Una comparación entre estrategias de inversión utilizando redes neuronales, métodos estadísticos y momentum

doi:10.22167/2675-6528-2023116E

Artículo

09 de febrero de 2024

Una comparación entre estrategias de inversión utilizando redes neuronales, métodos estadísticos y momentum

_{DOI: 10.22167/2675-6528-2023116}
^{E&S 2024, 5: e2023116}

Helcio Haruo Sasaki; Murilo Henrique Tank Fortunato

La inteligencia artificial (IA) nació a mediados del siglo XX y provocó dos “olas” en el mercado. La primera comenzó en 1950, con Alan Turing^[1]como principal exponente, prevaleciendo hasta mediados de 1980, en medio de los avances de la ciencia de la computación. Uno de los íconos de esta generación fue el desarrollo del juego de ajedrez para computadoras. Una segunda ola surgió entre las décadas de 1990 y 2000, cuando hubo una inversión en la regla de programación clásica. Hasta entonces era necesario programar explícitamente todas las posibilidades para obtener las respuestas. Ya en el “machine learning”, el objetivo pasa a ser entrenar a la máquina para el aprendizaje, de forma que ella descubra la regla, conforme se ilustra en la Figura 1.

Figura 1. Representación del modelo de “machine learning” antes y después

Fuente: Elaborado por los autores.

Actualmente ya existen diversas aplicaciones prácticas para productos que utilizan el “machine learning”, como los asistentes personales, las herramientas de marketing asertivo de las redes sociales, los modelos de predicción de diagnóstico mejorados y, más recientemente, los coches con dirección autónoma (con destaque para el de la empresa Tesla), el AlphaGo (IA de DeepMind que derrota humanos en el juego Go) y el ChatGPT (IA capaz de crear contenido), de OpenAI^[2].

Últimamente el mercado financiero ha comenzado a incorporar estas herramientas, que tienen un enorme potencial para el descubrimiento de nuevas aplicaciones, como el uso de “machine learning” para estimar el precio del café a través de la red “convolutional neural network”^[3]. El objetivo de este trabajo fue implementar técnicas de “machine learning” para generar alfa en las inversiones, es decir, realizar una gestión activa obteniendo retornos por encima del “benchmark”. Es importante mencionar que, en términos de precisión, mientras la máquina logra niveles elevados de acierto en un modelo de clasificación de imágenes, en el mercado financiero el nivel de predicciones correctas es más modesto. Robert Mercer, uno de los fundadores de la gigante de la gestión de inversiones Renaissance Technologies, dijo una vez: “estamos seguros el 50,75% de las veces, pero estamos 100% seguros en el 50,75% de las veces”^[4].

Se estructuró una cartera cuyos recursos se distribuyeron equitativamente en cuatro posibles inversiones. La actualización fue mensual y sintetizó un historial de 20 años. No se consideraron costos de corretaje, costos de ejecución, impuesto a la renta ni la posibilidad de posición vendida en el activo (apuesta por el retorno negativo de los activos), ya que no es de fácil implementación para inversores personas físicas.

a) Dólar

El precio de referencia del real frente al dólar se midió por la cotización media de tres fondos existentes (Santander Fundo Cambial, Itaú Fundo Cambial y Bradesco Fundo Cambial). Utilizar solo la variación cambiaria no refleja correctamente la rentabilidad, ya que existe una remuneración sobre el efectivo en dólares.

b) Acciones del Ibovespa

Índice con las principales empresas negociadas en la Bolsa de valores, como: Petrobras, Vale, Itaú, Bradesco, Santander, Banco do Brasil, B3, WEG y Ambev.

c) Inversión con intereses preestablecidos a dos años

Tasa media interpolada para el plazo de dos años, basada en los vértices de depósitos interbancarios negociados diariamente en la Bolsa de Valores (B3). La elección de un plazo genérico evitó la necesidad de considerar el efecto de decaimiento del plazo del papel. En este análisis se consideró el retorno de inversión basado en el valor financiero (PU):

en que: PU_i es el valor presente de los 100 mil invertidos; i representa la fecha de referencia; du_i representa los días hábiles entre i y el plazo genérico de vencimiento; y taxa_i representa la tasa preestablecida negociada en el día i.

d) Inversión con intereses preestablecidos a cinco años

Tasa promedio interpolada a cinco años, basada en los vértices de depósitos interbancarios negociados diariamente en la Bolsa de Valores. También se consideró el rendimiento basado en el valor financiero (PU).

Los lenguajes de programación —como R, Java Script y, principalmente, Python— poseen diversos paquetes de redes neuronales, como Keras y TensorFlow. Según Chollet^[5], estas herramientas tienen la ventaja de ser como bloques de construcción, donde es posible encajar capas de funciones de “deep learning” y utilizar el “pipeline” para ordenar el flujo de información dentro de la estructura. Sin embargo, para ganar sensibilidad del racional y de los resultados, se creó una red neuronal desde cero, detallada en la Figura 2^[6]:

Figura 2. Diagrama de la red neuronal propuesta

Fuente: Elaborado por los autores.

