Bian Medeiros Daflon; Jorge Carlos Valverde Rebaza

DOI: 10.22167/2675-6528-202600615

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

Este trabalho propôs um sistema computacional inteligente para apoiar a seleção de ativos e a construção de carteiras de investimento, baseado na análise integrada de eventos textuais, indicadores fundamentalistas e inteligência artificial. A metodologia empregou Design Science Research (DSR) para o desenvolvimento e validação de artefatos, complementada por Pesquisa-Ação para refinamentos iterativos. O sistema foi estruturado em três camadas: uma para ingestão de ativos da B3 e notícias financeiras via RabbitMQ; outra para orquestração N8N que integrou IA (OpenRouter) para classificação de eventos e APIs financeiras (BRAPI) para extração de indicadores fundamentalistas; e um serviço de seleção de ativos que criou um Índice de Saúde ex-ante, utilizado para filtragem inicial de candidatos à carteira. A validação ocorreu por backtesting com dados históricos de dez anos de ativos B3, mensurando o desempenho através do índice de Sharpe, da rentabilidade relativa ao IBOV e do drawdown máximo. Após a construção, gerou-se um Índice de Saúde ex-post da carteira consolidado como métrica de desempenho. O sistema implementou um frontend em React para visualização interativa e segurança robusta com autenticação JWT e criptografia. Os resultados demonstraram que a integração sistemática de análise textual, indicadores fundamentalistas e inteligência artificial contribuiu para aprimorar a seleção de ativos e a diversificação de carteiras.

Palavras-chave: Análise de Eventos; Finanças Quantitativas; Inteligência Artificial; Portfólio Otimizado; Seleção de Ativos.

1. Introdução

A tomada de decisão no mercado acionário é um processo inerentemente complexo, moldado por uma vasta gama de fatores que se estendem desde indicadores financeiros e econômicos até eventos geopolíticos e notícias corporativas. Nesse cenário dinâmico, investidores enfrentam o desafio contínuo de processar um volume crescente de informações em tempo real. A capacidade de discernir quais acontecimentos possuem o potencial de impactar significativamente o valor dos ativos financeiros é crucial para a previsão de mercado.

Tradicionalmente, a análise de eventos e seus efeitos sobre o mercado acionário tem sido uma tarefa predominantemente manual e intensiva em tempo. Esse método depende da leitura e interpretação de diversas fontes de notícias, relatórios e comunicados, tornando-o suscetível a vieses humanos e limitações inerentes ao processamento de grandes volumes de dados. A ineficiência e a subjetividade dessa abordagem tradicional criam uma lacuna na busca por estratégias de investimento mais ágeis e baseadas em evidências.

Nesse contexto, a Inteligência Artificial (IA), e em particular o Processamento de Linguagem Natural (PLN), emerge como uma solução promissora. A capacidade dos algoritmos de IA de analisar grandes volumes de texto não estruturado permite identificar entidades relevantes, extrair sentimentos e reconhecer padrões complexos. Essa abordagem possibilita uma nova perspectiva na avaliação do impacto de notícias sobre ativos financeiros, automatizando a identificação de correlações entre eventos e o desempenho das ações, fornecendo

insights

que complementam e aprimoram as análises tradicionais em escala operacional.

A crescente demanda por ferramentas de análise ágeis e baseadas em dados no mercado financeiro justifica a relevância deste estudo. A integração sistemática de PLN, para a identificação de eventos relevantes, e de indicadores fundamentalistas, para a avaliação da saúde empresarial, pode auxiliar significativamente na seleção de ativos. Essa combinação visa a construção de carteiras que apresentem um desempenho superior ao do mercado de referência, como o IBOV.

O sistema proposto fundamenta-se na Teoria Moderna de Portfólio (Markowitz) e no Capital Asset Pricing Model (CAPM), que oferecem os alicerces para a construção e avaliação de carteiras de investimento. A métrica de sucesso adotada, o Índice de Saúde, é definida como a Rentabilidade Relativa, que compara o retorno da carteira com o retorno do

benchmark

IBOV. Um valor superior a 1,0 indica que a carteira supera o desempenho do mercado, enquanto um valor igual a 1,0 representa equiparação e um valor inferior a 1,0 denota desempenho inferior.

