Uma comparação entre estratégias de investimento utilizando redes neurais, métodos estatísticos e momentum

doi:10.22167/2675-6528-2023116E

Artigo

09 de fevereiro de 2024

Uma comparação entre estratégias de investimento utilizando redes neurais, métodos estatísticos e momentum

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

Helcio Haruo Sasaki; Murilo Henrique Tank Fortunato

A inteligência artificial (IA) nasceu na metade do século XX e provocou duas “ondas” no mercado. A primeira começou em 1950, com Alan Turing^[1]como principal expoente, prevalecendo até meados de 1980, em meio aos avanços da ciência da computação. Um dos ícones dessa geração foi o desenvolvimento do jogo de xadrez para computadores. Uma segunda onda surgiu entre as décadas de 1990 e 2000, quando houve uma inversão na regra de programação clássica. Até então era necessário programar explicitamente todas as possibilidades para obter as respostas. Já no “machine learning”, o objetivo passa a ser treinar a máquina para o aprendizado, de forma que ela descubra a regra, conforme ilustrado na Figura 1.

Figura 1. Representação do modelo de “machine learning” antes e depois

Fonte: Elaborado pelos autores.

Atualmente já existem diversas aplicações práticas para produtos que utilizam o “machine learning”, como os assistentes pessoais, as ferramentas de marketing assertivo das redes sociais, os modelos de predição de diagnóstico aprimorados e, mais recentemente, os carros com direção autônoma (com destaque para o da empresa Tesla), o AlphaGo (IA da DeepMind que derrota humanos no jogo Go) e o ChatGPT (IA capaz de criar conteúdo), da OpenAI^[2].

Ultimamente o mercado financeiro passou a incorporar essas ferramentas, que têm enorme potencial para a descoberta de novas aplicações, a exemplo da utilização do “machine learning” para estimar o preço do café por meio da rede “convolutional neural network”^[3]. O objetivo deste trabalho foi implementar técnicas de “machine learning” para gerar alfa nos investimentos, ou seja, fazer uma gestão ativa obtendo retornos acima do “benchmark”. É importante mencionar que, em termos de acurácia, enquanto a máquina consegue obter níveis elevados de acerto em um modelo de classificação de imagens, no mercado financeiro o nível de predições corretas é mais modesto. Robert Mercer, um dos fundadores da gigante da gestão de investimentos Renaissance Technologies, uma vez disse: “estamos certos em 50,75% do tempo, mas estamos 100% certos em 50,75% das vezes”^[4].

Foi estruturada uma carteira cujos recursos foram igualmente distribuídos em quatro possíveis investimentos. A atualização foi mensal e sintetizou um histórico de 20 anos. Não foram considerados custos de corretagem, custos de execução, imposto de renda nem a possibilidade de posição vendida no ativo (aposta no retorno negativo dos ativos), uma vez que não é de fácil implementação para investidores pessoas físicas.

a) Dólar

O preço de referência do real para o dólar foi mensurado pela cota média de três fundos existentes (Santander Fundo Cambial, Itaú Fundo Cambial e Bradesco Fundo Cambial). Utilizar apenas a variação cambial não reflete corretamente a rentabilidade, pois existe uma remuneração sobre o caixa em dólares.

b) Ações do Ibovespa

Índice com as principais empresas negociadas na Bolsa de Valores, como: Petrobras, Vale, Itaú, Bradesco, Santander, Banco do Brasil, B3, WEG e Ambev.

c) Investimento com juros pré-fixados de dois anos

Taxa média interpolada para o prazo de dois anos, com base nos vértices de depósitos interfinanceiros negociados diariamente na Bolsa de Valores (B3). A escolha de um prazo genérico evitou a necessidade de se considerar o efeito de decaimento do prazo do papel. Nesta análise foi considerado o retorno de investimento com base no valor financeiro (PU):

em que: PU_i é o valor presente dos 100 mil investidos; i representa a data de referência; du_i representa os dias úteis entre i e o prazo genérico de vencimento; e taxa_i representa a taxa pré-fixada negociada no dia i.

d) Investimento com juros pré-fixados de cinco anos

Taxa média interpolada para o prazo de cinco anos, com base nos vértices de depósitos interfinanceiros negociados diariamente na Bolsa de Valores. Também foi considerado o retorno com base no valor financeiro (PU).

Linguagens de programação — como R, Java Script e, principalmente, Python — possuem diversos pacotes de redes neurais, como Keras e TensorFlow. Segundo Chollet^[5], essas ferramentas têm a vantagem de serem como blocos de montar, onde é possível encaixar camadas de funções de “deep learning” e utilizar o “pipeline” para ordenar o fluxo de informações dentro da estrutura. Porém, para ganhar sensibilidade do racional e dos resultados, foi criada uma rede neural do zero, detalhada na Figura 2^[6]:

Figura 2. Diagrama da rede neural proposta

Fonte: Elaborado pelos autores.

Neste exemplo existe cinco dados de entrada, uma camada escondida (ou camada intermediária) e uma camada de saída (ou camada de “output”) que contém o resultado estimado. A referência sobrescrita em colchetes ([j]) representa a camada de cada neurônio; neste caso, varia apenas entre 1 (camada “hidden layer”) e 2 (camada “output layer”). A referência subscrita “i” representa o neurônio contido em uma determinada camada. Nesse caso a camada escondida conta com quatro neurônios, e a camada de saída contém apenas um neurônio.