En este ejemplo existen cinco datos de entrada, una capa oculta (o capa intermedia) y una capa de salida (o capa de “output”) que contiene el resultado estimado. La referencia sobrescrita entre corchetes ([j]) representa la capa de cada neurona; en este caso, varía solo entre 1 (capa “hidden layer”) y 2 (capa “output layer”). La referencia subscrita “i” representa la neurona contenida en una determinada capa. En este caso la capa oculta cuenta con cuatro neuronas, y la capa de salida contiene solo una neurona.

La neurona Z_i^[j] puede ser descrita genéricamente como el resultado del “input” ponderado por el peso w^{^–}(“weight”) sumado al sesgo b^[j] (“bias”):

En cada una de las capas, hay una función de activación cuyo objetivo es “activar” o “desactivar” la neurona. Este paso es importante para reducir el riesgo de no convergencia del error, como se describe en Murray, Abrol y Tanner^[7] y Ovalle^[8], lo que haría que el modelo fuera incapaz de encontrar una solución.

En la capa oculta se utilizó la función de activación tangente hiperbólica tanh, utilizando w^[1] para ponderar los datos de entrada sumado el sesgo b^[1]. De esta forma, la neurona de la capa intermedia intenta estimar el retorno del activo entre alza (+1) o caída (-1):

En la capa de salida a_i^[2] se utilizó la función de activación sigmoide σ. De este modo, la capa de salida pondera el resultado de la capa anterior a_i^[1] por el peso w^[2] y añade el sesgo b^[2], definiendo así si era interesante (+1) o no (0) invertir en el activo:

Para el cálculo del error, se utilizó la ecuación “binary cross entropy”^[9]:

en que: error total representa la sumatoria de la diferencia entre el valor estimado y el valor realizado; m representa el tamaño de la muestra; a_i^[2] representa el valor estimado resultado de la “capa de salida”; y Y_i representa la variable observada.

Inicialmente, en la capa de entrada, los valores de w^[1] y b^[1] son valores aleatorios. El resultado de la multiplicación de los “inputs” por el peso w^[1] se suma al sesgo b^[1], y el resultado final pasa por una función de activación logística. La información fluye hacia la capa intermedia, donde el resultado anterior se multiplica por el nuevo peso w^[2] y se suma al sesgo b^[2], los cuales inicialmente también son valores aleatorios. Este flujo de información se llama “forward propagation”.

La belleza de la red neuronal es que, basándose en la diferencia entre el valor estimado y el valor realizado, se realiza una nueva estimación, con ajuste marginal de los parámetros w^[j] y b^[j] para minimizar la desviación en la próxima iteración. Esto se asemeja al proceso de aprendizaje por ensayo y error, que en las redes neuronales se llama “propagación hacia atrás”^[10].

Figura 3. Flujo de la información dentro de una red neuronal

Fuente: Elaborado por los autores.

Los parámetros de corrección descritos en la “propagación hacia atrás” de la Figura 3 se obtuvieron a través del método de optimización de descenso de gradiente, en el que la corrección del peso se define por:

en que: A^[2] representa el valor esperado en la capa de salida en matriz; Y representa los resultados realizados en forma matricial; y A^_[2]^trepresenta el resultado de la capa intermedia en matriz transpuesta.

A continuación se calculó la derivada parcial de la sensibilidad del error con respecto al sesgo de la capa de “output”, b^[2], representada matricialmente por la media de la desviación:

Hasta aquí se calcularon las correcciones para el peso y para el sesgo de la capa de salida. El siguiente paso fue calcular el ajuste del peso y del sesgo para la capa oculta. La sensibilidad del error en relación con el peso en la capa intermedia, w^[1], se calculó de la siguiente manera:

en que: W^[2]^t representa los pesos de la capa final en matriz transpuesta; y X^t representa los datos de “input” en matriz transpuesta.

A continuación se calculó la derivada parcial del error con respecto al sesgo en la capa intermedia, b^[1]:

en que: W^[2]^t representa los pesos de la capa final en matriz transpuesta.

Las fórmulas matriciales (10) y (11) de la capa de salida y las ecuaciones (12) y (13) de la capa intermedia fueron codificadas en Python.

Todas las estrategias utilizaron 20 años de historial mensual, en el período de enero de 2002 hasta diciembre de 2022.

a) Estrategia “long-only” (estrategia pasiva)

Los recursos se dividieron equitativamente entre cuatro activos: bolsa, dólar, intereses a dos años e intereses a cinco años, sin ninguna modificación durante el período de análisis.

b) Impulso

El impulso representa la tendencia de que el aumento de los precios se perpetúe en los próximos períodos, de la misma manera que la caída en general va precedida por nuevas correcciones. En este sentido, los ganadores del Nobel de economía de 2008, Fama y French^[12], afirmaron que el impulso es una “premier market anomaly”, es decir, una estrategia que genera retornos por encima de la media. Trabajos posteriores confirmaron esta anomalía, incluso en los mercados de países emergentes^[11].