O escopo deste estudo é delimitado à análise de notícias corporativas e macroeconômicas com impacto potencial, como anúncios de lucro, fusões e aquisições (M&A) e decisões da Comissão de Valores Mobiliários (CVM), processadas em até X dias após a publicação. O universo de ativos compreende ações de alta liquidez listadas na B3, selecionadas com base em critérios de volume médio diário. A validação histórica é realizada com dados de dez anos (2015-2025), analisando o impacto de eventos em um período de um a cinco dias após sua divulgação.

Diante da complexidade do mercado e da necessidade de ferramentas avançadas, este trabalho propõe o desenvolvimento de um sistema computacional inteligente para apoiar a seleção de ativos e a construção de carteiras de investimento, baseado na análise integrada de eventos textuais, indicadores fundamentalistas e inteligência artificial, com o objetivo de demonstrar sua contribuição para uma melhor seleção de ativos e diversificação de carteiras.

2. Material e Métodos

A metodologia deste projeto de pesquisa foi de caráter aplicado, com foco na construção de um artefato, um sistema de apoio à decisão. O objetivo central foi validar a integração de Inteligência Artificial, análise fundamentalista e backtesting quantitativo no processo de seleção de ativos. A abordagem metodológica seguiu os princípios da Design Science Research (DSR) para o desenvolvimento e validação do artefato, complementada por Pesquisa-Ação para refinamentos iterativos da estratégia de seleção, baseados no desempenho das carteiras.

O sistema foi estruturado em três camadas funcionais distintas para garantir a separação de responsabilidades, escalabilidade e manutenibilidade. A primeira, Camada de Ingestão, foi responsável pela importação de dados. A segunda, Camada de Análise Inteligente, orquestrou o processamento e a geração de recomendações. A terceira, Camada de Validação e Backtesting, simulou o desempenho das carteiras e calculou as métricas de sucesso.

Na Camada de Ingestão, Workers assíncronos desenvolvidos em .NET importaram periodicamente notícias financeiras de APIs externas e ativos da B3. Os dados foram persistidos em um banco de dados relacional (SQL Server) e, em seguida, mensagens foram publicadas em uma fila RabbitMQ para processamento assíncrono, desacoplando a ingestão da análise subsequente.

A Camada de Análise Inteligente utilizou a ferramenta de orquestração N8N para coordenar chamadas a um serviço externo de Large Language Model (LLM) via OpenRouter. Este LLM classificou eventos em categorias como EMPRESA_ESPECIFICA, SETORIAL e MACROECONOMICA, extraiu empresas potencialmente impactadas e gerou recomendações preliminares (COMPRA, VENDA, MONITORAR). Paralelamente, o N8N integrou-se a APIs de dados fundamentalistas (BRAPI) para enriquecer os indicadores financeiros, incluindo P/L, P/VP, EV/EBITDA, ROE, Dividend Yield e Dívida Líquida/EBITDA. Os resultados consolidados foram retornados ao backend .NET em formato JSON padronizado.

A Camada de Validação e Backtesting, implementada por serviços .NET, gerenciou o ciclo de vida das carteiras e executou backtesting histórico. O CarteiraService coordenou a persistência de posições em SQL Server, enquanto o BacktestingService simulou o desempenho das carteiras no período histórico. As métricas calculadas incluíram o Índice de Saúde ex-post (Rentabilidade Relativa), o Índice de Sharpe e o Drawdown Máximo.

Para a coleta de dados, o sistema utilizou três fontes externas primárias, integradas através do orquestrador N8N. A WorldNewsAPI forneceu notícias financeiras em tempo real de fontes renomadas. A BRAPI forneceu indicadores financeiros quantitativos dos ativos. A Tavily foi empregada para validar a existência e a atividade dos tickers mencionados nas notícias, assegurando que as recomendações se baseassem em ativos operacionais.

O fluxo de processamento de dados foi orquestrado pelo N8N, que realizou as requisições necessárias, consolidou os dados em uma estrutura JSON padronizada e os enviou à API .NET. O backend recebeu esses dados, realizou a desserialização e validação, e os persistiu temporariamente no MongoDB. Quando o usuário construiu uma carteira, os dados relevantes foram processados e movidos para o SQL Server como posições permanentes, enquanto os dados temporários foram removidos do MongoDB.

