Negociação de Ações Baseada em IA: Qual Ferramenta de IA Generativa é Melhor

Ferramentas de LLM têm sido usadas na negociação de ações baseada em IA desde seu surgimento.¹

Testei 20 models de IA generativa em uma única e difícil tarefa de previsão: prever o retorno anormal cumulativo de 3 dias (CAR) de 132 ações após um evento inesperado, usando apenas as informações no nível da empresa fornecidas no prompt.

• ChatGPT 5 Thinking (74%) model e o Gemini 2.5 Pro (71%) model apresentaram o melhor desempenho.
• Mais informações não ajudam a aumentar o desempenho.

Desempenho de ferramentas baseadas em IA

Para mais detalhes sobre o benchmark, leia a seção metodologia do benchmark de negociação de ações.

Como os models raciocinaram

Cada model convergiu para a mesma explicação de duas forças sobre o que acontece quando um gestor familiar morre:

• Perda de capital humano: Se a pessoa falecida gerava os retornos, a morte destrói algo que a empresa não consegue substituir rapidamente. CAR negativo.
• Alívio de entrincheiramento: Se a empresa estava com desempenho inferior sob um gestor que o controle familiar tornava irremovível, a morte faz o que o mercado de controle corporativo não conseguiu. CAR positivo.

A estrutura não é o que separa os models. O que os separa é onde definem os pontos de corte, qual variável desempata e com que facilidade deixam um caso no grupo neutro. As seções abaixo registram apenas essas diferenças.

Versões atuais

GPT 5.5 Instant

Classifica o papel da pessoa falecida em primeiro lugar (CEO acima de presidente do conselho acima de títulos honorários) e, em seguida, analisa a concentração acionária, ROE/ROA, alavancagem e implicações gerais da transição de governança.

É o único model do conjunto que não publicou limites, pesos ou ordem de arbitragem.

DeepSeek V3.2 (Instant & Deep Think)

Pontuações idênticas com e sem raciocínio estendido.

O DeepSeek interpreta a participação familiar na direção oposta à da maioria do campo: alta participação sinaliza compromisso com uma transição tranquila e empurra para positivo ou neutro, enquanto outros models interpretam a mesma concentração como risco sucessório.

Trata o tamanho da empresa e uma morte não súbita como evidência de que a máquina de transição já existe, o que encaminha esses casos para 0.

Claude Fable 5.1

O model ponderou dois efeitos opostos da literatura sobre morte de executivos:

• perder um tomador de decisão-chave (negativo)
• remover um controlador entrincheirado (positivo).

Atribuiu −1 a CEOs ativos e presidentes do conselho de empresas lucrativas com controle familiar concentrado, +1 a líderes de empresas deficitárias ou estagnadas onde a participação familiar era alta e 0 a executivos aposentados, papéis periféricos, empresas muito grandes e casos com dados financeiros ausentes.

Claude Opus 5 High

Assume a lucratividade como eixo principal e então aplica moduladores multiplicativos: papel (CEO titular ×1.20 até emérito ×0.30), alavancagem acima de 55% (−0.80), número de funcionários acima de 100.000 (×0.75) e setor (intensivo em relacionamento ×1.15, commodity ×0.80).

Duas características são exclusivas dele:

• Condiciona a participação acionária ao mercado de controle local: acima de 75% é +0.40 em jurisdições onde aquisições são viáveis e −0.50 onde a sucessão é dinástica, e aplica um ajuste separado de proteção ao investidor por país.
• Impõe duas restrições rígidas: números brutos de ativos, receitas e dívidas são descartados como não comparáveis entre 24 moedas, deixando apenas índices e número de funcionários; e um +1 exige lucratividade abaixo da mediana, pois sem desempenho inferior não há nada para a morte aliviar.

Claude Fable 5

Papel em primeiro lugar, e explícito sobre sua fundamentação na literatura de estudos de eventos de morte de executivos. Zera os 18 casos cerimoniais antes de pontuar qualquer coisa e, em seguida, trata papéis periféricos como 0 com uma exceção: uma cadeira no conselho familiar com participação acionária ≥ 75%, onde a morte afrouxa o bloco de controle.

CEO ou presidente ativo assume −1 por padrão e muda para +1 com lucro líquido ou ROE negativos, ou com participação acionária muito alta combinada com retornos medíocres. O ramo de presidente do conselho ativo é o único lugar no benchmark em que um model explicitamente considera que duas forças se anulam em vez de escolher a maior: o desempenho médio em um papel de supervisão é pontuado como 0 porque a perda de administração e a melhoria da governança se compensam.