Antonacci^[13] fue más allá y propuso una estrategia simple pero eficaz sobre el momentum de los activos: si el retorno de un activo es superior a la tasa libre de riesgo, se aplica en ese activo para el próximo período. En caso de que el retorno sea inferior, se aplica en el activo libre de riesgo.

c) Momentum de 21 períodos

Se aplicó la misma lógica de la estrategia descrita en el ítem anterior, pero se utilizó una media móvil de los retornos de los últimos 21 meses, plazo elegido por ser común en análisis técnicos.

d) Regresión lineal [“ordinary least squares (OLS)”]

En esta estrategia se calcularon los coeficientes de la regresión lineal retardada en un período, según ejemplo para el retorno del dólar:

donde: USD_M representa el retorno del dólar en el período M; USD_M-1: es el retorno del dólar en el período M-1; IBOV_M-1 es el retorno del Ibovespa en el período M-1; PRE2_YM-1 representa el retorno de la inversión en tasas de interés pre-fijadas a dos años en el período M-1; PRE5_YM-1 es el retorno de la inversión en tasas de interés pre-fijadas a cinco años en el período M-1; CDI_M-1 es el retorno del Certificado de Depósito Interbancario (CDI) en el período M-1; y βs representan los coeficientes de la regresión.

Como se detalla a continuación, el modelo de redes neuronales utiliza el 80% de los datos para el entrenamiento. Para mantener la igualdad en relación con el tamaño de la muestra, se utilizó el mismo corte de datos para estimar los coeficientes de la regresión lineal. De esta forma, para un determinado mes “M”, el 80% de las observaciones anteriores (17 meses) se utilizaron para estimar los coeficientes de la regresión; el 20% restante de las observaciones (cuatro meses), como muestra para prueba.

Si la estimación del retorno del próximo período fuera positiva, los recursos se aplicarían en ese activo para el mes siguiente. De lo contrario, los recursos se aplicarían en el activo libre de riesgo CDI.

e) Regresión logística

De la misma manera que sucedió con la regresión lineal, se estimaron los coeficientes de la regresión logística basándose en una ventana móvil de 21 períodos: el 80% de las observaciones de la muestra se utilizaron para determinar los coeficientes de la regresión, y el 20% restante como prueba. Para definir si el retorno siguiente sería de alza (1) o de baja (0), se utilizó el corte de 0,50 como límite.

Red neuronal

Se implementó, como se detalla en la Figura 2, una capa oculta de cuatro neuronas con activación de tangente hiperbólica y una neurona en la capa de “salida” con activación logística.

La ventana móvil contenía el retorno de los últimos 21 meses; el 80% de las observaciones anteriores (17 meses) se utilizaron para estimar los parámetros de “weight” y “bias”, y el 20% restante para la prueba. La tasa de aprendizaje fue de 0,50, con 1.000 iteraciones (“epochs”).

Si el retorno esperado fuera positivo, el modelo aplicaría los recursos en ese activo para el próximo mes. Si el retorno esperado fuera negativo, el modelo aplicaría los recursos en el CDI.

La Figura 4 demuestra el resultado acumulado de 20 años de las seis estrategias de inversión y el “benchmark”, que es el CDI acumulado en el período. En la Tabla 1 constan los resultados detallados por año y estrategia.

Figura 4. Resultado mensual acumulado de las 6 estrategias y el CDI acumulado

Fuente: Elaborado por los autores.

Tabla 1. Resultado anual de las diferentes estrategias

Fuente: Elaborado por los autores.

Con el objetivo de elegir la mejor estrategia, se evaluaron ocho criterios: retorno total absoluto; “sharpe ratio” (retorno ajustado a la volatilidad); “máximo drawdown” (pérdida máxima mensual); volatilidad (desviación estándar); número de años negativos; número de meses negativos; “sortino ratio” (retorno ajustado a la volatilidad de pérdidas); y número de años por encima del CDI.

Tabla 2. Medidas de evaluación de las diferentes estrategias

Fuente: Elaborado por los autores.

Para cada criterio se asignaron puntuaciones de 1 a 6, siendo 6 la mejor y 1 la peor. Para los indicadores “sharpe ratio” y “máximo drawdown”, hubo ponderación de peso doble, debido a su importancia para la evaluación de inversión.

Tabla 3. Ranking de la mejor estrategia (cuanto mayor la puntuación, mejor)

Fuente: Elaborado por los autores.

A pesar de que la estrategia de redes neuronales tiene el mejor rendimiento, con un retorno del 1.511% en 20 años, el modelo que obtuvo la mejor puntuación fue el momentum con 21 períodos, con un rendimiento superior en ítems como “sharpe ratio”, “máximo drawdown”, “sortino ratio” y volatilidad.

