Há duas semanas iniciamos uma série com um breve relato sobre a contribuição da Inteligência Artificial na Modelagem das Finanças Corporativas. Fizemos um sucinto resumo de algumas das principais contribuições das literaturas acadêmica e profissional de Finanças Corporativas, e apontamos como o modelo CAPM (Capital Asset Pricing Model) evoluiu para a APT (Arbitrage Pricing Theory), e desta para a Artificial Intelligence Pricing Theory (AIPT). Nesta newsletter tratamos como estamos evoluindo da AIPT para o Artificial Intelligence Pricing Model (AIPM).
De acordo com Kelly et. al. (2025) (1), a revolução dos “large language models - LLMs” - grandes modelos de linguagem – emergiu de dois discernimentos de modelagem complementares. Primeiramente, modelos de linguagem que estudam palavras sem consciência do contexto circundante do texto, não podem representar fielmente o significado do texto e, portanto, sofrem em tarefas como predição de palavras e tradução. No entanto, capturar relacionamentos contextuais entre palavras é um problema dimensional extraordinariamente elevado. O chamado modelo “transformer” (que tratamos na newsletter A Economia do ChatGPT) é uma descoberta divisora de águas que torna possível modelar palavras em contexto mantendo computational tractability (tratabilidade computacional) flexivelmente.
O segundo discernimento é que desempenho sem precedente fora-da-amostra pode ser atingido através de exorbitantes parametrizações do modelo, ou da “complexidade”. Este surpreendente fenômeno empírico estimulou uma busca por alicerces teóricos da virtude da complexidade. A tratabilidade computacional dos transformers é o primeiro nível em direção à implementação de grandes parametrizações. E ainda, recentemente os LLMs tais como GPT-4 empurram os limites da complexidade do modelo avante ao adotarem componentes de escalagem que proliferam a parametrização.
Estes discernimentos que fundamentam o sucesso dos LLMs têm também estimulado uma revolução de IA mais ampla, propulsando ganhos em visão computacional, biologia computacional, e outras aplicações de IA ao alavancarem eficientemente informação contextual em modelos de larga escala.
A literatura em finanças tem focado primariamente em modelos de predição de ativos próprios (own-asset prediction) de pequena escala, ou seja, aqueles em que previsões para um ativoi dependem de variáveis condicionais que são específicas para o ativoi. A experiência recente com IA sugere que a previsibilidade do ativo próprio pode ser a mais limitante restrição mantida em precificação de ativos. Tal como um modelo de linguagem de bag-of-words (saco-de-palavras), modelos de previsão de ativos próprios abstraem o contexto ao falharem em usar informação sobre o universo mais amplo dos ativos para descrever risco e retorno de cada ativo individual. A tipicamente pequena parametrização em modelos de finanças tende a mascarar a extensão completa da previsibilidade encoberta nos dados financeiros.
Neste sentido, os autores (1) introduzem o conceito de Artificial Intelligence Pricing Model – AIPM. Eles definem um modelo AIPM como um modelo que implanta no stochastic discount fator – SDF (fator de desconto estocástico) (2) a mesma context-aware and large-scale transformer architecture – arquitetura transformer consciente do contexto e de larga escala – dos LLMs do estado da arte e outros AI. Os atributos críticos de um AIPM são: (i) que ele flexibiliza ações condicionando informação ao longo dos ativos a chegarem a previsões conscientes do contexto; (ii) que o desempenho de modelo out-of-sample é maximizado ao empurrar os limites da parametrização do modelo.
Há muito ainda o que desenvolver na aplicação de IA na modelagem de finanças corporativas. A preocupação central desta série de newsletters foi unicamente a de apontar como alguns dos desenvolvimentos em IA estão também contribuindo para o desenvolvimento das finanças.
Se sua empresa, organização ou instituição desejam saber mais sobre inteligência artificial na modelagem das finanças corporativas, não hesite em nos contatar!
- Kelly, Bryan T., Boris Kuznetsov, Semyon Malamud, and Teng Andrea Xu (2025). “Artificial Intelligence Asset Pricing Models”. Working Paper 33351, National Bureau of Economic Research – NBER. USA. January.
- https://en.wikipedia.org/wiki/Stochastic_discount_factor
