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

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

Testei 20 models de IA generativa em uma única e difícil tarefa de previsão: prever o retorno anormal acumulado 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 entregaram o melhor desempenho.
• Mais informações não ajudam a aumentar o desempenho.

Desempenho das ferramentas com IA

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

Como os models raciocinaram

Todos os models convergiram para a mesma explicação de duas forças sobre o que acontece quando um gestor familiar morre:

• Perda de capital humano: Se o falecido estava gerando os retornos, a morte destrói algo que a empresa não consegue substituir rapidamente. CAR negativo.
• Alívio do entrincheiramento: Se a empresa tinha desempenho abaixo do esperado sob um gestor que o controle familiar tornava impossível de remover, a morte faz o que o mercado de controle corporativo não conseguiu. CAR positivo.

O framework 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 na categoria neutra. As seções abaixo registram apenas essas diferenças.

Versões atuais

GPT 5.5 Instant

Classifica o papel do falecido primeiro (CEO acima de chairman acima de títulos honorários), depois lê a concentração de propriedade, ROE/ROA, alavancagem e implicações gerais de transição de governança.

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

DeepSeek V3.2 (Instant & Deep Think)

Pontuações idênticas com e sem raciocínio estendido.

DeepSeek lê a propriedade familiar na direção oposta à da maioria do campo: alta propriedade sinaliza compromisso com uma transição suave e empurra para positivo ou neutro, enquanto outros models leem a mesma concentração como risco de sucessão.

Trata a escala da empresa e uma morte não súbita como evidência de que a maquinaria 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 chairmen 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

Toma a rentabilidade como o eixo principal e então aplica moduladores multiplicativos: papel (CEO em exercício ×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 propriedade 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: valores brutos de ativos, receitas e dívidas são descartados como não comparáveis entre 24 moedas, deixando apenas índices e números de funcionários; e um +1 exige rentabilidade abaixo da mediana, pois sem desempenho inferior não há nada que a morte possa aliviar.

Claude Fable 5

Papel em primeiro lugar, e explícito sobre sua base na literatura de estudo de eventos de morte de executivos. Ele zera os 18 casos cerimoniais antes de pontuar qualquer coisa, depois trata papéis periféricos como 0 com uma exceção: uma cadeira no conselho familiar com propriedade ≥ 75%, onde a morte afrouxa o bloco de controle.

CEO ou presidente ativo assume o padrão de −1 e muda para +1 com lucro líquido negativo ou ROE, ou com propriedade muito alta combinada com retornos medíocres. O ramo de chairman ativo é o único lugar no benchmark onde um model explicitamente trata duas forças como se anulando 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 de governança se compensam.

Gemini 3.1 Pro

O conjunto de limiares mais flexível entre os models atuais.

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

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

Models mais 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 limiares absolutos. Ele constrói dois índices contínuos de z-score:

• Índice de concentração de liderança (LCI), quanto maior = mais provavelmente 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), quanto maior = mais provavelmente 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 somente 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 que estão abaixo.

Gemini 2.5 Pro

A mesma arquitetura de dois índices com um portão muito mais rigoroso: 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 de propriedade, por si só, não pode escolher uma direção; a rentabilidade desempata. O rótulo positivo exige adicionalmente que o TCI exceda o VI em 0.5 unidades z.

GPT 5.4 Instant

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

GPT 5.4 Thinking

Mesmas entradas que o 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 de forma alguma. O tamanho da empresa também gera um neutro por si só; uma empresa grande o suficiente para absorver a mudança é pontuada como 0 independentemente do desempenho.

Claude Opus 4.8 Medium

Lógica central: Duas forças opostas impulsionam a reação:

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

(-) Perda de capital humano: a morte de um proprietário-gestor que agrega valor destrói habilidades difíceis de substituir e cria risco de sucessão.

(0) Sem surpresa: títulos cerimoniais/aposentados, papéis apenas no conselho ou casos atenuados/compensados não produzem reação significativa.