En la construcción de la estrategia de red neuronal, se notó variabilidad en los resultados dependiendo de los “inputs” utilizados, como tasa de aprendizaje, cantidad de neuronas y número de simulaciones. Posiblemente por la falta de convergencia del modelo o “over-fitting” de los datos^[14]. La Tabla 5 contiene la sensibilidad del resultado.

Tabla 5. Medidas de riesgo de las diferentes estrategias de redes neuronales

Fuente: Elaborado por los autores.

El segundo punto negativo de las redes neuronales fue la falta de sensibilidad sobre cómo las variables de entrada afectan el resultado. En el caso de una regresión, la sensibilidad de cómo las variables explicativas afectan el resultado puede ser observada por los coeficientes de la regresión, y, en el caso de la estrategia de momentum, la sensibilidad puede ser visualizada por la simple media de los últimos retornos.

De cualquier manera, todos los modelos pueden incurrir en errores causados por la falta de liquidez del activo, sorpresas en la divulgación de indicadores, por ejemplo, e incluso por el uso más intenso de algoritmos que operan en el mercado financiero, ya que el “algo trading” (“robots”) puede aumentar el nivel de ruido en los precios: si un activo sube indebidamente por la baja liquidez, por ejemplo, el ordenador puede notar la subida del precio y enviar una orden de compra, lo que puede desplazar aún más el precio del activo.

Sin embargo, quizás el principal factor de distorsión de los precios sea el sesgo conductual de los inversores, que tiende a presentar oscilaciones entre los extremos de codicia y miedo^[15], lo que favoreció la estrategia de momentum. La estrategia de inversión de red neuronal con solo una capa intermedia y una capa de salida, a su vez, presentó un resultado bastante interesante y superó la rentabilidad absoluta de las demás estrategias. No obstante, al considerar otras métricas de desempeño, como retorno ajustado al riesgo y volatilidad, la estrategia momentum con 21 períodos fue la asignación ganadora en el período observado de 20 años. Esta simple estrategia también poseyó dos ventajas en relación con la red neuronal:

I. simplicidad del modelo de decisión, ya que la elección fue del activo con rentabilidad superior a la del CDI en el promedio de los últimos 21 meses, ante la caja negra de los resultados de “machine learning”, que, al no poder ser reconstituidos, demandan confianza en el “output” del modelo;

II. facilidad en la interpretación y previsibilidad del criterio de decisión (un activo que esté subiendo debe mantener su tendencia), frente a la falta de sensibilidad de cómo cada variable influye en la decisión del modelo de redes neuronales.

Es importante añadir que los resultados de las redes neuronales presentaron cierta inestabilidad en las simulaciones dependiendo de los parámetros utilizados, lo que genera inseguridad con respecto a la estabilidad del modelo.

Finalmente, como este campo del conocimiento es reciente, es importante observar atentamente las mejoras en los modelos de redes neuronales. Al mismo tiempo, también es necesaria humildad para reconocer que puede haber limitaciones de los modelos de “machine learning”, en particular en el mercado financiero, dado que el comportamiento de los inversores a veces puede parecer más errático que racional, alternando entre momentos de euforia y de pánico.

Referencias

[1] Turing A. Computing Machinery and Intelligence. MIND A Quartely review of Psycholology and Philosophy. 1950; 59(236): 433-460. Disponível em: https://psycnet.apa.org/doi/10.1093/mind/LIX.236.433. Acesso em: 29 set. 2023.

[2] Harari Y. ‘Sapiens’ author says AI is an alien threat that could wipe us out: ‘Instead of coming from outer space, it’s coming from California. Fortune. 2023. Disponível em: https://fortune.com/2023/09/12/sapiens-author-yuval-noah-harari-ai-alien-threat-wipe-out-humanity-elon-musk-steve-wozniak-risk-cogx-festival/. Acesso em: 29 set. 2023.

[3] Santos J.A.A. Previsão do preço do café arábica: uma aplicação de redes neurais CNN-BLSTM. Research, Society and Development. 2022; 11(3): 1-11. DOI: https://doi.org/10.33448/rsd-v11i3.26101.

[4] Zuckerman G. O Homem que decifrou o Mercado. Rio de Janeiro (RJ): Alta Books; 2020.

[5] Chollet, F. Deep Learning with Python. Shelter Island (NY): Manning; 2018. 384 p.

[6] Verma A. Shallow Neural Net from Scratch Using R. RPubs. 2020. Disponível em: https://rpubs.com/theairbend3r/bin-classification-small-nnet-scratch-r. Acesso em: 29 set. 2023.

[7] Murray M.; Abrol V.; Tanner J. Activation Function Design For Deep Networks: Linearity And Effective Initialisation. Applied and Computational Harmonic Analysis. 2021; 59: 117-154. Disponível em: https://arxiv.org/pdf/2105.07741.pdf. Acesso em: 29 set. 2023.