O neurônio Z_i^[j] pode ser genericamente descrito como o resultado do “input” ponderado pelo peso w^{^–}(“weight”) somado ao viés b^[j] (“bias”):

Em cada uma das camadas, há uma função de ativação cujo objetivo é “ligar” ou “desligar” o neurônio. Essa etapa é importante para reduzir o risco de não convergência do erro, como descrito em Murray, Abrol e Tanner^[7] e Ovalle^[8], o que tornaria o modelo incapaz de encontrar uma solução.

Na camada escondida a_i^[1] foi utilizada a função de ativação tangente hiperbólica tanh, utilizando w^[1] para ponderar os dados de entrada somado o viés b^[1]. Dessa forma o neurônio da camada intermediária tenta estimar o retorno do ativo entre alta (+1) ou queda (-1):

Na camada de saída a_i^[2] foi utilizada a função de ativação sigmoide σ. Desse modo, a camada de saída pondera o resultado da camada anterior a_i^[1] pelo peso w^[2] e adiciona o viés b^[2], definindo assim se era interessante (+1) ou não (0) investir no ativo:

Para o cálculo do erro, foi utilizada a equação “binary cross entropy”^[9]:

em que: erro total representa a somatória da diferença entre o valor estimado e o valor realizado; m representa o tamanho da amostra; a_i^[2] representa o valor estimado resultado do “output layer”; e Y_i representa a variável observada.

Inicialmente, na camada de entrada, os valores de w^[1] e b^[1] são valores aleatórios. O resultado da multiplicação dos “inputs” pelo peso w^[1] é somado ao viés b^[1], e o resultado final passa por uma função de ativação logística. A informação flui para a camada intermediária, em que o resultado anterior é multiplicado pelo novo peso w^[2] e é somado ao viés b^[2], os quais inicialmente também são valores aleatórios. Esse fluxo de informação é chamado de “forward propagation”.

A beleza da rede neural é que, com base na diferença entre o valor estimado e o valor realizado, é feita uma nova estimativa, com ajuste marginal dos parâmetros w^[j] e b^[j] para minimizar o desvio na próxima iteração. Isso se assemelha ao processo de aprendizado através de tentativa e erro, que nas redes neurais se chama “backward propagation”^[10].

Figura 3. Fluxo da informação dentro de uma rede neural

Fonte: Elaborado pelos autores.

Os parâmetros de correção descritos no “backward propagation” da Figura 3 foram obtidos através do método de otimização gradiente descendente, em que a correção do peso é definida por:

em que: A^[2] representa o valor esperado na camada de saída em matriz; Y representa os resultados realizados em forma matricial; e A^_[2]^trepresenta o resultado da camada intermediária em matriz transposta.

Na sequência foi calculada a derivada parcial da sensibilidade do erro em relação ao viés da camada de “output”, b^[2], representada de forma matricial pela média do desvio:

Até aqui foram calculadas as correções para o peso e para o viés da camada de saída. O próximo passo foi calcular o ajuste do peso e do viés para a camada escondida. A sensibilidade do erro em relação ao peso na camada intermediária, w^[1], foi calculada da seguinte forma:

em que: W^[2]^t representa os pesos da camada final em matriz transposta; e X^t representa os dados de “input” em matriz transposta.

Na sequência foi calculada a derivada parcial do erro em relação ao viés na camada intermediária, b^[1]:

em que: W^[2]^t representa os pesos da camada final em matriz transposta.

As fórmulas matriciais (10) e (11) da camada de saída e as equações (12) e (13) da camada intermediária foram codificadas em Python.

Todas as estratégias utilizaram 20 anos de histórico mensal, no período de janeiro de 2002 até dezembro de 2022.

a) Estratégia “long-only” (estratégia passiva)

Os recursos foram divididos igualmente entre quatro ativos: bolsa, dólar, juros de dois anos e juros de cinco anos, sem qualquer alteração durante o período de análise.

b) Momentum

Momentum representa a tendência de a alta dos preços se perpetuar nos próximos períodos, da mesma forma que a queda em geral é precedida por novas correções. Nesse sentido, os ganhadores do Nobel de economia de 2008, Fama e French^[12], afirmaram que momentum é um “premier market anomaly”, ou seja, uma estratégia que gera retornos acima da média. Trabalhos posteriores confirmaram essa anomalia, inclusive nos mercados de países emergentes^[11].

Antonacci^[13] foi além e propôs uma estratégia simples, mas eficaz, sobre o momentum dos ativos: se o retorno de um ativo for superior à taxa livre de risco, aplica-se nesse ativo para o próximo período. Caso o retorno seja inferior, aplica-se no ativo livre de risco.

c) Momentum de 21 períodos

Foi aplicada a mesma lógica da estratégia descrita no item anterior, mas utilizou-se uma média móvel dos retornos dos últimos 21 meses, prazo escolhido por ser comum em análises técnicas.

d) Regressão linear [“ordinary least squares (OLS)”]

Nessa estratégia foram calculados os coeficientes da regressão linear defasada em um período, conforme exemplo para o retorno do dólar:

em que: USD_M representa o retorno do dólar no período M; USD_M-1: é o retorno do dólar no período M-1; IBOV_M-1 é o retorno do Ibovespa no período M-1; PRE2_YM-1 representa o retorno da aplicação em juros pré-fixados de dois anos no período M-1; PRE5_YM-1 é o retorno da aplicação em juros pré-fixados de cinco anos no período M-1; CDI_M-1 é o retorno do Certificado de Depósito Interbancário (CDI) no período M-1; e βs representam os coeficientes da regressão.

