O uso de inteligência artificial vem ganhando espaço do agronegócio à saúde, e o setor financeiro também caminha para incluir a tecnologia no seu dia a dia. Um estudo sobre o potencial dos sistemas multiagentes de IA na análise de ações e construção de portfólios foi conduzido por pesquisadores associados à BlackRock, maior gestora de ativos do mundo. Chamado AlphaAgents, o modelo simula diferentes papéis de analistas que colaboram e debatem para reduzir vieses comportamentais, como excesso de confiança, e entregar análises mais qualificadas e precisas.

A arquitetura do multiagente, que usa o framework AutoGen da Microsoft com o GPT-4o, é baseada em 3 agentes especializados, cada um com funções distintas que analisam as ações de forma independente. Imitando uma mesa de análise ou comitê de investimentos (equilibrando visões e reduzindo extremos), os agentes debatem entre si as divergências até que cheguem a um consenso sobre a recomendação de compra ou venda da ação.

Debate entre agentes especializados

O “Fundamental Agent” lê relatórios financeiros via RAG, analisa balanços, margens, caixa e perspectivas, enquanto o “Sentiment Agent” sintetiza notícias e relatórios de analistas, gerando sentimento e recomendações. E o “Valuation Agent” calcula retorno, volatilidade, volume e tendências de preço usando ferramentas matemáticas próprias. O desenho modular permitirá ampliar o multiagente para agentes técnicos, macroeconômicos ou setoriais no futuro.

Para evitar divergências e inconsistências (problemas frequentes em LLMs), o AlphaAgents opera com colaboração estruturada, onde todos os agentes precisam se manifestar pelo menos duas vezes. Também é realizado um debate circular (round robin) mediado por um “coordenador”, buscando consenso antes da decisão final. Desta forma é possível ter uma melhor qualidade do raciocínio e redução de alucinações, já que os agentes contestam e revisam análises entre si.

Risco sob medida e validação dupla

O modelo pode ser ajustado com diferentes perfis. O comportamento do agente muda de acordo com o nível de tolerância ao risco, mais conservador ou mais arrojado, modulando preferências de investimento de forma semelhante à interação humana. E para aumentar a segurança, o estudo usa duas frentes de validação: métricas RAG para checar precisão e fidelidade das análises de fundamentos e notícias e um backtest para medir resultados financeiros dos portfólios escolhidos pelos agentes.

Em cenários de risco neutro, o portfólio selecionado pelos agentes superou tanto a meta quanto estratégias isoladas de fundamentos com melhor equilíbrio entre curto e longo prazo. Já em ambientes avessos a risco, o modelo multiagentes registrou menores volatilidades e, mesmo em cenário desfavorável, o sistema entregou uma gestão de risco mais eficiente.

O estudo mostra um avanço para a aplicação de LLMs ao mercado financeiro, com sistemas de análise e portfólio mais transparentes, auditáveis e próximos da prática de gestores profissionais. A arquitetura multiagente pode aumentar a proteção em cenários avessos a risco e principalmente mitigar alucinações, ponto crítico para o uso seguro de IA em finanças.

O estudo completo (em inglês) pode ser visto neste link.