INOVAÇÕES EM MODELAGEM FINANCEIRA: ABORDAGENS DE IA E ECONOMETRIA PARA A OTIMIZAÇÃO DE PORTFÓLIO DE COMMODITIES AGRÍCOLAS

Introdução: A volatilidade em preços de commodities agrícolas, influenciada por fatores econômicos, climáticos e geopolíticos, pode ser melhor analisada com IA generativa, PLN e modelagem econométrica. O projeto integra dados estruturados e não estruturados para associar notícias a eventos de mercado, aprimorando previsões e decisões no agronegócio. Objetivos: O projeto visa criar modelo automatizado que correlacione notícias econômicas a eventos de volatilidade em preços de commodities, usando IA, estatística e aprendizado de máquina. Inclui coleta via Yahoo! Finance, análise NLP, modelos ARIMA, GARCH, LSTM, Prophet e testes com aprendizado por reforço para adaptação preditiva. Materiais e método: A pesquisa integrou dados financeiros e textuais para analisar volatilidade de commodities. Criou pipeline em Python com dados do Yahoo! Finance, extraiu notícias via web scraping, aplicou NLP e modelos ARIMA, GARCH, LSTM e Prophet. Resultados foram documentados em notebooks no GitHub Pages, assegurando transparência e reprodutibilidade. Resultados: Os resultados, documentados em notebooks interativos e publicados no site do projeto (https://pibicagrofinance.github.io/site/), atenderam aos objetivos propostos. Na coleta e tratamento de dados, séries diárias de milho, soja e trigo foram extraídas via API do Yahoo! Finance (yfinance), normalizadas e limpas, com scripts reprodutíveis disponíveis. Na modelagem preditiva, ARIMA e GARCH capturaram parcialmente a volatilidade, enquanto LSTM e Prophet seguem em calibração, permitindo comparar desempenho e adaptabilidade. Na análise de notícias, dados obtidos por web scraping foram vinculados a eventos de ruptura, com vetores semânticos e análise de sentimentos gerados via transformers e spaCy. Mapas de calor revelaram correlações preliminares, especialmente na soja. Foi criado um agente de IA generativa para boletins semanais, automatizando coleta, filtragem e sumarização. Os resultados demonstram a viabilidade de integrar dados de mercado e conteúdo noticioso, estabelecendo base sólida para futuros aprimoramentos. Considerações finais: O trabalho desenvolveu modelo computacional para associar notícias a eventos de volatilidade em preços de commodities, usando IA, NLP e econometria. Implementou pipeline de dados, modelos ARIMA, GARCH, LSTM e Prophet. Apesar de desafios, resultados mostram potencial da abordagem, com transparência e perspectivas de ampliar fontes, integrar métodos híbridos e aplicar aprendizado por reforço.

Palavras-chave: Commodities; Inteligência artificial; Séries temporais; Notícias financeiras; Volatilidade.