Como detalhado adiante, o modelo de redes neurais utiliza 80% dos dados para treino. Para manter igualdade em relação ao tamanho da amostra, foi utilizado o mesmo corte de dados para estimar os coeficientes da regressão linear. Dessa forma, para um determinado mês “M”, 80% das observações anteriores (17 meses) foram utilizadas para estimar os coeficientes da regressão; os demais 20% das observações (quatro meses), como amostra para teste.

Se a estimativa do retorno do próximo período fosse positiva, os recursos seriam aplicados nesse ativo para o mês seguinte. Caso contrário, os recursos seriam aplicados no ativo livre de risco CDI.

e) Regressão logística

Da mesma forma que aconteceu com a regressão linear, foram estimados os coeficientes da regressão logística com base em uma janela móvel de 21 períodos: 80% das observações da amostra foram utilizadas para determinar os coeficientes da regressão, e os demais 20% como teste. Para definir se o retorno seguinte seria de alta (1) ou de baixa (0), foi utilizado o corte de 0,50 como limite.

f) Rede neural

Foi implementada, conforme detalhado na Figura 2, uma camada escondida de quatro neurônios com ativação de tangente hiperbólica e um neurônio na camada de “output” com ativação logística.

A janela móvel continha o retorno dos últimos 21 meses; 80% das observações anteriores (17 meses) foram utilizadas para estimar os parâmetros de “weight” e “bias”, e os 20% restantes para o teste. A taxa de aprendizado foi de 0,50, com 1.000 iterações (“epochs”).

Caso o retorno esperado fosse positivo, o modelo aplicaria os recursos nesse ativo para o próximo mês. Caso o retorno esperado fosse negativo, o modelo aplicaria os recursos no CDI.

A Figura 4 demonstra o resultado acumulado de 20 anos das seis estratégias de investimento e o “benchmark”, que é o CDI acumulado no período. Na Tabela 1 constam os resultados detalhados por ano e estratégia.

Figura 4. Resultado mensal acumulado das 6 estratégias e o CDI acumulado

Fonte: Elaborado pelos autores.

Tabela 1. Resultado anual das diferentes estratégias

Fonte: Elaborado pelos autores.

Com o objetivo de escolher a melhor estratégia, foram avaliados oito critérios: retorno total absoluto; “sharpe ratio” (retorno ajustado à volatilidade); “máximo drawdown” (perda máxima mensal); volatilidade (desvio padrão); número de anos negativos; número de meses negativos; “sortino ratio” (retorno ajustado à volatilidade de perdas); e número de anos acima do CDI.

Tabela 2. Medidas de avaliação das diferentes estratégias

Fonte: Elaborado pelos autores.

Para cada critério foram atribuídas notas de 1 a 6, sendo 6 a melhor e 1 a pior. Para os indicadores “sharpe ratio” e “máximo drawdown”, houve ponderação de peso duplo, devido à sua importância para a avaliação de investimento.

Tabela 3. Ranqueamento da melhor estratégia (quanto maior a pontuação, melhor)

Fonte: Elaborado pelos autores.

Apesar da estratégia de redes neurais ter a melhor performance, com retorno de 1.511% em 20 anos, o modelo que teve a melhor pontuação foi o momentum com 21 períodos, com performance superior em itens como “sharpe ratio”, “máximo drawdown”, “sortino ratio” e volatilidade.

Na construção da estratégia de rede neural, notou-se variabilidade nos resultados a depender dos “inputs” utilizados, como taxa de aprendizado, quantidade de neurônios e número de simulações. Possivelmente pela falta de convergência do modelo ou “over-fitting” dos dados^[14]. A Tabela 5 contém a sensibilidade do resultado.

Tabela 5. Medidas de risco das diferentes estratégias de redes neurais

Fonte: Elaborado pelos autores.

O segundo ponto negativo das redes neurais foi a falta de sensibilidade de como as variáveis de entrada afetam o resultado. No caso de uma regressão, a sensibilidade de como as variáveis explicativas afetam o resultado pode ser observada pelos coeficientes da regressão, e, no caso da estratégia de momentum, a sensibilidade pode ser visualizada pela simples média dos últimos retornos.

De qualquer forma, todas as modelagens podem incorrer em erros causados pela falta de liquidez do ativo, surpresas na divulgação de indicadores, por exemplo, e inclusive pelo uso mais intenso de algoritmos que operam no mercado financeiro, pois o “algo trading” (“robôs”) pode aumentar o nível de ruído nos preços: se um ativo sobe indevidamente pela baixa liquidez, por exemplo, o computador pode notar a alta do preço e enviar ordem de compra, o que pode deslocar ainda mais o preço do ativo.