Gemini 3.1 Pro

O conjunto de limites mais flexível entre os models atuais.

Um papel crítico mais ROE > 10% ou ROA > 5% gera −1; qualquer desempenho inferior anterior, lucro líquido negativo, ROA ou ROE, gera +1; todo o resto é 0.

Ambas as condições direcionais disparam facilmente, então poucos casos sobrevivem na categoria neutra.

Models antigos

GPT 5 Thinking model

O model mais preciso e o único que rotula por classificação relativa com um requisito de margem em vez de limites absolutos. Ele constrói dois índices contínuos de pontuação z:

• Índice de concentração de liderança (LCI), mais alto = mais provável substancialmente negativo: LCI = 0.40·z(role_importance) + 0.30·z(family_control) + 0.20·z(financial_strength) − 0.10·z(size)
• Índice de potencial de renovação (RPI), mais alto = mais provável substancialmente positivo: RPI = 0.40·(−z(financial_strength)) + 0.25·z(leverage) − 0.20·z(family_control) − 0.10·z(size) + 0.05·z(liquidity_stress)

Um rótulo direcional é emitido apenas quando um índice está entre os 30% superiores da amostra e supera o outro em pelo menos 0.5 unidades z. Esse requisito de margem é o que mantém o padrão em 0 e é a diferença estrutural mais clara entre este model e os abaixo.

Gemini 2.5 Pro

A mesma arquitetura de dois índices com um filtro muito mais rígido: os 5% superiores da amostra em vez dos 30% superiores.

• Índice de vulnerabilidade (VI): 0.40·z(family_control) + 0.35·(−z(financial_strength)) + 0.20·z(leverage) − 0.05·z(size)
• Índice de catalisador de recuperação (TCI): 0.50·(−z(financial_strength)) + 0.25·z(family_control) − 0.15·z(leverage) − 0.10·z(size)

O controle familiar entra em ambos os índices com sinal positivo, de modo que a concentração acionária por si só não consegue escolher uma direção; a lucratividade desempata. O rótulo positivo exige adicionalmente que o TCI supere o VI em 0.5 unidades z.

GPT 5.4 Instant

Usa a lucratividade como sinal primário e não publica pontos de corte. Negativo quando a pessoa falecida ocupava um papel operacional central em uma empresa saudável e de capital fechado; positivo quando a lucratividade era mais fraca ou a alavancagem maior e a profundidade da sucessão familiar parecia disponível; neutro quando o papel era cerimonial ou os sinais se compensavam.

GPT 5.4 Thinking

Mesmas entradas do 5.4 Instant, com uma diferença estrutural: a centralidade do papel é exigida em ambas as direções, de modo que um papel periférico não pode produzir um rótulo direcional. O tamanho da empresa também gera um neutro por si só; uma empresa grande o suficiente para absorver a mudança é pontuada com 0, independentemente do desempenho.

Claude Opus 4.8 Medium

Lógica central: Duas forças opostas impulsionam a reação:

(+) Alívio de entrincheiramento: A morte de um insider entrincheirado ou com desempenho inferior pode ativar o mercado de controle e aumentar as esperanças de recuperação.

(−) Capital humano perdido: A morte de um proprietário-gestor que agrega valor destrói uma habilidade difícil de substituir e cria risco sucessório.

(0) Sem surpresa: Títulos cerimoniais/aposentados, papéis puramente de conselho ou casos atenuados/compensados não produzem reação significativa.

Regras de decisão:

• Emérito/honorário -> 0 (retirado).
• Membro do conselho/diretor, lucrativa -> 0; deficitária -> +1 (reorganização).
• Executivo ativo + prejuízos/ROA<1 -> +1 (alívio/opcionalidade).
• Executivo ativo + forte (ROA>=mediana & ROE>=10 & NI>0) & participação>=60% -> -1 (administrador perdido).
• Executivo ativo + forte, mas participação<60% -> 0 (colchão de supervisão).
• Sinal mediano / ausente / papel desconhecido -> 0.

GPT 5 Pro

Novamente dois índices, mas construídos a partir de participação acionária e alavancagem em vez do papel, que não aparece em nenhuma das fórmulas.

• Índice de risco de pessoa-chave (KPRI): 0.40·z(ownership) + 0.30·z(leverage) − 0.20·z(size) + 0.10·z(profitability)
• Índice de potencial de recuperação (TPI): 0.40·(−z(profitability)) + 0.20·z(leverage) − 0.20·z(ownership) − 0.10·z(size) + 0.10·z(AP/assets)

Os filtros são os mesmos do GPT 5 Thinking: os 30% superiores mais uma margem de 0.5 unidade z. Remover o papel do índice é a fonte mais provável da diferença de 18 pontos entre os dois.