[8] Ovalle D. The purpose of activation functions in the neural network. Medium. 2020. Disponível em: https://medium.com/@1087/the-purpose-of-activation-functions-in-the-neural-network-be08f81b7c32. Acesso em: 29 set. 2023.

[9] Yathish V. Loss Functions and Their Use In Neural Networks. Medium. 2022. Disponível em: https://towardsdatascience.com/loss-functions-and-their-use-in-neural-networks-a470e703f1e9. Acesso em: 29 set. 2023.

[10] Patel J. Derivation of Backpropagation in Neural Network. Youtube. 2021. Disponível em: https://www.youtube.com/watch?v=URJ9pP1aURo&t=190s. Acesso em: 29 set. 2023.

[11] Blitz D.; Hanauer M.; Vidojevic M. The idiosyncratic momentum anomaly. International Review of Economics & Finance. 2020; 69: 932-957. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S1059056020300927. Acesso em: 29 set. 2023.

[12] Fama, E.F.; French, K.R. Dissecting Anomalies. The Journal of Finance, 2008. Disponível em: https://doi.org/10.1111/j.1540-6261.2008.01371. Acesso em 29 set. 2023.

[13] Antonacci G. Dual Momentum Investing. Nova York (NY): Mc Graw Hill Education; 2015. 256 p.

[14] Dixon M.; Klabjan D.; Bang J.H. Classification-based financial markets prediction using deep neural networks. Journal Algorithmic Finance. 2017; 6(3-4): 67-77. Disponível em: https://content.iospress.com/articles/algorithmic-finance/af176. Acesso em: 29 set. 2023.

[15] Kindleberger C.P.; Aliber, R.Z. Manias, Panics, and Crashes: A History of Financial Crises. Palgrave MacMillan 7th Edition. 2015.

Como citar

Sasaki H.H.; Fortunato M.H.T. Uma comparação entre estratégias de investimento utilizando redes neurais, métodos estatísticos e momentum. Revista E&S. 2024; 5: e2023116.

Sobre os autores

Helcio Haruo Sasaki, Banco Santander, Avenida Juscelino Kubitschek, 2235 – Vila Olímpia – CEP 04543-011 – São Paulo/SP, Brasil.

Murilo Henrique Tank Fortunato, Instituto de Pesquisa e Educação Continuada em Economia e Gestão de Empresas – Pecege – Rua Cezira Giovanoni Moretti, 580 – Santa Rosa – CEP 13414-157 – Piracicaba/SP, Brasil.

Enlace de descarga: PDF

Más recientes

06 de noviembre de 2026

Influencia del marketing digital en el consumo de suplementos proteicos y alimentos enriquecidos con proteína

06 de noviembre de 2026

Innovación en la Gestión Operacional del Sector Eléctrico con Apoyo de la Ciencia de Datos

06 de noviembre de 2026

Predicción de la generación de energía fotovoltaica mediante aprendizaje automático: un estudio aplicado a una planta en el Nordeste de Brasil

06 de noviembre de 2026

Comportamiento de clientes en cursos preparatorios: segmentación RFM, Cadenas de Markov y aprendizaje supervisado

06 de noviembre de 2026

Optimización de la Inteligencia de Negocios en el Comercio Electrónico Brasileño: Fine-Tuning de LLMs para Análisis de Sentimiento Basado en Aspectos en Evaluaciones de Clientes

06 de noviembre de 2026

Clasificación de retornos de acciones en Brasil con machine learning y técnicas de meta-labeling

06 de noviembre de 2026

Influenciadores digitales, confianza e intención de compra en marcas propias de cosméticos

06 de noviembre de 2026

Método AHP-Gaussiano en la selección de proveedores: conformidad en contrataciones públicas

06 de noviembre de 2026

Posicionamiento de marcas globales de alimentación y la percepción del consumidor en el mercado digital contemporáneo

También te puede interesar

06 de noviembre de 2026

Influencia del marketing digital en el consumo de suplementos proteicos y alimentos enriquecidos con proteína

El consumo de suplementos proteicos y alimentos con adición de proteína ha crecido significativamente en los últimos años, y los contenidos digitales relacionados con la salud, la estética y el rendimiento físico se han convertido en una parte relevante de la rutina de los brasileños que buscan un estilo de vida disciplinado. El presente estudio tuvo como objetivo analizar el comportamiento de consumo de suplementos y alimentos proteicos, así como la influencia de las redes sociales y de los influencers digitales en las decisiones de compra de los consumidores. Se realizó una investigación exploratoria, que utilizó un cuestionario en línea aplicado a 62 participantes a través de Google Forms, difundido en Instagram, y una entrevista semiestructurada con el CEO de una marca de suplementos. El análisis de los datos fue cuali-cuantitativo. Los resultados indicaron que las redes sociales, especialmente Instagram, desempeñaron un papel central en el contacto inicial de los consumidores con las marcas. La mayoría de los entrevistados asoció el consumo de productos proteicos a un estilo de vida saludable y fitness, y consideró la influencia de los creadores de contenido digital en el estímulo a la experimentación y a la compra. Se identificó el impacto significativo del marketing digital y de las narrativas aspiracionales en el comportamiento de consumo, reforzando la relación entre alimentación funcional, identidad social y pertenencia en el entorno digital en el contexto de la suplementación y alimentación proteica.