Porém, talvez o principal fator de distorção dos preços seja o viés comportamental dos investidores, que tende a apresentar oscilações entre os extremos de ganância e medo^[15], o que favoreceu a estratégia de momentum. A estratégia de investimento de rede neural com apenas uma camada intermediária e uma camada de saída, por sua vez, apresentou resultado bastante interessante e superou a rentabilidade absoluta das demais estratégias. No entanto, ao considerar outras métricas de desempenho, como retorno ajustado ao risco e volatilidade, a estratégia momentum com 21 períodos foi a alocação vencedora no período observado de 20 anos. Essa simples estratégia também possuiu duas vantagens em relação à rede neural:

I. simplicidade do modelo de decisão, pois a escolha foi do ativo com rentabilidade superior à do CDI na média dos últimos 21 meses, diante da caixa preta dos resultados de “machine learning”, que, por não poderem ser reconstituídos, demandam confiança no “output” do modelo;

II. facilidade na interpretação e previsibilidade do critério de decisão (um ativo que estiver subindo deve manter sua tendência), frente à falta de sensibilidade de como cada variável influencia a decisão do modelo de redes neurais.

É importante adicionar que os resultados das redes neurais apresentaram certa instabilidade nas simulações a depender dos parâmetros utilizados, o que gera insegurança com relação à estabilidade do modelo.

Por fim, como esse campo do conhecimento é recente, é importante olhar atentamente para os aperfeiçoamentos nos modelos de rede neural. Ao mesmo tempo, também é necessário humildade para reconhecer que pode haver limitações dos modelos de “machine learning”, em particular no mercado financeiro, uma vez que o comportamento dos investidores às vezes pode parecer mais errático do que racional, alternando entre momentos de euforia e de pânico.

Referências

[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.

Link para download: PDF

Mais recentes

06 de novembro de 2026

Influência do marketing digital no consumo de suplementos proteicos e alimentos enriquecidos com proteína

06 de novembro de 2026

Inovação na Gestão Operacional do Setor Elétrico com Apoio da Ciência de Dados

06 de novembro de 2026

Previsão da geração de energia fotovoltaica por meio de aprendizado de máquina: um estudo aplicado a uma usina no Nordeste do Brasil

06 de novembro de 2026

Comportamento de clientes em cursos preparatórios: segmentação RFM, Cadeias de Markov e aprendizado supervisionado

06 de novembro de 2026

Otimização da Inteligência de Negócios no E-commerce Brasileiro: Fine-Tuning de LLMs para Aspect-Based Sentiment Analysis em Avaliações de Clientes

06 de novembro de 2026

Classificação de retornos de ações no Brasil com machine learning e técnicas de meta-labeling

06 de novembro de 2026

Influenciadores digitais, confiança e intenção de compra em marcas próprias de cosméticos

06 de novembro de 2026

Método AHP-Gaussiano na seleção de fornecedores: conformidade em contratações públicas

06 de novembro de 2026

Posicionamento de marcas globais de alimentação e a percepção do consumidor no mercado digital contemporâneo

Você também pode gostar

06 de novembro de 2026

Influência do marketing digital no consumo de suplementos proteicos e alimentos enriquecidos com proteína

O consumo de suplementos proteicos e alimentos com adição de proteína tem crescido significativamente nos últimos anos, com conteúdos digitais relacionados à saúde, estética e desempenho físico tornando-se parte relevante da rotina de brasileiros que buscam um estilo de vida disciplinado. O presente estudo teve como objetivo analisar o comportamento de consumo de suplementos e alimentos proteicos, bem como a influência das redes sociais e dos influenciadores digitais nas decisões de compra dos consumidores. Realizou-se uma pesquisa exploratória, que utilizou um questionário online aplicado a 62 participantes via Google Forms, disseminado no Instagram, e uma entrevista semiestruturada com o CEO de uma marca de suplementos. A análise dos dados foi quali-quantitativa. Os resultados indicaram que as redes sociais, especialmente o Instagram, desempenharam papel central no contato inicial dos consumidores com as marcas. A maioria dos entrevistados associou o consumo de produtos proteicos a um estilo de vida saudável e fitness, e considerou a influência de criadores de conteúdo digital no estímulo à experimentação e à compra. Identificou-se o impacto significativo do marketing digital e das narrativas aspiracionais no comportamento de consumo, reforçando a relação entre alimentação funcional, identidade social e pertencimento no ambiente digital no contexto da suplementação e alimentação proteica.

Palavras-chave: Alimentos com adição de proteína; Comportamento do consumidor; Consumo de suplementos proteicos; Influenciadores digitais; Marketing digital.

