Econstellar: An Open-Source AI-Augmented Research Engine for Computational Financial Econometrics

Resumo Técnico: Econstellar – Um Motor de Pesquisa Aumentado por IA de Código Aberto

Problema
O artigo identifica um gargalo crítico na econometria financeira computacional: a transformação de uma ideia econômica promissora em um achado empírico crível e reprodutível é uma tarefa dispendiosa que exige computação especializada. Embora a literatura de replicação documente que uma fração substancial da economia empírica publicada não pode ser reproduzida a partir dos materiais fornecidos, a lacuna não é primariamente de intenção, mas de execução. A natureza pesada, irregular e limitada pela latência de memória de certas computações — especificamente a estimativa de contágio informacional exata usando buscas de vizinho mais próximo (k-d-tree) — resiste à aceleração em processadores gráficos (GPUs). Consequentemente, essas análises raramente são disponibilizadas ao público de uma forma que permita aos leitores reexecutá-las, variar os inputs ou rastrear a produção. Além disso, as ferramentas de IA existentes frequentemente geram números diretamente, criando um output "fluente, mas não verificável" que carece do embasamento necessário para a pesquisa científica.

Metodologia e Arquitetura do Sistema
O Econstellar foi projetado como um motor de pesquisa aberto, em ambiente de sandbox e servido publicamente, que preenche a lacuna entre as afirmações de pesquisa e a verificação independente. O sistema é construído sobre quatro componentes principais:

1. Motor de Computação em Sandbox:

   • Arquitetura: Um orquestrador Node.js sem dependências rodando no Google Cloud Run. Ele expõe um único endpoint HTTP para análises registradas.
   • Modelo de Segurança: O sistema opera em um registro de "apenas parâmetros". A superfície pública aceita um nome de método e parâmetros tipados, validando-os contra um esquema fixo. Ele nunca aceita código executável.
   • Execução: As chamadas aceitas geram subprocessos R descartáveis, sem saída de rede (network egress), com uma raiz de apenas leitura e um diretório temporário (scratch directory).
   • Escolha do Processador: Crucialmente, as computações econométricas pesadas (especificamente as buscas de vizinho mais próximo para entropia de transferência) são executadas em Unidades de Processamento Central (CPUs). Os autores argumentam que o fluxo de controle dependente de dados e com divergência de ramificação (branch-divergent) das travessias de k-d-tree serializa as threads em GPUs, tornando as CPUs o hardware apropriado para a estimativa de informação teórica exata.

2. Camada de Analista de Inteligência Artificial:

   • Interpretação de Dois Níveis: O sistema emprega um "analista rápido" (chamada de função) e um "assistente de pesquisa profunda" (loop de agentes).
   • Restrição de Embasamento (Groundedness): O modelo de linguagem (Gemini 2.5) é estritamente proibido de originar números. Seu papel limita-se a selecionar análises registradas, ler o output estruturado em JSON do motor R em sandbox e compor interpretações em prosa. Cada afirmação quantitativa no output da IA corresponde a uma computação real e reprodutível.
   • Ferramental: O modelo interage com a ferramenta run_analysis(method, params), cujo esquema é derivado diretamente do registro do motor de computação.

3. NEURICX (Inteligência Financeira em Tempo Real):

   • Este serviço ingere notícias globais do índice GDELT, classifica os artigos por canal de transmissão usando um modelo de linguagem e realiza a geocodificação.
   • Os dados são persistidos em um armazém longitudinal no BigQuery, permitindo a análise da intensidade do canal e do estresse sistêmico ao longo do tempo, em vez de depender de visões transitórias.

4. Bancada de Trabalho de Pesquisa Pública:

   • Uma Aplicação de Página Única (SPA) estática e sem dependências, hospedada no GitHub Pages.
   • Ela renderiza dinamicamente o catálogo de métodos do motor em tempo de execução, garantindo que a interface seja atualizada conforme novos métodos são registrados.
   • Recursos de Reprodutibilidade: Cada resultado é carimbado com proveniência (método, versão, revisão do motor, parâmetros, vintage dos dados, timestamp) e inclui um link permanente para reexecutar a análise exata. Os resultados são exportados como CSV/JSON com entradas BibTeX geradas.