Regras de decisão:

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

GPT 5 Pro

Dois índices novamente, mas construídos a partir de propriedade e alavancagem em vez de 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 portões são os mesmos do GPT 5 Thinking: os 30% superiores mais uma margem de 0.5 unidade z. A remoção do papel do índice é a fonte mais provável da diferença de 18 pontos entre os dois.

Gemini 3 Flash

Afirma 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 ponto de corte empurrado ainda mais para longe, −1 acima de ROA 12%, +1 abaixo de 2.5%, o que alarga a banda neutra de sete pontos do Flash para quase dez.

Claude Sonnet 4.2

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

Ele pontua seis dimensões:

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

A ponderação é deliberadamente assimétrica. ROA negativo isolado 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 ou chairman ativo, é de apenas −0.6.

O estresse financeiro pode, portanto, se sobrepor à identidade do falecido, o que nenhum outro model do 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. Ele também se afasta do campo em papéis periféricos: um membro do conselho ou VP é pontuado como +1, onde quase todos os

Claude Sonnet 4.6

Dois índices de z-score no molde do GPT 5 Thinking: uma pontuação de disrupção de sucessão, ponderando papel, propriedade, desempenho, dívida e número de funcionários, e um índice de renovação de governança, ponderando fragilidade de desempenho, dispersão de propriedade e qualidade institucional.

É o único model a isso do campo da sede. O rótulo positivo exige que o índice de renovação supere a pontuação de disrupção por uma margem fixa de pontos.

DeepSeek V3

A estrutura de três fatores que o V3.2 refinou posteriormente, como papel, saúde financeira e propriedade, mas sem a leitura de propriedade como estabilizador. Propriedade alta mais um papel-chave amplifica a previsão negativa. Vale notar 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 nenhum rótulo +1, colapsando um problema de três classes em dois e perdendo todos os casos positivos da amostra.

Precisão do model com insumos extensos

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

O efeito agregado é próximo de zero. A precisão média entre esses 13 models passa de 54.8% para 55.2%. O que a média esconde é uma ampla dispersão de respostas individuais:

• Claude Fable 5 é o que mais ganha, 16 pontos, e é o único model cujas informações extras o movem de perto da parte inferior do grupo para os quatro primeiros. Sua lógica da primeira rodada baseava-se quase inteiramente em cargo e rentabilidade; 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 o DeepSeek V3.2 Deep Think (+6).
• GPT 5.4 Instant perde 17 pontos, a maior mudança em qualquer direção. Claude Sonnet 4.2 (−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; elas comprimiram a faixa.

Metodologia do benchmark de negociação de ações baseada em IA

Formulação do prompt

O benchmark avalia se as ferramentas de IA generativa podem prever as 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 instantâneo de informações no nível da empresa para a primeira rodada:

Informações financeiras

• Tamanho do ativo
• 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 outro identificador é fornecido.

Na segunda rodada, as seguintes informações são adicionadas adicionalmente:

• se o falecido estava trabalhando no momento da morte
• a geração do falecido após o fundador da empresa
• se o falecido era o fundador
• o tempo de mandato do falecido na empresa
• a idade do falecido no momento da morte
• se o falecido morreu repentinamente ou após uma doença
• o número de filhos que o falecido teve
• o número de filhas que o falecido teve
• o número de filhos do sexo masculino que o falecido teve
• o número de parceiros que o falecido teve

Pergunta principal

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

• Significativamente positivo
• Significativamente negativo
• Não significativo

O CAR mede como os mercados financeiros respondem ao evento. Um CAR positivo indica que os traders de ações percebem o evento como gerador de valor, um CAR negativo como redutor de valor, e um CAR insignificante 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 se baseia em análises técnicas anteriores 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: Agentes de IA 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{phd2026,
  author = {PhD., Ezgi Arslan,},
  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

1 atualizações

1. 202625 Mar

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

Links de referência

1.

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4872189

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