06 de novembro de 2026

Inovação na Gestão Operacional do Setor Elétrico com Apoio da Ciência de Dados

A aplicação da ciência de dados na gestão operacional da distribuição de energia elétrica foi investigada com o objetivo de otimizar processos e a tomada de decisão estratégica. O estudo analisou como algoritmos preditivos e painéis de Business Intelligence podem potencializar a gestão operacional, visando otimizar o despacho de equipes, prever demandas e monitorar indicadores em tempo real para decisões mais ágeis e sustentáveis. A pesquisa teve caráter aplicado e considerou dados históricos, geográficos e operacionais da EDP São Paulo em São José dos Campos, abrangendo o período de janeiro de 2018 a dezembro de 2024. Os dados foram tratados em ambiente de Business Intelligence e submetidos a algoritmos de machine learning, como regressão linear múltipla e redes neurais recorrentes, para previsão de demanda e identificação de padrões de falhas. Adicionalmente, utilizou-se clustering para identificar áreas críticas. Os resultados indicaram que a integração de modelos de previsão com indicadores operacionais em tempo real reduziu o tempo de resposta a ocorrências, aumentou a eficiência na alocação de recursos e promoveu a melhoria contínua da operação. As redes neurais recorrentes demonstraram maior precisão na previsão de demanda, e a análise de correlação apontou a precipitação como fator relevante para o aumento de interrupções. A identificação de áreas críticas por clustering permitiu priorizar ações de manutenção. Concluiu-se que a adoção de métodos de ciência de dados moderniza o setor, reduz custos, aumenta a confiabilidade e promove maior sustentabilidade, oferecendo subsídios para decisões mais ágeis e sustentáveis na gestão energética.

Palavras-chave: Algoritmos preditivos; Business Intelligence; Ciência de dados; Distribuição de energia; Gestão operacional.

06 de novembro de 2026

Previsão da geração de energia fotovoltaica por meio de aprendizado de máquina: um estudo aplicado a uma usina no Nordeste do Brasil

O incremento das energias renováveis no Brasil, em especial da energia fotovoltaica, evidenciou a necessidade de aprimorar a previsão da produção das usinas, em função da elevada dependência de fatores climáticos e da consequente variabilidade da geração elétrica. Desenvolveu-se e avaliou-se modelos de aprendizado de máquina para a previsão da geração de energia elétrica de uma usina fotovoltaica no Nordeste do Brasil, analisando o impacto da inclusão progressiva de variáveis meteorológicas, temporais, derivadas e defasadas. Utilizaram-se dados horários de geração de energia e variáveis meteorológicas provenientes de bases oficiais e públicas. Implementaram-se três algoritmos de regressão baseados em árvores (Árvore de Decisão, Random Forest e XGBoost) em uma modelagem estruturada em três fases: variáveis meteorológicas, temporais e cíclicas e de defasagens. Os resultados indicaram forte correlação entre a radiação solar e a geração de energia. Observou-se desempenho preditivo moderado nas fases iniciais da modelagem, com melhora expressiva na terceira fase, onde o XGBoost se destacou com um R² de 0,898. Concluiu-se que a inclusão de variáveis temporais e técnicas de engenharia de atributos foi determinante para o aprimoramento da capacidade preditiva dos três modelos, configurando-se como uma estratégia para aplicações práticas no setor fotovoltaico.

Palavras-chave: Algoritmo baseado em árvores; Dados meteorológicos; Dependência temporal; Engenharia de atributos; Parque solar.

06 de novembro de 2026

Comportamento de clientes em cursos preparatórios: segmentação RFM, Cadeias de Markov e aprendizado supervisionado

Construiu-se uma arquitetura analítica para compreender e predizer o comportamento de compra de clientes de um provedor de cursos livres preparatórios. O objetivo foi integrar segmentação RFM, modelagem de transições por Cadeias de Markov e predição de propensão por Regressão Logística, Random Forest e Gradient Boosting, sob a estrutura do CRISP-DM. Utilizaram-se dados transacionais de 7.123 clientes de um provedor de cursos livres, abrangendo novembro de 2022 a janeiro de 2026. A metodologia CRISP-DM guiou a segmentação RFM, a modelagem de transições por Cadeias de Markov e a predição de propensão à compra por modelos supervisionados (Regressão Logística, Random Forest e Gradient Boosting), com validação temporal ‘out-of-time’. A segmentação RFM revelou quatro perfis, com o segmento Muito Recorrente (25% da base) concentrando 60,5% da receita. A Cadeia de Markov indicou uma tendência de degradação da base no longo prazo, com o segmento Baixa Aquisição projetado para crescer de 25% para 31,3% no equilíbrio. Os modelos supervisionados alcançaram AUC entre 0,811 e 0,826, demonstrando que o poder preditivo reside nas variáveis RFM, com a recência emergindo como preditor dominante. Concluiu-se que a integração dessas abordagens fornece subsídios concretos para decisões estratégicas de retenção, segmentação e priorização de clientes em contextos educacionais, destacando a necessidade de ações estruturadas para reverter a degradação da base e a importância da recência na predição de recompra.

Palavras-chave: Cadeias de Markov; CRISP-DM; Predição de propensão; Random Forest; Segmentação RFM.

06 de novembro de 2026

Otimização da Inteligência de Negócios no E-commerce Brasileiro: Fine-Tuning de LLMs para Aspect-Based Sentiment Analysis em Avaliações de Clientes

O crescimento do e-commerce brasileiro consolidou as avaliações de clientes como rica fonte de dados não estruturados para a inteligência de negócios. Contudo, métricas tradicionais agregadas, como notas de estrelas, falham em capturar a complexidade de sentimentos mistos em um único comentário. O estudo objetivou desenvolver um modelo multi-label de Análise de Sentimento Baseada em Aspectos (ABSA) por meio do Fine-Tuning do modelo de linguagem BERTimbau, visando classificar sentimentos em quatro aspectos de negócio e comparar seu desempenho com baselines convencionais. Para isso, utilizou-se o Brazilian E-Commerce Public Dataset by Olist. Os resultados demonstraram desempenho superior do modelo ajustado, que alcançou um F1-Macro de 0,8149, representando uma melhoria de 23,7% em relação aos baselines de satisfação convencionais. Concluiu-se que o uso de LLMs especializados permite transformar feedbacks subjetivos em indicadores de diagnóstico acionáveis, fornecendo subsídios estratégicos para a gestão da cadeia de suprimentos e a otimização da experiência do cliente no ambiente digital.