Substrato Metodológico
O sistema serve dezessete métodos econométricos baseados em oito primitivas de estimativa subjacentes:

• Memória Longa: Análise de flutuação detendida (expoente de Hurst).
• Variância Multiescala: Transformada wavelet discreta de sobreposição máxima.
• Fluxo de Informação Direcionada: Entropia de transferência usando estimadores de entropia diferencial de Kozachenko-Leonenko e a correção de informação mútua de vizinho mais próximo de Kraskov et al.
• Significância de Surrogates: Surrogates de preservação de fase para testes de significância direcional.
• Estrutura de Comunidade: Maximização de modularidade.
• Formação de Redes: Grafos de dependência direcionada retendo arestas que sobrevivem aos testes de surrogates.
• Atribuição de Canal: Regressão instrumental (2SLS) para atribuir o contágio aos canais de comércio, financeiro e outros.
• Validação Discriminatória: Área Sob a Curva (AUC) e teste de DeLong para classificação de crise.

Uma disciplina rigorosa de estacionariedade governa todos os métodos: os níveis de preços são tratados como não estacionários (I(1)), e todos os métodos são aplicados exclusivamente a log-retornos (I(0)).

Resultados Principais e Valores Verificados
O artigo reporta valores vivos verificados para dezessete métodos computados em um painel de ações do G20 armazenado (18 mercados, log-retornos diários, 2006–2026). Achados notáveis incluem:

• Testes de Raiz Unitária: Confirmaram que os níveis de preços são I(1) e os retornos são I(0) para os principais índices (ex: S&P 500, Reino Unido, Índia).
• Perfis de Contágio: O método soch_profile, chamando diretamente o pacote publicado sochcontagion, reproduziu um perfil de wavelet-quantile direcionado para o par EUA-Índia. O valor agregado (0.039) e os ganhos por escala coincidiram exatamente com o estudo publicado, diferindo apenas no número de escalas resolvidas.
• Validação de Risco Sistêmico: Um índice de risco sistêmico construído sobre primitivas de fluxo direcionado alcançou um AUC de 0.915 na classificação da crise do COVID-19 (amostra de ações dos EUA), ligeiramente abaixo do benchmark contemporâneo do VIX (0.947), mas com um aviso prévio de um dia. Em um teste mais difícil referente ao estresse induzido por política comercial na Índia, o índice (aumentado com incerteza de política comercial) alcançou um AUC de 0.581, superando estatisticamente o VIX da Índia (0.531, p=0.030).

Significância e Alegações
O artigo posiciona o Econstellar não apenas como uma ferramenta de demonstração, mas como o núcleo de trabalho de um programa de pesquisa ativo abrangendo três lançamentos de software e três preprints. Sua principal significância reside em três escolhas de design:

1. Alinhamento de Hardware: Colocar a computação pesada e irregular no processador mais adequado para ela (CPU) em vez de forçá-la em hardware mal compatível (GPU).
2. Embasamento de IA: Garantir que o assistente de IA interprete, mas nunca origine números, tornando cada afirmação quantitativa reprodutível.
3. Identidade de Código: Usar exatamente o mesmo código implantado que produz as figuras em seus artigos publicados como o código disponível para o público.

Os autores afirmam que o sistema encurta a distância entre uma afirmação de pesquisa e o momento em que outra pessoa pode verificá-la independentemente. Ao tornar a reprodutibilidade o comportamento padrão de um instrumento de pesquisa servido, em vez de um apêndice feito a posteriori, o Econstellar visa enfrentar a crise de replicação na economia computacional. O sistema está atualmente disponível como software de código aberto em um endereço público vivo, com planos para estendê-lo a um painel completo de 18 mercados usando um nó dedicado de CPU-HPC.