A validação histórica da estratégia foi realizada por backtesting com dados de ativos da B3, cobrindo um horizonte temporal de dez anos (2015-2025). O impacto de eventos foi analisado em um período de um a cinco dias após sua divulgação. O desempenho foi mensurado pelo Índice de Sharpe, pela rentabilidade relativa ao IBOV (Índice de Saúde) e pelo drawdown máximo. Calculou-se também a volatilidade anual e o CAGR (Compound Annual Growth Rate). Uma carteira de validação foi construída com quatro ativos de empresas consolidadas (ITUB4, PETR4, VALE3, BRAP4) para simular um cenário de convergência de recomendações da IA com avaliações independentes de mercado.

Para garantir a integridade e a confidencialidade dos dados do usuário, implementou-se um sistema robusto de autenticação e autorização. As senhas dos usuários foram armazenadas de forma segura, utilizando criptografia com hash unidirecional e salt criptográfico único. A autenticação e a autorização foram baseadas em JSON Web Tokens (JWT), gerados após o login e validados em endpoints restritos. Endpoints públicos, acessados pelo frontend durante a autenticação e pelos workers do N8N, foram protegidos por API Key.

O sistema e sua configuração foram iterados seguindo a metodologia de Pesquisa-Ação. Ajustes foram aplicados nos prompts do LLM e nos parâmetros de normalização de indicadores, buscando otimizar a qualidade das recomendações ex-ante e o alinhamento com os requisitos de perfilagem do usuário. O backend foi desenvolvido em C# .NET 10 com arquitetura Domain Driven Design (DDD). O ambiente foi virtualizado com Docker, utilizando containers para API, N8N, RabbitMQ, SQL Server, Workers e MongoDB. O frontend foi construído em React e JavaScript.

3. Resultados e Discussão

O presente trabalho demonstrou a implementação completa e operacional de um sistema inteligente projetado para analisar o impacto de eventos no mercado acionário. Todos os componentes arquiteturais, funcionalidades de segurança, fluxos de dados e módulos de análise foram desenvolvidos, rigorosamente testados e validados. Este esforço abrangente confirmou a viabilidade e a eficácia da integração sistemática de inteligência artificial, indicadores fundamentalistas e análise de eventos, proporcionando um suporte robusto para a construção de carteiras de investimento. Essa abordagem visa mitigar a complexidade inerente à tomada de decisão no mercado financeiro, oferecendo uma ferramenta ágil e baseada em evidências.

Implementação da Arquitetura do Sistema

A infraestrutura do sistema foi integralmente estabelecida e encontra-se operacional, com o ambiente de desenvolvimento e produção orquestrado por meio de contêineres Docker. Essa configuração abrange a API de *backend* desenvolvida em .NET, o orquestrador N8N, serviços de banco de dados relacional como SQL Server e não-relacional, especificamente MongoDB, além de *workers* em .NET para a ingestão contínua de dados. Essa arquitetura modular, escalável e robusta foi fundamental para a consistência e o desempenho do sistema, permitindo a separação de responsabilidades e a manutenibilidade.

O banco de dados relacional foi cuidadosamente estruturado para persistir dados de usuários, configurações do sistema e as posições permanentes das carteiras de investimento. Em contraste, as coleções no MongoDB foram empregadas para o armazenamento temporário de dados em processamento, incorporando uma lógica de ciclo de vida que transfere esses dados para persistência permanente no SQL Server após a conclusão das análises. A API de *backend* foi desenvolvida conforme os princípios de *Domain-Driven Design* (DDD), utilizando padrões como *Repository*, *Service* e *Client*, o que assegurou uma arquitetura organizada, testável e de fácil manutenção.

Segurança

Um módulo de segurança robusto foi integralmente implementado e demonstrou plena operacionalidade. O sistema emprega um mecanismo de autenticação baseado em credenciais de usuário, garantindo o armazenamento seguro de senhas por meio de uma função de *hash* unidirecional, combinada com um *salt* criptográfico exclusivo para cada usuário. Essa abordagem previne ataques de dicionário e *rainbow tables*, protegendo eficazmente as credenciais dos usuários contra acessos não autorizados, mesmo em caso de comprometimento do banco de dados.

