Artificial Intelligence and Machine Learning for Stock Market Prediction: A Systematic Literature Review of Methods, Emerging Paradigms, Reproducibility, and Evaluation Gaps (2016-2026)
Esta revisão sistemática da literatura de 685 estudos (2016–2026) analisa a evolução, reprodutibilidade e lacunas de avaliação na previsão do mercado de ações impulsionada por IA, revelando um descompasso crítico entre as acurácias de modelos relatadas e a utilidade prática de negociação devido a problemas generalizados como vazamento de dados, falta de compartilhamento de código e testes estatísticos insuficientes.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Os preços das ações são notoriamente difíceis de prever. Eles não se movem em linhas retas, são frequentemente ruidosos e mudam seu comportamento ao longo do tempo. Durante décadas, economistas tentaram prever esses movimentos usando regras matemáticas simples que assumiam que o futuro seria muito parecido com o passado. Mas, à medida que os computadores se tornaram mais rápidos e poderosos, uma nova geração de pesquisadores começou a usar inteligência artificial para encontrar padrões no caos. Esses sistemas, conhecidos como modelos de aprendizado de máquina, podem digerir vastas quantidades de dados históricos para detectar sinais sutis que analistas humanos poderiam perder. A promessa é tentadora: se um computador puder aprender a prever para qual direção uma ação se moverá, ele poderá gerar riqueza significativa. No entanto, apesar do entusiasmo, o campo tem sido assolado por um problema persistente. Muitos estudos afirmam ter encontrado uma fórmula vencedora, mas quando outros tentam repetir o trabalho, os resultados muitas vezes desaparecem.
Uma equipe de pesquisadores partiu para entender por que existe essa lacuna entre o que os artigos relatam e o que realmente funciona no mundo real. Eles conduziram uma revisão massiva de 685 estudos científicos publicados entre 2016 e 2026, examinando como a inteligência artificial está sendo usada atualmente para prever os mercados de ações. O trabalho deles não é um novo modelo de previsão em si, mas sim uma auditoria profunda de todo o campo. Eles analisaram os tipos de arquiteturas de computador que estão sendo construídas, como os métodos mudaram na última década e, mais criticamente, se os resultados são confiáveis. Ao vasculhar milhares de páginas de pesquisa, descobriram um cenário onde a tecnologia está avançando rapidamente, mas os padrões para provar que essa tecnologia funciona não acompanharam o ritmo.
Os pesquisadores descobriram que o campo se moveu muito além das equações lineares simples. Nos primeiros anos de sua revisão, os estudos dependiam de ferramentas estatísticas antigas ou técnicas básicas de aprendizado de máquina. Na década de 2020, a abordagem dominante mudou para o aprendizado profundo, especificamente um tipo de rede neural chamada Long Short-Term Memory, ou LSTM. Essas redes são projetadas para lembrar sequências de eventos, tornando-as bem adequadas para dados baseados em tempo, como os preços das ações. De fato, quase 90 por cento dos estudos examinados utilizaram alguma forma dessa tecnologia. Mais recentemente, o campo começou a adotar sistemas ainda mais complexos, incluindo modelos que imitam a forma como os grandes modelos de linguagem processam texto, e sistemas que analisam as relações entre diferentes empresas como se fossem nós em uma teia gigante e mutável. A variedade de ferramentas explodiu, com pesquisadores agora combinando dados de preços com artigos de notícias, sentimento de redes sociais e até conexões de cadeia de suprimentos para fazer suas previsões.
No entanto, os autores descobriram que essa explosão de complexidade não foi acompanhada por um aumento semelhante na confiabilidade. Quando auditaram os estudos quanto à reprodutibilidade — a capacidade de outros cientistas pegarem os mesmos dados e código e obterem os mesmos resultados — encontraram uma escassez alarmante. Apenas cerca de 7,6 por cento dos 685 estudos forneceram o código de computador real necessário para executar os modelos. A grande maioria dos pesquisadores publicou seus achados sem compartilhar as ferramentas usadas para gerá-los. Isso significa que a maioria dos sucessos relatados não pode ser verificada. Além disso, os pesquisadores identificaram cinco maneiras específicas pelas quais os estudos frequentemente introduzem erros inadvertidamente, mesmo sem intenção. Um erro comum envolve o uso de informações do futuro para treinar o modelo. Por exemplo, se um pesquisador normaliza os dados usando os preços mais altos e mais baixos de todo o período de dez anos antes de dividir os dados em conjuntos de treinamento e teste, o modelo efetivamente vê o futuro durante sua fase de treinamento. Isso cria uma ilusão de alta precisão que colapsa no momento em que o modelo é usado em novos dados não vistos.
A revisão também destacou um descompasso entre como os modelos são testados em laboratório e como eles performam no mercado real. Muitos estudos relatam taxas de precisão impressionantes, às vezes alegando prever a direção de uma ação corretamente mais de 90 por cento das vezes. No entanto, esses estudos frequentemente ignoram os custos de negociação, como taxas e a diferença entre o preço que um negociante deseja pagar e o preço que ele realmente obtém. Quando os pesquisadores buscaram por estudos que incluíssem essas fricções do mundo real, encontraram muito poucos. Adicionalmente, a maioria dos artigos não utilizou testes estatísticos rigorosos para provar que seus resultados eram melhores do que o acaso. Em vez disso, basearam-se em comparações simples que poderiam facilmente ser enganosas. Os autores observaram que um modelo pode parecer um gênio simplesmente porque é bom em repetir o preço de ontem, um truque que funciona bem no papel, mas não gera dinheiro em um mercado real.
Apesar dessas falhas, os pesquisadores não concluíram que a inteligência artificial é inútil para as finanças. Em vez disso, argumentaram que o campo está em um ponto de virada. As ferramentas são poderosas, mas a maneira como estão sendo usadas e avaliadas é muito frouxa para ser confiável. A equipe propôs um novo conjunto de padrões para corrigir esses problemas. Eles pediram que os pesquisadores compartilhem seu código e dados abertamente, que testem seus modelos usando janelas de tempo deslizantes que impeçam a filtragem de dados futuros e que incluam os custos de negociação em suas simulações. Eles também insistiram que as alegações de sucesso devem ser respaldadas por prova estatística formal, não apenas pela exibição de um número alto em um gráfico. Sem essas mudanças, os autores alertam, o campo continuará a produzir resultados chamativos que falham em se traduzir em valor econômico real. O caminho a seguir exige uma mudança de perseguir o algoritmo mais complexo para construir o mais honesto e verificável.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.