Palabras clave: Alimentos con adición de proteína; Comportamiento del consumidor; Consumo de suplementos proteicos; Influencers digitales; Marketing digital.

06 de noviembre de 2026

Innovación en la Gestión Operacional del Sector Eléctrico con Apoyo de la Ciencia de Datos

La aplicación de la ciencia de datos en la gestión operativa de la distribución de energía eléctrica fue investigada con el objetivo de optimizar procesos y la toma de decisiones estratégicas. El estudio analizó cómo algoritmos predictivos y paneles de Business Intelligence pueden potenciar la gestión operativa, con el fin de optimizar el despacho de equipos, predecir demandas y monitorear indicadores en tiempo real para decisiones más ágiles y sostenibles. La investigación tuvo carácter aplicado y consideró datos históricos, geográficos y operativos de EDP São Paulo en São José dos Campos, abarcando el período de enero de 2018 a diciembre de 2024. Los datos fueron tratados en un entorno de Business Intelligence y sometidos a algoritmos de machine learning, como regresión lineal múltiple y redes neuronales recurrentes, para la predicción de demanda y la identificación de patrones de fallas. Adicionalmente, se utilizó clustering para identificar áreas críticas. Los resultados indicaron que la integración de modelos de predicción con indicadores operativos en tiempo real redujo el tiempo de respuesta a incidencias, aumentó la eficiencia en la asignación de recursos y promovió la mejora continua de la operación. Las redes neuronales recurrentes demostraron mayor precisión en la predicción de demanda, y el análisis de correlación señaló la precipitación como un factor relevante para el aumento de interrupciones. La identificación de áreas críticas por clustering permitió priorizar acciones de mantenimiento. Se concluyó que la adopción de métodos de ciencia de datos moderniza el sector, reduce costos, aumenta la confiabilidad y promueve mayor sostenibilidad, ofreciendo subsidios para decisiones más ágiles y sostenibles en la gestión energética.

Palabras clave: Algoritmos predictivos; Business Intelligence; Ciencia de datos; Distribución de energía; Gestión operativa.

06 de noviembre de 2026

Predicción de la generación de energía fotovoltaica mediante aprendizaje automático: un estudio aplicado a una planta en el Nordeste de Brasil

El incremento de las energías renovables en Brasil, en especial de la energía fotovoltaica, evidenció la necesidad de mejorar la predicción de la producción de las plantas, en función de la elevada dependencia de factores climáticos y de la consecuente variabilidad de la generación eléctrica. Se desarrollaron y evaluaron modelos de aprendizaje automático para la predicción de la generación de energía eléctrica de una planta fotovoltaica en el Nordeste de Brasil, analizando el impacto de la inclusión progresiva de variables meteorológicas, temporales, derivadas y rezagadas. Se utilizaron datos horarios de generación de energía y variables meteorológicas provenientes de bases oficiales y públicas. Se implementaron tres algoritmos de regresión basados en árboles (Árbol de Decisión, Random Forest y XGBoost) en un modelado estructurado en tres fases: variables meteorológicas, temporales y cíclicas y de rezagos. Los resultados indicaron una fuerte correlación entre la radiación solar y la generación de energía. Se observó un desempeño predictivo moderado en las fases iniciales del modelado, con una mejora expresiva en la tercera fase, donde el XGBoost se destacó con un R² de 0,898. Se concluyó que la inclusión de variables temporales y técnicas de ingeniería de atributos fue determinante para la mejora de la capacidad predictiva de los tres modelos, configurándose como una estrategia para aplicaciones prácticas en el sector fotovoltaico.

Palabras clave: Algoritmo basado en árboles; Datos meteorológicos; Dependencia temporal; Ingeniería de atributos; Parque solar.

06 de noviembre de 2026

Comportamiento de clientes en cursos preparatorios: segmentación RFM, Cadenas de Markov y aprendizaje supervisado