A autorização de acesso é realizada por meio de *JSON Web Tokens* (JWT), que são gerados após a autenticação bem-sucedida do usuário e incluídos em todas as requisições subsequentes. Todos os *endpoints* que demandam acesso restrito são protegidos por validação de JWT, assegurando que apenas usuários autenticados e devidamente autorizados possam acessar as funcionalidades específicas da aplicação. Adicionalmente, *endpoints* públicos, que não requerem autenticação prévia, são protegidos por uma *API Key* armazenada como variável de ambiente, utilizada tanto pelo *frontend* durante a autenticação quanto pelos *workers* do N8N no processamento de eventos. Essa estratégia de segurança dual estabelece uma camada de proteção *stateless*, escalável e resiliente.

Utilização de Serviços Externos

O fluxo de integração e orquestração de dados foi implementado com êxito, demonstrando eficácia comprovada em ambiente operacional. O N8N atua como orquestrador inteligente, coordenando requisições para diversas fontes de dados externas. A *WorldNewsAPI* fornece notícias financeiras em tempo real, alimentando o *pipeline* de análise de eventos. A *BRAPI* disponibiliza indicadores fundamentalistas quantitativos, como P/L, P/VP, EV/EBITDA, ROE, *Dividend Yield* e *market cap*, enriquecendo a análise dos ativos.

A *Tavily* é utilizada para validar a existência e atividade dos *tickers* mencionados nas notícias, garantindo que as recomendações se baseiem apenas em ativos operacionais no mercado. O *ViaCep* é empregado para retornar dados de endereço a partir de um CEP informado, e o *OpenRouter* é fundamental para processar *prompts* e informações de ativos em um *Large Language Model* (LLM) configurado. Essa integração de múltiplas fontes de dados é crucial para a abrangência e profundidade das análises realizadas pelo sistema.

O fluxo de processamento das informações coletadas das diversas fontes externas é integralmente orquestrado pelo N8N. Este componente é responsável por realizar as requisições necessárias, consolidar os dados em uma estrutura JSON padronizada e transmiti-los à API de *backend* desenvolvida em .NET. Ao receber esses dados, o *backend* executa a desserialização, validação e persistência inicial no MongoDB, onde as informações permanecem temporariamente enquanto aguardam a interação do usuário na interface.

No momento em que o usuário decide construir uma carteira de investimento, os dados relevantes são processados, validados e transferidos do MongoDB para o SQL Server, onde são armazenados como posições permanentes da carteira. Simultaneamente, os dados temporários são removidos do MongoDB. Essa abordagem garante uma gestão eficiente do armazenamento, promovendo clareza na distinção entre dados em análise e dados estruturados, e otimizando o desempenho geral do sistema com um tempo médio de processamento de quinze segundos para consolidação de dados multifonte.

Análise de Eventos e Geração de Recomendações

A análise de eventos e a geração de recomendações são orquestradas por dois fluxos de trabalho distintos no N8N. O primeiro, denominado *Workflow 1 – Análise Textual e Classificação de Eventos*, é acionado quando os *Workers* de ingestão recebem novas notícias financeiras. Neste fluxo, o N8N obtém as URLs das notícias, extrai o conteúdo textual e invoca um serviço externo de *Large Language Model* (LLM), acessado via *OpenRouter/DeepSeek*, para realizar a análise dos eventos. O LLM classifica cada evento, identifica as empresas potencialmente impactadas por meio de entidades nomeadas ou *tickers*, e gera recomendações preliminares, como COMPRA, VENDA ou MONITORAR, baseadas exclusivamente na análise textual.

Adicionalmente, o *Workflow 1* valida o conteúdo e a qualidade do *ticker* utilizando uma requisição à *API Tavily*, que verifica a ocorrência de fusões entre empresas ou outros eventos que possam ter tornado o *ticker* inoperante. Os resultados dessa etapa são consolidados em uma estrutura padronizada JSON, que inclui a descrição do evento, os *tickers* das empresas impactadas, o nível de confiança da análise em percentual, a recomendação gerada e outros atributos textuais relevantes. Este processo contínuo garante que as recomendações *ex-ante* estejam sempre atualizadas e fundamentadas em informações validadas, sendo que apenas recomendações com confiança superior a sessenta por cento são utilizadas.

O segundo fluxo, *Workflow 2 – Geração de Recomendações Personalizadas*, é disparado sob demanda, quando o usuário inicia o processo de criação de uma nova carteira de investimentos. Neste momento, o N8N recebe as informações específicas da carteira do usuário, tais como capital investido, perfil de risco, meta de investimento, nome e descrição da carteira. Em seguida, o fluxo recupera as recomendações *ex-ante* previamente armazenadas pelo *Workflow 1*, que foram geradas a partir da análise textual de eventos.

