A Multi-Agent Generative AI Framework for Explainable Stock Market Analysis in Indian Equity Market

Resumo Técnico: Um Framework de IA Generativa Multi-Agente para Análise Explicável do Mercado de Ações em Mercados de Equidade Indianos

Problema
Investidores de ações de varejo e pesquisadores financeiros no mercado indiano enfrentam um desafio crítico: a fragmentação analítica. Sinais técnicos, fundamentais e de sentimento são tradicionalmente processados de forma isolada, impedindo uma análise unificada e consciente da confiança. Além disso, as ferramentas existentes de previsão de ações baseadas em IA frequentemente priorizam a precisão em detrimento da interpretabilidade, dependendo de modelos de aprendizado profundo de "caixa-preta" (ex: LSTM, GRU) que fornecem previsões pontuais sem cadeias de raciocínio transparentes. Essa falta de explicabilidade prejudica a conformidade regulatória e a confiança do investidor, pois os tomadores de decisão não conseguem verificar a lógica por trás das recomendações algorítmicas.

Metodologia
Os autores propõem um framework heterogêneo de cinco agentes projetado especificamente para ações indianas (NSE e BSE). O sistema opera em um pipeline modular com gerenciamento de estado usando asyncio do Python para execução paralela e LangGraph para orquestração.

1. Ingestão de Dados: O sistema recupera dados OHLCV e métricas fundamentais via yfinance e faz o scraping de notícias financeiras do Moneycontrol e Economic Times usando BeautifulSoup4. Os dados textuais são incorporados usando sentence-transformers e indexados em repositórios vetoriais duplos (FAISS e ChromaDB) para geração aumentada por recuperação (RAG).
2. Agentes Especialistas (Execução Paralela):
   • Agente de Análise Técnica: Calcula RSI, MACD, EMAs de múltiplos períodos (9, 21, 50, 200) e níveis de suporte/resistência. Ele gera uma pontuação ponderada e confiança baseada no alinhamento dos indicadores.
   • Agente de Análise Fundamentalista: Avalia o valor intrínseco usando valuation (P/E, P/B, PEG), lucratividade (ROE, ROA), saúde financeira (Debt/Equity, Current Ratio) e métricas de crescimento. Emprega normalização Z-score contra as medianas do setor.
   • Agente de Análise de Sentimento: Utiliza o ProsusAI FinBERT para classificação de sentimento de três classes, aprimado com uma função de ponderação de decaimento temporal exponencial ($\lambda=0.9$) para priorizar notícias recentes. Um fallback baseado em regras (léxico Loughran-McDonald) é ativado caso o LLM falhe.
   • Agente de Benchmarking de Setor: Compara a ação alvo com 2 a 5 títulos pares dentro de 10 setores indianos predefinidos, calculando rankings percentuais para P/E, retornos e crescimento.
3. Orquestração e Detecção de Anomalias: Um orquestrador gerencia o estado compartilhado (AnalysisState). Um Detector de Anomalias monitora conflitos (ex: sinais de alta confiança opostos, divergência preço-notícia ou saídas de baixa confiança). Ao detectar, ele aciona um loop de reverificação limitado (máximo de dois ciclos) com janelas de dados estendidas ou fontes de fallback. Se as anomalias persistirem, o sistema sinaliza o resultado para inspeção humana e aplica uma penalidade de confiança.
4. Síntese e Raciocínio:
   • Agente de Síntese: Agrega as saídas dos agentes usando uma fórmula ponderada pela confiança. Aplica um mecanismo de impulso de consenso: se 3 de 4 agentes concordarem com uma direção com >60% de confiança, o sinal é elevado (ex: COMPRA $\to$ COMPRA FORTE).
   • Raciocínio Generativo: O sistema invoca o Google Gemini 2.0 Flash não como um motor de análise, mas como um renderizador estruturado. Ele recebe as pontuações agregadas, listas de evidências e flags de anomalia para gerar um raciocínio de investimento em linguagem natural com citações explícitas de evidências.
5. Interfaces: O sistema expõe um backend REST FastAPI para acesso programático e um dashboard Streamlit com visualizações Plotly para triagem interativa.

Principais Contribuições

1. Arquitetura Multi-Agente Heterogênea: Integração de análises técnica, fundamentalista, de sentimento e de setor em um pipeline unificado e gerenciado por estado, indo além dos métodos de ensemble homogêneos.
2. Síntese Ponderada pela Confiança: Um mecanismo que quantifica o acordo multidimensional e impulsiona a força do sinal quando a concordância entre os agentes excede um limiar de 75%.
3. Detecção de Anomalias Autocorreção: Um módulo que classifica tipos específicos de conflito (ex: Divergência Técnica-Fundamental) e executa loops de reverificação limitados para resolver problemas de qualidade de dados autonomamente.
4. Ajuste de Sentimento Específico de Domínio: Implementação do FinBERT com ponderação de decaimento temporal exponencial, adaptado para o ciclo rápido de notícias dos mercados indianos.
5. Explicabilidade Arquitetural: Um design onde o Large Language Model (LLM) atua como um renderizador para sinais pré-verificados em vez de um preditor, garantindo que todo o raciocínio gerado seja fundamentado em evidências específicas e rastreáveis.

Resultados Experimentais
O framework foi avaliado em 10 ações listadas na NSE em cinco setores ao longo de um período de 15 meses (Jan 2024 – Mar 2025).

• Consenso: O sistema alcançou consenso entre agentes em 78% dos casos de teste.
• Precisão Direcional: O modelo alcançou 72% de precisão direcional contra movimentos de 5 dias do mercado, superando uma estratégia de buy-and-hold (58%) e análise técnica pura (64%).
• Latência: A inferência de ponta a ponta teve média de 32,4 segundos via CLI e 26,1 segundos via API REST, cumprindo as metas de sub-30 segundos para interação em tempo real.
• Tratamento de Anomalias: Anomalias foram detectadas em 30% das análises; o protocolo de reverificação resolveu 67% desses casos.
• Correlação de Confiança: Foi observada uma correlação de Pearson de 0,61 entre os níveis de confiança e a precisão direcional. Recomendações de alta confiança (>70%) alcançaram 82% de precisão, comparado a 58% para as de baixa confiança.

Significância e Alegações
O artigo posiciona este trabalho como uma arquitetura reprodutível e interpretável que aborda a limitação de "caixa-preta" das IAs financeiras atuais. Ao integrar perspectivas analíticas heterogêneas com um mecanismo de autocorreção e citação de evidências impulsionada por LLM, o framework oferece uma ferramenta de suporte à decisão transparente para mercados emergentes como a Índia. Os autores afirmam que esta abordagem democratiza a análise avançada, permitindo que investidores de varejo acessem insights explicáveis e conscientes da confiança sem depender de modelos de aprendizado profundo opacos. O sistema é apresentado como uma prova de conceito que pode ser construída usando ferramentas de código aberto e dados públicos, com caminhos específicos identificados para melhorias futuras, como otimização dinâmica de pesos via aprendizado por reforço e o desenvolvimento de um modelo "Indic-FinBERT" para melhor lidar com o jargão financeiro indiano.