Se construyó una arquitectura analítica para comprender y predecir el comportamiento de compra de clientes de un proveedor de cursos libres preparatorios. El objetivo fue integrar segmentación RFM, modelado de transiciones por Cadenas de Markov y predicción de propensión por Regresión Logística, Random Forest y Gradient Boosting, bajo la estructura del CRISP-DM. Se utilizaron datos transaccionales de 7.123 clientes de un proveedor de cursos libres, abarcando noviembre de 2022 a enero de 2026. La metodología CRISP-DM guió la segmentación RFM, el modelado de transiciones por Cadenas de Markov y la predicción de propensión a la compra por modelos supervisados (Regresión Logística, Random Forest y Gradient Boosting), con validación temporal ‘out-of-time’. La segmentación RFM reveló cuatro perfiles, con el segmento Muy Recurrente (25% de la base) concentrando el 60,5% de los ingresos. La Cadena de Markov indicó una tendencia de degradación de la base a largo plazo, con el segmento Baja Adquisición proyectado para crecer del 25% al 31,3% en el equilibrio. Los modelos supervisados alcanzaron AUC entre 0,811 y 0,826, demostrando que el poder predictivo reside en las variables RFM, emergiendo la recencia como predictor dominante. Se concluyó que la integración de estos enfoques proporciona subsidios concretos para decisiones estratégicas de retención, segmentación y priorización de clientes en contextos educativos, destacando la necesidad de acciones estructuradas para revertir la degradación de la base y la importancia de la recencia en la predicción de recompra.

Palabras clave: Cadenas de Markov; CRISP-DM; Predicción de propensión; Random Forest; Segmentación RFM.

06 de noviembre de 2026

Optimización de la Inteligencia de Negocios en el Comercio Electrónico Brasileño: Fine-Tuning de LLMs para Análisis de Sentimiento Basado en Aspectos en Evaluaciones de Clientes

El crecimiento del comercio electrónico brasileño ha consolidado las reseñas de clientes como una rica fuente de datos no estructurados para la inteligencia de negocios. Sin embargo, las métricas agregadas tradicionales, como las calificaciones por estrellas, no logran capturar la complejidad de los sentimientos mixtos en un solo comentario. El estudio tuvo como objetivo desarrollar un modelo multi-etiqueta de Análisis de Sentimiento Basado en Aspectos (ABSA) mediante el Fine-Tuning del modelo de lenguaje BERTimbau, con el fin de clasificar sentimientos en cuatro aspectos de negocio y comparar su rendimiento con líneas de base convencionales. Para ello, se utilizó el Brazilian E-Commerce Public Dataset by Olist. Los resultados demostraron un rendimiento superior del modelo ajustado, que alcanzó un F1-Macro de 0,8149, lo que representa una mejora del 23,7% en comparación con las líneas de base de satisfacción convencionales. Se concluyó que el uso de LLMs especializados permite transformar los comentarios subjetivos en indicadores de diagnóstico procesables, proporcionando subsidios estratégicos para la gestión de la cadena de suministro y la optimización de la experiencia del cliente en el entorno digital.

Palabras clave: Aprendizaje Automático; Experiencia del Cliente; Gestión de la Cadena de Suministro; Marketplace; Procesamiento del Lenguaje Natural.

06 de noviembre de 2026

Clasificación de retornos de acciones en Brasil con machine learning y técnicas de meta-labeling

La demanda de estrategias cuantitativas en los mercados de capitales ha impulsado el desarrollo de modelos de machine learning. El presente estudio implementó un pipeline de aprendizaje automático para la clasificación ternaria de retornos de acciones brasileñas, con el objetivo de diagnosticar el sobreajuste, evaluar el uso de meta-etiquetado y Hierarchical Risk Parity (HRP) para generar alfa positivo, y documentar modos de fallo. Se reunieron 276 activos de la B3 entre 2000 y 2026, totalizando 257.970 muestras etiquetadas por el esquema triple-barrera sobre eventos CUSUM. Un clasificador primario XGBoost agrupado fue entrenado con pesos de muestra corregidos por concurrencia y unicidad. La validación empleó PurgedKFold y validación cruzada combinatoria purgada (CPCV), con diagnóstico de sobreajuste vía PBO y DSR. La decisión de lado siguió la softmax bruta del modelo primario, y la magnitud de la apuesta fue delegada a un meta-etiquetador binario. La construcción de cartera adoptó Hierarchical Risk Parity y fue evaluada por comparación honesta A/B/C. Los resultados out-of-sample indicaron una precisión de 0,52 y aprobación en las tres puertas estadísticas. Sin embargo, a nivel de cartera, el Sharpe de la estrategia con timing fue de +0,23 contra +0,87 del buy-and-hold HRP, resultando en un alfa de -0,63. Se concluyó que la selección del universo explicó sustancialmente el desempeño observado, y no el timing del clasificador, a pesar de la aprobación en las pruebas estadísticas de nivel de operación. La contribución metodológica fue un pipeline reproducible, auditable y seguro contra fugas (leakage-safe), con modos de fallo documentados de forma transparente, y el diagnóstico del colapso del argmax bajo calibración isotónica en etiquetas ternarias desbalanceadas.

Palabras clave: Deflated Sharpe Ratio; Diferenciación fraccional; Finanzas cuantitativas; Meta-etiquetado; Sobreajuste en backtests.