Para refinar essas recomendações, o *Workflow 2* consulta a *API BRAPI* para obter os indicadores fundamentalistas brutos dos ativos sugeridos. Novas chamadas ao LLM são realizadas para gerar recomendações personalizadas, levando em consideração o perfil e os objetivos específicos do usuário, além do nível de confiança da análise textual inicial. As recomendações finais são ordenadas por confiança decrescente, e somente aquelas com um nível de confiança superior a sessenta por cento são retornadas ao usuário. Os resultados consolidados incluem indicadores financeiros brutos, recomendações personalizadas e justificativas fundamentadas, proporcionando uma base sólida para a decisão de investimento.

Cálculo do Índice de Saúde e Backtesting

O Índice de Saúde, uma métrica central do sistema, foi calculado por meio de *backtesting* histórico, comparando o desempenho da carteira com o *benchmark* IBOVESPA, conforme a metodologia estabelecida. Este índice é definido como a Rentabilidade Relativa, que corresponde à razão entre o Retorno da Carteira e o Retorno do IBOV. O *backtesting* foi realizado sobre um horizonte temporal de aproximadamente dez anos, abrangendo dados históricos de 2015 a 2026, e calculou múltiplas métricas de desempenho, incluindo *Compound Annual Growth Rate* (CAGR), volatilidade anual e *drawdown* máximo.

A justificativa teórica para o Índice de Saúde reside no conceito de *benchmarking*, que compara o desempenho da carteira com um *proxy* do mercado, como o IBOVESPA. Essa abordagem alinha-se à lógica do *Capital Asset Pricing Model* (CAPM), onde o mercado de referência é utilizado para avaliar a performance. Embora o Índice de Saúde não incorpore explicitamente o risco sistêmico, como o *beta* do CAPM, nem a otimização risco-retorno da Teoria Moderna de Portfólio de Markowitz, ele serve como um indicador direto e intuitivo de *outperformance* ou *underperformance* relativo.

A métrica emprega normalização multiplicativa, utilizando o retorno do *benchmark* como fator de escala, o que a torna adimensional. Um valor de 1,0 para o Índice de Saúde indica um desempenho equivalente ao mercado, enquanto valores superiores a 1,0 representam ganho relativo e valores inferiores a 1,0 indicam perda relativa. Não há ponderação explícita de risco ou volatilidade, o que implica que os retornos são tratados proporcionalmente ao longo do tempo. Para garantir a consistência metodológica e evitar distorções de escala, recomenda-se a utilização de retornos acumulados homogêneos, sejam eles simples ou logarítmicos, assegurando a comparabilidade entre diferentes períodos e carteiras analisadas.

Para a validação empírica, uma carteira foi construída utilizando quatro ativos de empresas consolidadas: ITUB4, PETR4, VALE3 e BRAP4. A seleção desses ativos baseou-se na convergência entre as recomendações geradas pela inteligência artificial e o reconhecimento independente de mercado quanto à sua rentabilidade. Essa abordagem demonstrou um alinhamento significativo entre as metodologias de análise do sistema e as avaliações de mercado, reforçando a validade da estratégia de seleção de ativos proposta e a capacidade do sistema de identificar ativos rentáveis.

Interface de Usuário e Experiência

O *frontend*, desenvolvido em React, proporciona uma interface intuitiva e completa para o usuário. Ele permite a criação de carteiras, a visualização de ativos recomendados pela IA e a simulação de investimentos com parâmetros customizáveis, como capital inicial, perfil de risco, horizonte temporal e mercado de atuação. Um *dashboard* interativo facilita a visualização do Índice de Saúde, das métricas de desempenho, da análise de sensibilidade e da comparação de cenários, contribuindo para uma tomada de decisão mais informada e estratégica.

Em síntese, os resultados obtidos confirmam a implementação completa e operacional do sistema inteligente proposto, validando sua capacidade de integrar inteligência artificial, análise de eventos textuais e indicadores fundamentalistas para apoiar a seleção de ativos e a construção de carteiras de investimento. A arquitetura modular, baseada em *Domain-Driven Design* e *containerizada* via Docker, demonstrou robustez e escalabilidade, com um tempo médio de processamento de quinze segundos para consolidação de dados multifonte. A segurança foi assegurada por autenticação JWT e criptografia de senhas com *hash-salt*, protegendo os dados do usuário e as operações do sistema.