Gemini 3 Flash

Apresenta as duas forças como teorias concorrentes e atribui pontos de corte explícitos de ROA: acima de 10% o líder é precificado como uma estrela e a morte é −1; abaixo de 3% a morte é interpretada como uma abertura para gestão profissional e pontuada como +1; a faixa de 3–10% e todos os papéis não ativos são 0.

Gemini 3 Thinking

O mesmo desenho de pontos de corte empurrado ainda mais para longe, −1 acima de ROA 12%, +1 abaixo de 2,5%, o que amplia a faixa neutra dos sete pontos do Flash para quase dez.

Claude Sonnet 4.6

O único sistema de pontos aditivo com pesos publicados e pontos de corte absolutos (≥ +0.90 → +1, ≤ −0.70 → −1).

Avalia seis dimensões:

• proeminência do papel
• ROA
• lucro líquido e EBITDA
• ROE
• participação acionária familiar
• alavancagem

A ponderação é deliberadamente assimétrica. ROA negativo por si só vale +1.2, e um prejuízo líquido e EBITDA negativo adicionam mais +0.6 e +0.5, enquanto a maior penalidade de papel disponível, um CEO ativo ou presidente do conselho, é de apenas −0.6.

O estresse financeiro pode, portanto, sobrepor-se à identidade da pessoa falecida, o que nenhum outro model no conjunto permite.

GPT 4o

As condições são listadas sem uma ordem de arbitragem, de modo que casos que satisfazem duas regras não têm resolução definida. Também se diferencia do campo em papéis periféricos: um membro do conselho ou VP é pontuado com +1, onde quase todos

DeepSeek V3

A estrutura de três fatores que o V3.2 refinou posteriormente, como papel, saúde financeira e participação acionária, mas sem a leitura da participação como estabilizadora. Alta participação mais um papel-chave amplifica a previsão negativa. Vale destacar separadamente: o model estimou sua própria precisão em cerca de 65%, mais que o dobro de sua pontuação real.

Gemini 2.5 Flash

O resultado mais baixo e o único com um teto autoimposto. O model concluiu que o prompt não continha informações suficientes para identificar casos positivos e não emitiu rótulos +1, colapsando um problema de três classes em dois e perdendo todos os casos positivos da amostra.

Precisão do model com entrada extensiva

A segunda rodada adiciona dez campos de nível pessoal aos mesmos 132 casos: se a pessoa falecida ainda trabalhava, geração após o fundador, status de fundador, tempo de mandato, idade ao morrer, morte súbita versus doença e quatro contagens de filhos e parceiros.

O efeito agregado é quase nulo. A precisão média entre esses 13 models passa de 54,8% para 55,2%. O que a média oculta é uma ampla dispersão de respostas individuais:

• Claude Fable 5 ganha mais, 16 pontos, e é o único model cuja informação extra o move de perto da parte inferior do grupo para os quatro primeiros. Sua lógica da primeira rodada dependia quase inteiramente do cargo e da lucratividade; os campos da segunda rodada fornecem exatamente o que faltava naquela árvore, se a pessoa ainda trabalhava e se a morte foi súbita.
• Gemini 3.1 Pro (+10) e Gemini 3 Thinking (+9) também melhoram substancialmente, assim como DeepSeek V3.2 Deep Think (+6).
• GPT 5.4 Instant perde 17 pontos, o maior movimento em qualquer direção. Claude Sonnet 4.6 (−7) e GPT 5.4 Thinking (−6) também caem.
• A melhor pontuação da segunda rodada (64%) é menor que a melhor pontuação da primeira rodada no mesmo grupo (69%). Mais informações não elevaram o teto; comprimiram a faixa.

Metodologia do benchmark de negociação de ações baseada em IA

Elaboração de prompts

O benchmark avalia se ferramentas de IA generativa podem prever reações do mercado de ações a um evento inesperado, com base nos fundamentos fornecidos da empresa. A configuração se baseia em dados de Tanyeri & Alp (2023)² e Arslan & Tanyeri-Günsur (2026):³

Cada ferramenta de IA recebe um retrato das informações no nível da empresa para a primeira rodada:

Informações financeiras

• Tamanho dos ativos
• Tamanho do patrimônio líquido
• Lucros antes de juros, impostos, depreciação e amortização (EBITDA)
• Lucro líquido
• Receita anual
• Dívida de longo e curto prazo
• Contas a pagar
• Retorno sobre o patrimônio líquido (ROE)
• Retorno sobre os ativos (ROA)

Outras informações

• Participação acionária familiar
• País da sede e da listagem em bolsa
• Número de funcionários
• Indústria/setor

Nenhum nome de empresa ou outros identificadores são fornecidos.