Palavras-chave: Aprendizado de Máquina; Experiência do Cliente; Gestão da Cadeia de Suprimentos; Marketplace; Processamento de Linguagem Natural.

06 de novembro de 2026

Classificação de retornos de ações no Brasil com machine learning e técnicas de meta-labeling

A demanda por estratégias quantitativas em mercados de capitais impulsionou o desenvolvimento de modelos de machine learning. O presente estudo implementou um pipeline de aprendizado de máquina para a classificação ternária de retornos de ações brasileiras, visando diagnosticar sobreajuste, avaliar o uso de meta-rotulagem e Hierarchical Risk Parity (HRP) para gerar alpha positivo, e documentar modos de falha. Reuniu-se 276 ativos da B3 entre 2000 e 2026, totalizando 257.970 amostras rotuladas pelo esquema triple-barrier sobre eventos CUSUM. Um classificador primário XGBoost agrupado foi treinado com pesos de amostra corrigidos por concorrência e unicidade. A validação empregou PurgedKFold e validação cruzada combinatória purgada (CPCV), com diagnóstico de sobreajuste via PBO e DSR. A decisão de lado seguiu a softmax bruta do modelo primário, e a magnitude da aposta foi delegada a um meta-rotulador binário. A construção de carteira adotou Hierarchical Risk Parity e foi avaliada por comparação honesta A/B/C. Os resultados out-of-sample indicaram acurácia de 0,52 e aprovação nos três gates estatísticos. Contudo, no nível de carteira, o Sharpe da estratégia com timing foi de +0,23 contra +0,87 do buy-and-hold HRP, resultando em alpha de -0,63. Concluiu-se que a seleção do universo explicou substancialmente o desempenho observado, e não o timing do classificador, apesar da aprovação nos testes estatísticos de nível de operação. A contribuição metodológica foi um pipeline reprodutível, auditável e leakage-safe, com modos de falha documentados de forma transparente, e o diagnóstico do colapso do argmax sob calibração isotônica em rótulos ternários desbalanceados.

Palavras-chave: Deflated Sharpe Ratio; Diferenciação fracional; Finanças quantitativas; Meta-rotulagem; Sobreajuste em backtests.

06 de novembro de 2026

Influenciadores digitais, confiança e intenção de compra em marcas próprias de cosméticos

A influência de influenciadores digitais na confiança e intenção de compra de marcas próprias de cosméticos foi analisada, contextualizada pelo crescimento expressivo das redes sociais e do setor de beleza no Brasil. O estudo objetivou analisar a relação entre a identificação do consumidor com influenciadores digitais, a confiança e a intenção de compra de cosméticos de marcas próprias. Adotou-se uma abordagem quantitativa, descritiva e correlacional, com levantamento tipo survey aplicado a 108 respondentes válidos. Os dados foram processados no software R, utilizando análise fatorial exploratória e regressão linear múltipla. Os resultados indicaram que a confiança se consolidou como o principal preditor da intenção de compra, evidenciando sua relevância para o comportamento do consumidor. Em contrapartida, a identificação obteve a menor média e não demonstrou significância estatística no modelo de regressão, sugerindo um impacto limitado na decisão de compra. Concluiu-se que a fidedignidade e a segurança transmitidas pela marca são determinantes para a conversão em vendas, superando a necessidade de similaridade pessoal entre seguidor e influenciador no segmento de cosméticos.

Palavras-chave: Confiança; Cosméticos; Identificação; Intenção de compra; Marketing de influência.

06 de novembro de 2026

Método AHP-Gaussiano na seleção de fornecedores: conformidade em contratações públicas

A seleção de fornecedores em contratações públicas demandou instrumentos para ampliar a transparência e fortalecer a conformidade diante de riscos legais e reputacionais. O objetivo foi aplicar o método AHP-Gaussiano na seleção de fornecedores, com base em critérios quantitativos de integridade e capacidade operacional. A investigação, de natureza aplicada, documental e quantitativa, utilizou dados secundários do Cadastro Nacional de Empresas Inidôneas e Suspensas (CEIS), disponíveis no Portal da Transparência. Avaliaram-se dez fornecedores do segmento de limpeza e conservação, segundo seis critérios: recursos recebidos, sanções vigentes, contratos firmados, emendas parlamentares, serviços e participação em licitações. O método AHP-Gaussiano processou os dados, calculou os pesos dos critérios, agregou os desempenhos e gerou o ranking final das alternativas. Os resultados indicaram que o critério emendas parlamentares apresentou o maior peso relativo no modelo, seguido por participação em licitações e contratos firmados. A alternativa A4 foi a mais bem posicionada no ranking final, seguida por A5 e A6. Um teste de sensibilidade confirmou a coerência e robustez do modelo. Concluiu-se que o AHP-Gaussiano constituiu uma ferramenta adequada para apoiar a seleção de fornecedores no setor público, contribuindo para decisões mais consistentes, rastreáveis e alinhadas aos princípios de integridade e governança.