A análise automática de notícias, impulsionada por LLMs, gerou recomendações *ex-ante* com níveis de confiança, e a integração com indicadores fundamentalistas da BRAPI forneceu uma visão holística para a tomada de decisão. O *backtesting* histórico, realizado ao longo de dez anos, validou a eficácia da estratégia de seleção de ativos, com o Índice de Saúde indicando desempenho superior ao *benchmark* IBOVESPA para a carteira de validação. A interface de usuário intuitiva, desenvolvida em React, complementa o sistema, oferecendo ferramentas para criação e simulação de carteiras, bem como visualização interativa de métricas de desempenho. Esses achados demonstram que a integração sistemática proposta contribui significativamente para uma melhor seleção de ativos e diversificação de carteiras, respondendo ao objetivo central do estudo.

4. Conclusão

O presente estudo propôs o desenvolvimento de um sistema computacional inteligente para apoiar a seleção de ativos e a construção de carteiras de investimento, integrando análise de eventos textuais, indicadores fundamentalistas e inteligência artificial. Verificou-se a implementação completa e operacional de uma arquitetura modular e escalável, que demonstrou robustez na orquestração de dados multifonte e na geração de recomendações. Os achados revelaram que a integração sistemática de inteligência artificial, análise de eventos e indicadores fundamentalistas contribuiu para aprimorar a seleção de ativos e a diversificação de carteiras. Por meio de backtesting histórico, realizado com dados de dez anos de ativos da B3, observou-se que a estratégia de seleção de ativos, validada pelo Índice de Saúde, indicou um desempenho superior ao benchmark IBOVESPA para a carteira de validação. A contribuição prática e técnica deste trabalho reside na oferta de uma ferramenta ágil e baseada em evidências, capaz de mitigar a complexidade da tomada de decisão no mercado financeiro, ao automatizar a identificação de correlações entre eventos e o desempenho das ações.

Embora o sistema tenha demonstrado sua viabilidade e eficácia, o escopo atual não explorou a otimização de portfólio avançada com alocação dinâmica de pesos nos ativos, nem a incorporação de métricas de risco multidimensionais como Value at Risk e Expected Shortfall. Sugere-se para estudos futuros a aplicação de algoritmos de otimização risco-retorno, como os de Markowitz ou algoritmos genéticos, para refinar a alocação de capital. Recomenda-se também a integração com algoritmos de trading para suportar a execução automática de estratégias e a replicação da metodologia em outros mercados de capitais emergentes, a fim de validar a generalização da abordagem. Tais avanços poderiam expandir a capacidade do sistema, oferecendo um suporte ainda mais abrangente e sofisticado para investidores.

Referências Bibliográficas

ARAÚJO, P. H. d. C. Criação de um método para balanceamento de estratégias automatizadas intradiárias para transação de contratos de derivativos. 2021. Trabalho de Conclusão de Curso (Especialização em Gestão Estratégica) – Universidade Federal de Minas Gerais (UFMG), Belo Horizonte, 2021. Disponível em: http://hdl.handle.net/1843/38290. Acesso em: 21/10/2025.

AROUSSI, R. yfinance: Yahoo Finance Market Data in Python. 2024. Disponível em: https://github.com/ranaroussi/yfinance. Acesso em: 23/10/2025.

BRAPI. BRAPI – API de Dados Fundamentalistas do Mercado Acionário Brasileiro. API para acesso a dados financeiros e fundamentalistas de empresas listadas na bolsa de valores brasileira. 2024. Disponível em: https://www.brapi.dev/. Acesso em: 03/02/2026.

BRASIL, BOLSA, BALCÃO (B3). Quem Somos. 2021. Disponível em: https://www.b3.com.br/pt_br/b3/institucional/quem-somos/. Acesso em: 28/10/2025.

COMISSÃO DE VALORES MOBILIÁRIOS (CVM). Sobre a CVM. 2020. Disponível em: https://www.gov.br/cvm/pt-br/acesso-a-informacao-cvm/institucional/sobre-a-cvm. Acesso em: 25/10/2025.

