026

Corredor Agro SP: innovación, articulación institucional y futuro

Pecege comanda a 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 […]

Educación

27 de abril de 2026

Cómo transformar un TCC en negocio

Nueva gestión del Parque Tecnológico de Piracicaba ofrece consultoría a egresados de MBAs El nuevo director de proyectos del Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, suele decir que una de las mayores recompensas que ha tenido en la vida ha sido ver a sus orientandos del MBA USP/Esalq estructurar empresas a partir de sus trabajos de conclusión de […]

Tecnología

20 de marzo de 2026

El repertorio humano en la era de la IA

El pensamiento crítico y la creatividad son insustituibles en el trabajo del profesional de marketing La Inteligencia Artificial (IA) es capaz de hazañas increíbles, pero aún no posee la capacidad de juicio, empatía, intuición y creatividad estratégica necesarias para hacer el trabajo de un buen profesional de marketing. En esta área, es importante saber usar la herramienta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

23 de febrero de 2026

ESG como estrategia de crecimiento en una cooperativa del RS

Santa Clara equilibra responsabilidad social y ambiental con innovación Fundada en 1911 por inmigrantes italianos en Carlos Barbosa, en la sierra gaúcha, la Cooperativa Santa Clara es un ejemplo de que es posible equilibrar el crecimiento económico con la responsabilidad social y ambiental. De una pequeña empresa de producción de quesos, la organización evolucionó a un […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

22 de enero de 2026

¿Brasil libre de fiebre aftosa: qué cambia para la carne brasileña?

Con un rebaño de más de 200 millones de cabezas de ganado, el país es actualmente el líder en exportaciones Brasil recibió recientemente, por primera vez, la certificación de país libre de fiebre aftosa sin vacunación, otorgada por la Organización Mundial de Sanidad Animal (OMSA). El sello fortalece la posición del país como proveedor de carne confiable para el […]

Renata de Gaspari Valdejão Almeida

Innovación

09 de diciembre de 2025

Innovación: el nuevo ciclo del Parque Tecnológico de Piracicaba

El Instituto Pecege asume la gestión apostando en la creación de nuevos negocios A partir de 2026, el Instituto Pecege asumirá la gestión del Parque Tecnológico de Piracicaba (PTP). Entre sus responsabilidades estarán la administración, operación, mantenimiento y expansión del parque, además del fomento de actividades de innovación, emprendimiento y ciencia y tecnología. La elección fue realizada […]

Renata de Gaspari Valdejão Almeida

06 de julio de 2026

Arquitectura a Gran Escala: Gestión de Cambios DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La arquitectura y el urbanismo se configuran como bases imprescindibles en un espacio urbano cada vez más complejo y desafiante, donde la intrínseca conexión entre cuestiones sociales, ambientales y tecnológicas […]