Palavras-chave: AHP-Gaussiano; Apoio multicritério à decisão; Conformidade; Contratações públicas; Fornecedores.

06 de novembro de 2026

Posicionamento de marcas globais de alimentação e a percepção do consumidor no mercado digital contemporâneo

A expansão de mercados globais impôs às marcas o desafio de superar a padronização digital e evitar a desconexão com consumidores de diferentes contextos culturais. O estudo analisou o posicionamento estratégico e a percepção das marcas McDonald’s, Starbucks e KFC no Brasil, França e Japão, buscando compreender como o tom de voz, a estética visual e os canais de comunicação foram moldados às preferências locais. A metodologia empregou um estudo de caso múltiplo com abordagem mista, que integrou a análise de conteúdo em perfis de Instagram e TikTok à aplicação de um formulário estruturado com 63 respondentes. Os resultados demonstraram contrastes significativos no posicionamento digital: no Brasil, a comunicação priorizou a expressividade e a proximidade emocional por meio de influenciadores; na França, o individualismo estético e o humor irônico predominaram como vetores de engajamento; e no Japão, a estratégia revelou uma comunicação de alto contexto, guiada pelo requinte visual, sazonalidade e uso de canais regionais como o aplicativo LINE. A pesquisa ratificou que 88,9% dos consumidores exigiram campanhas adaptadas, evidenciando a ressonância cultural como variável determinante para a sustentação do capital de marca. Concluiu-se que a eficácia do posicionamento digital dependeu do equilíbrio entre a identidade global e a localização profunda, tornando o consumo culturalmente relevante e autêntico.

Palavras-chave: Branding; Comportamento do Consumidor; Localização da Marca; Marketing Intercultural; Redes Sociais.

Inovação

05 de novembro de 2026

Um parque tecnológico não termina nos limites do seu terreno

Ao aproximar competências e acompanhar resultados, sua contribuição alcança também organizações que não estão fisicamente instaladas nele Um parque tecnológico é um lugar de encontros. Nele, uma empresa pode encontrar o conhecimento necessário para desenvolver uma solução, um pesquisador pode descobrir uma aplicação para seu trabalho e um empreendedor pode conhecer o parceiro que faltava […]

Economia

19 de outubro de 2026

Fim da escala 6×1: o que os números permitem concluir?

Após promulgação do fim da escala 6×1, debate sobre a jornada menor passa à implementação e exige distinguir benefícios sociais de custos econômicos O fim da escala 6×1 passou da discussão legislativa para uma mudança constitucional no Brasil. Em 16 de outubro de 2026, o Congresso Nacional promulgou a emenda constitucional nº 141/2026, originada da Proposta […]

Inteligência Artificial

16 de outubro de 2026

Por que estudar se existe IA?

Quando respostas se tornam fáceis, aprender passa a significar mais do que chegar até elas Por que eu preciso aprender isso se posso perguntar para uma inteligência artificial? Esse tipo de pergunta acompanha a educação há décadas. Por que aprender uma operação se existe calculadora? Por que memorizar uma informação se ela pode ser encontrada […]

Gestão Tributária

15 de outubro de 2026

Pink tax e o gênero do preço

Como os diferentes tratamentos mercadológicos a homens e mulheres são incorporados pela tributação do consumo Imagine uma prateleira na qual duas lâminas de barbear da mesma marca e destinadas à mesma finalidade estão expostas lado a lado: uma tem embalagem escura e promete força, precisão e eficiência; a outra vem em tons de rosa ou […]

Saúde

13 de outubro de 2026

O elo perdido da transformação da saúde

Por que inovar não basta para provocar mudanças nas organizações e nos sistemas de saúde A transformação digital consolidou-se como prioridade estratégica para os sistemas de saúde em todo o mundo. Prontuários eletrônicos, inteligência artificial, telemedicina, monitoramento remoto e análise de dados passaram a integrar a agenda estratégica de governos e organizações de saúde. Paradoxalmente, […]

Marketing

09 de outubro de 2026

Bitcoin ou pets: o que a Inteligência Artificial não veria

Um caso real de consumer intelligence mostra o que fica fora do briefing Há alguns anos, uma seguradora americana contratou uma empresa especializada em consumer intelligence para responder a três perguntas: A seguradora também avaliava lançar seguros pagos em bitcoin. Na época, o processo de trabalho da consultoria funcionava assim: o analista criava uma query […]

Gestão Escolar

06 de outubro de 2026

A escola não é um cassino: quando figurinhas viram moeda no pátio

Por que, para determinados estudantes, a escola consegue oferecer tão poucas experiências de conquista? A Copa do Mundo acabou. O Brasil deixou a competição, vieram as férias escolares, a final foi disputada e o calendário do futebol seguiu adiante. Seria razoável imaginar que, com o fim do torneio e o retorno às aulas, também começasse […]

Transição Energética

30 de setembro de 2026

Energias renováveis: a vantagem brasileira

Brasil precisa investir na capacidade de transformar recursos naturais em inovação, produtividade e desenvolvimento Falar sobre energia é falar sobre desenvolvimento. Por trás da indústria, dos transportes, dos serviços, das cidades e, cada vez mais, da inteligência artificial, existe uma infraestrutura energética que sustenta a economia. Compreender a matriz energética de um país é compreender […]

Análise De Dados

30 de setembro de 2026

Quando o dado muda, a realidade mudou?