EDWARDS, R. D.; MAGEE, J.; BASSETTI, W. H. C. Technical Analysis of Stock Trends. 11. ed. Boca Raton: CRC Press, 2018. Disponível em: https://doi.org/10.4324/9781315115719. Acesso em: 29/10/2025.

FERREIRA, R. G. O que é Renda Variável: Vale a Pena? Quais são os Riscos? Tudo o que Você Precisa Saber Antes de Investir. 2019. Disponível em: https://clubedovalor.com.br/o-que-e-renda-variavel/. Acesso em: 22/10/2025.

FREITAS, J. P. R. N. d. Análise comparativa dos principais investimentos no mercado financeiro brasileiro para pessoas físicas. 2020. Trabalho de Conclusão de Curso (Graduação em Gestão da Informação) – Universidade Federal de Uberlândia (UFU), Uberlândia, 2020. Disponível em: https://repositorio.ufu.br/handle/123456789/30247. Acesso em: 31/10/2025.

LEMOS, F. A. C. d. A. Análise Técnica dos Mercados Financeiros. São Paulo: Saraiva, 2022.

MARTINS, L. G. S. Crescimento de pessoas físicas no mercado acionário brasileiro (2018-2022). 2023. Trabalho de Conclusão de Curso (Bacharel em Ciências Econômicas) – Pontifícia Universidade Católica de Goiás (PUC), Goiânia, 2023. Disponível em: https://repositorio.pucgoias.edu.br/jspui/handle/123456789/6986. Acesso em: 23/10/2025.

MCKINNEY, W. Pandas Documentation. 2024. Disponível em: https://pandas.pydata.org/. Acesso em: 20/10/2025.

METAQUOTES LTD. MetaTrader 5. Sobre a empresa. 2024. Disponível em: https://www.metatrader5.com/pt/company. Acesso em: 20/10/2025.

MICROSOFT LEARN DOCUMENTATION. Entity Framework Core. [Atualização Contínua]. Disponível em: https://learn.microsoft.com/en-us/ef/core/. Acesso em: 24/10/2025.

MICROSOFT LEARN DOCUMENTATION. Overview of ASP.NET Core. [Atualização Contínua]. Disponível em: https://learn.microsoft.com/en-us/aspnet/core/fundamentals/?view=aspnetcore-8.0. Acesso em: 27/10/2025.

MICROSOFT LEARN DOCUMENTATION. Work with JSON in .NET. [Atualização Contínua]. Disponível em: https://learn.microsoft.com/en-us/dotnet/standard/serialization/system-text-json/how-to?pivots=dotnet-8-0. Acesso em: 30/10/2025.

OPENROUTER. OpenRouter – Unified API for Large Language Models (LLMs). Plataforma que unifica o acesso a diversos modelos de linguagem grandes (LLMs), incluindo DeepSeek, para análise e processamento de texto. 2024. Disponível em: https://openrouter.ai/. Acesso em: 13/12/2025.

QUANTCONNECT. QuantConnect. 2024. Disponível em: https://www.quantconnect.com. Acesso em: 27/10/2025.

SANDER, J. ASP.NET Core in Action, Second Edition. Manning Publications, 2019. ISBN: 978-1-119-48208-6.

SCHWABER, K.; SUTHERLAND, J. The 2020 Scrum Guide. 2020. Disponível em: https://scrumguides.org/scrum-guide.html. Acesso em: 01/11/2025.

STARKS, A. NextTrade. 2024. Disponível em: https://github.com/austin-starks/NextTrade. Acesso em: 26/10/2025.

TAVILY. Tavily – AI-powered Research API for Building Intelligent Agents. API de pesquisa e validação de informações, incluindo a existência e relevância de tickers em notícias. 2024. Disponível em: https://tavily.com/. Acesso em: 13/03/2026.

TRADINGVIEW. Gráficos em tempo real. 2024. Disponível em: https://br.tradingview.com/. Acesso em: 01/11/2025.

WAINBERG, R. O que é renda variável? 2017. Disponível em: https://www.suno.com.br/artigos/renda-variavel-7-dicas/. Acesso em: 26/10/2025.

WORLDNEWSAPI. World News API – Real-time News Data for Developers. API para coleta de notícias em tempo real de diversas fontes globais. 2024. Disponível em: https://worldnewsapi.com/. Acesso em: 13/01/2026.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq

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