Na segunda rodada, as seguintes informações são adicionadas:

• se a pessoa falecida estava trabalhando no momento da morte
• a geração da pessoa falecida após o fundador da empresa
• se a pessoa falecida era o fundador
• o tempo de mandato da pessoa falecida na empresa
• a idade da pessoa falecida no momento da morte
• se a pessoa falecida morreu repentinamente ou após uma doença
• o número de filhos que a pessoa falecida tinha
• o número de filhas que a pessoa falecida tinha
• o número de filhos homens que a pessoa falecida tinha
• o número de parceiros que a pessoa falecida teve

Pergunta principal

Com base nas informações acima, cada solução de IA é solicitada a prever se os retornos anormais cumulativos de 3 dias (CAR) de 132 empresas serão:

• Significativamente positivos
• Significativamente negativos
• Não significativos

O CAR mede como os mercados financeiros respondem ao evento. Um CAR positivo indica que os operadores de ações percebem o evento como gerador de valor; um CAR negativo, como redutor de valor; e um CAR não significativo, como neutro.

Amostragem

O dataset inclui 132 eventos de morte em 109 empresas familiares de capital aberto em 24 países. Todas as empresas estão classificadas entre as 500 maiores empresas familiares.

Medição de desempenho

O benchmark baseia-se em análise técnica anterior dos preços das ações. Para cada empresa, o CAR de 3 dias foi calculado e categorizado como:

• Significativamente positivo
• Significativamente negativo
• Não significativo

As previsões de IA são comparadas com os valores históricos de CAR. A precisão é medida como a porcentagem de previsões corretas feitas por cada solução de IA generativa.

Não perca os nossos benchmarks e insights baseados em dados. O botão abre o Google; selecionar a AIMultiple confirma que deseja ver a AIMultiple com mais frequência nos resultados de pesquisa do Google.

Adicionar como fonte preferencial

Leituras adicionais

• Agentic IA Finance Benchmark: FinRobot vs FinRL vs FinGPT
• Principais plataformas de pesquisa financeira com IA para investidores
• IA VC Benchmark: IA Agents em tarefas reais de capital de risco

Perguntas frequentes

Cite este benchmark

Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.

@misc{arslan2026,
  author = {Arslan, Ezgi},
  title  = {{Negociação de Ações Baseada em IA: Qual Ferramenta de IA Generativa é Melhor}},
  year   = {2026},
  month  = sep,
  howpublished    = {\url{https://aimultiple.com/ai-based-stock-trading}},
  note   = {AIMultiple. Acessado em 3 setembro 2026}
}

Registro de alterações

4 atualizações

2026

1. 3 set

   Adicionado Claude Fable 5.1 aos modelos de IA generativa testados.

2. 28 ago

   Adicionada a seção "Como os modelos raciocinaram" explicando a estrutura CAR de duas forças.

3. 10 jun

   Adicionada uma seção Versões atuais sobre GPT 5.5 Instant, Claude Opus 4.8, DeepSeek V3.2 e Gemini 3.1 Pro.

4. 25 mar

   Adicionados os modelos GPT 5.4 Instant e GPT 5.4 Thinking à seção Versões atuais.

Links de referência

1.

Does Generative AI Facilitate Investor Trading? Early Evidence from ChatGPT Outages by Qiang Cheng, Pengkai Lin, Yue Zhao :: SSRN

2.

The value of shareholder rights in family firms: Global evidence from a death in the family - Tanyeri Günsür - 2023 - Corporate Governance: An International Review - Wiley Online Library

3.

ResearchGate - Temporarily Unavailable

4.

Artificial Intelligence Can Make Markets More Efficient—and More Volatile

Ezgi Arslan, PhD.

Analista da Indústria

Siga-nos

Ezgi possui um doutorado em Administração de Empresas com especialização em finanças e atua como Analista da Indústria na AIMultiple. Ela conduz pesquisas e insights na interseção entre tecnologia e negócios, com experiência em sustentabilidade, análise de pesquisas e de sentimento, aplicações de agentes de IA em finanças, otimização de mecanismos de resposta, gerenciamento de firewall e tecnologias de compras.

Ver perfil completo

Seja o primeiro a comentar

Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.

Nome

Endereço de email

Comentário

0/450

Postar comentário