Análise de quase 20 milhões de vínculos-ano docentes entre 2020 e 2025 mostra como mudanças na composição da população e na produção dos registros podem alterar a interpretação de série histórica Entre 2020 e 2025, o número de vínculos formais de trabalho docente identificados na RAIS (Relação Anual de Informações Sociais), do Ministério do Trabalho, […]

Gestão Tributária

01 de setembro de 2026

Reforma tributária e planejamento patrimonial no campo

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

Renata de Gaspari Valdejão Almeida

Inteligência Artificial

05 de agosto de 2026

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

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

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julho de 2026

O futuro como competência

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

Renata de Gaspari Valdejão Almeida

Inovação

Tecnologia

21 de maio de 2026

Corredor Agro SP: inovação, articulação institucional e futuro

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

Educação

27 de abril de 2026

Como transformar um TCC em negócio

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

Tecnologia

20 de março de 2026

O repertório humano na era da IA

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

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

23 de fevereiro de 2026

ESG como estratégia de crescimento em uma cooperativa do RS

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

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

22 de janeiro de 2026

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

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

Renata de Gaspari Valdejão Almeida

Inovação

09 de dezembro de 2025

Inovação: o novo ciclo do Parque Tecnológico de Piracicaba

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

Renata de Gaspari Valdejão Almeida

06 de julho de 2026

Arquitetura de Grande Porte: Gestão de Mudanças DSR-SCRUM

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

Mba Executivo Em Liderança E Gestão

29 de junho de 2026

Qualificação de Fornecedores: Padronização e Risco

Isis Penelope Sumarelli Albuquerque Huang; Vítor Melão Cassânego Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação. A crescente complexidade das cadeias de suprimentos agroalimentares, impulsionada pela globalização, tem gerado uma demanda intensificada por transparência, segurança e rastreabilidade nos sistemas alimentares. A integridade e a autenticidade […]

Mba Executivo Em Liderança E Gestão

26 de junho de 2026

Jurídico: de centro de custo a parceiro estratégico

Adriana Ehiar Ribeiro Petry; Ana Carla Fernandes Gasques Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação. O cenário de expansão no mercado brasileiro, apesar de promissor para empresas de bens de consumo, apresenta desafios significativos que exigem uma abordagem estratégica e adaptável. Com uma população […]

Mba Executivo Em Liderança E Gestão

26 de junho de 2026

Cultura: Profissionalização e crescimento em empresas familiares

Yashmin Meirelles Oliveira Araujo; Gilmar Martinelli Junior Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação. O cenário econômico brasileiro é marcadamente influenciado pela expressiva representatividade das empresas familiares, que constituem aproximadamente 90% dos empreendimentos do país, conforme dados da PwC (2023). Dentro desse vasto universo, […]

Mba Executivo Em Liderança E Gestão

26 de junho de 2026

Equipes Semifixas: Engajamento e Coesão em Campo

Wesley Araújo Martins; Odair Silva Soares Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação. O setor operacional de uma empresa especializada em serviços técnicos de campo, atuante na manutenção de transformadores de potência em ambientes industriais e concessionárias de energia, enfrenta desafios significativos relacionados à […]

Mba Executivo Em Liderança E Gestão

26 de junho de 2026

IA em pré-vendas: Geração automatizada de propostas

Vitor Luis Genaro; Felipe Carvalhal Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação. O mercado de consultoria em tecnologia exige das organizações uma eficiência operacional crescente, aliada à capacidade analítica e à velocidade de resposta ao cliente. Nesse cenário dinâmico, a área de pré-vendas assume […]

Mba Executivo Em Liderança E Gestão

26 de junho de 2026

PMaaS: Alavancando projetos em PMEs sem PMO

Vitor Conceição Faria; Ewerton Mauro Visotto Faria Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação. O cenário empresarial contemporâneo, marcado por alta competitividade e uma transformação digital acelerada, impõe desafios complexos às empresas, especialmente às de pequeno e médio porte. Muitas dessas organizações, embora engajadas […]

Mba Executivo Em Liderança E Gestão

26 de junho de 2026

Gestão Ágil do Ciclo de Vida em Fomento Público

Vinícius Nascimento Garcia; Ana Carla Gasques Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação. A agência pública estadual de fomento enfrentava um cenário de desenvolvimento reativo e fragmentado de suas linhas de crédito, caracterizado pelo baixo uso de dados e pela ausência de uma governança […]

Mba Executivo Em Liderança E Gestão

26 de junho de 2026

Mentoria e Onboarding: Desenvolvendo Talentos em GC

Vinícius Andrade de Carvalho; Ewerton Mauro Visotto Faria Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação. A demanda por serviços de outsourcing tem experimentado um crescimento notável tanto no Brasil quanto globalmente, impulsionando empresas a expandir suas operações terceirizadas. Relatórios como o “Global Outsourcing Survey […]

Artigo

Uma comparação entre estratégias de investimento utilizando redes neurais, métodos estatísticos e momentum

Mais recentes

Você também pode gostar

Inscreva-se em nossa newsletter!