06 de noviembre de 2026

Influenciadores digitales, confianza e intención de compra en marcas propias de cosméticos

Se analizó la influencia de los influencers digitales en la confianza y la intención de compra de marcas propias de cosméticos, contextualizada por el crecimiento expresivo de las redes sociales y del sector de la belleza en Brasil. El estudio tuvo como objetivo analizar la relación entre la identificación del consumidor con los influencers digitales, la confianza y la intención de compra de cosméticos de marcas propias. Se adoptó un enfoque cuantitativo, descriptivo y correlacional, con un levantamiento tipo encuesta aplicado a 108 encuestados válidos. Los datos fueron procesados en el software R, utilizando análisis factorial exploratorio y regresión lineal múltiple. Los resultados indicaron que la confianza se consolidó como el principal predictor de la intención de compra, evidenciando su relevancia para el comportamiento del consumidor. En contrapartida, la identificación obtuvo la media más baja y no demostró significancia estadística en el modelo de regresión, sugiriendo un impacto limitado en la decisión de compra. Se concluyó que la fiabilidad y la seguridad transmitidas por la marca son determinantes para la conversión en ventas, superando la necesidad de similitud personal entre seguidor e influencer en el segmento de cosméticos.

Palabras clave: Confianza; Cosméticos; Identificación; Intención de compra; Marketing de influencia.

06 de noviembre de 2026

Método AHP-Gaussiano en la selección de proveedores: conformidad en contrataciones públicas

La selección de proveedores en las contrataciones públicas requirió instrumentos para ampliar la transparencia y fortalecer la conformidad ante riesgos legales y reputacionales. El objetivo fue aplicar el método AHP-Gaussiano en la selección de proveedores, con base en criterios cuantitativos de integridad y capacidad operativa. La investigación, de naturaleza aplicada, documental y cuantitativa, utilizó datos secundarios del Cadastro Nacional de Empresas Inidôneas e Suspensas (CEIS), disponibles en el Portal da Transparência. Se evaluaron diez proveedores del segmento de limpieza y conservación, según seis criterios: recursos recibidos, sanciones vigentes, contratos firmados, enmiendas parlamentarias, servicios y participación en licitaciones. El método AHP-Gaussiano procesó los datos, calculó los pesos de los criterios, agregó los desempeños y generó el ranking final de las alternativas. Los resultados indicaron que el criterio enmiendas parlamentarias presentó el mayor peso relativo en el modelo, seguido por participación en licitaciones y contratos firmados. La alternativa A4 fue la mejor posicionada en el ranking final, seguida por A5 y A6. Una prueba de sensibilidad confirmó la coherencia y robustez del modelo. Se concluyó que el AHP-Gaussiano constituyó una herramienta adecuada para apoyar la selección de proveedores en el sector público, contribuyendo a decisiones más consistentes, rastreables y alineadas a los principios de integridad y gobernanza.

Palabras clave: AHP-Gaussiano; Apoyo multicriterio a la decisión; Conformidad; Contrataciones públicas; Proveedores.

06 de noviembre de 2026

Posicionamiento de marcas globales de alimentación y la percepción del consumidor en el mercado digital contemporáneo

La expansión de los mercados globales impuso a las marcas el desafío de superar la estandarización digital y evitar la desconexión con consumidores de diferentes contextos culturales. El estudio analizó el posicionamiento estratégico y la percepción de las marcas McDonald’s, Starbucks y KFC en Brasil, Francia y Japón, buscando comprender cómo el tono de voz, la estética visual y los canales de comunicación fueron moldeados a las preferencias locales. La metodología empleó un estudio de caso múltiple con enfoque mixto, que integró el análisis de contenido en perfiles de Instagram y TikTok a la aplicación de un formulario estructurado con 63 encuestados. Los resultados demostraron contrastes significativos en el posicionamiento digital: en Brasil, la comunicación priorizó la expresividad y la cercanía emocional a través de influencers; en Francia, el individualismo estético y el humor irónico predominaron como vectores de engagement; y en Japón, la estrategia reveló una comunicación de alto contexto, guiada por el refinamiento visual, la estacionalidad y el uso de canales regionales como la aplicación LINE. La investigación ratificó que el 88,9% de los consumidores exigieron campañas adaptadas, evidenciando la resonancia cultural como variable determinante para el sostenimiento del capital de marca. Se concluyó que la eficacia del posicionamiento digital dependió del equilibrio entre la identidad global y la localización profunda, haciendo el consumo culturalmente relevante y auténtico.

Palabras clave: Branding; Comportamiento del Consumidor; Localización de Marca; Marketing Intercultural; Redes Sociales.

Innovación

05 de noviembre de 2026

Un parque tecnológico no termina en los límites de su terreno

Al aproximar competencias y acompañar resultados, su contribución alcanza también a organizaciones que no están físicamente instaladas en él. Un parque tecnológico es un lugar de encuentros. En él, una empresa puede encontrar el conocimiento necesario para desarrollar una solución, un investigador puede descubrir una aplicación para su trabajo y un emprendedor puede conocer al socio que faltaba […]

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, […]

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 […]