Grounding Investor Views: Neural Predicates in the Black-Litterman Model
Marcos Florencio · 10 de julho de 2026 · em inglês
O modelo de Black-Litterman é uma das ideias mais elegantes da construção de carteiras. Ele tem uma fraqueza bem conhecida: as visões das quais depende são, na prática, aquilo que o investidor disser que são. Nosso novo artigo propõe uma forma de fundamentar essas visões em dados.
O problema: visões subjetivas, confiança subjetiva
O Black-Litterman parte dos retornos de equilíbrio π implícitos no mercado e os combina com um conjunto de visões do investidor. Essas visões são expressas por meio de três objetos:
- P, a matriz de seleção, que indica a quais ativos cada visão se refere;
- q, o vetor de visões, que indica o retorno esperado de cada visão;
- Ω, a matriz de incerteza das visões, que indica quanto se deve confiar em cada uma.
Os retornos esperados a posteriori seguem então em forma fechada:
A matemática é limpa. Os insumos, não. Na maioria das aplicações, q e sobretudo Ω são definidos à mão: um analista declara uma visão e depois estima o quanto confia nela. Esse processo é subjetivo, difícil de auditar e impossível de escalar para um grande universo de ativos atualizado toda semana.
Predicados neurais como geradores de visões
O artigo substitui as visões escritas à mão por predicados neurais: funções treináveis que avaliam uma afirmação lógica sobre um ativo e retornam uma distribuição de probabilidade sobre posições de mercado, como baixista, neutra e altista, em vez de uma única resposta rígida.
Os predicados são organizados em uma hierarquia composicional. Predicados de nível mais baixo leem dados estruturados de análise financeira (rentabilidade, solidez do balanço, consistência dos lucros, valuation), e predicados de nível mais alto combinam suas saídas, de forma muito parecida com a maneira como uma filosofia de investimento combina critérios individuais em um veredito final. É a mesma estrutura que nossos agentes seguem ao avaliar uma empresa.
Cada visão vira uma distribuição, e cada distribuição carrega a sua própria confiança.
Das distribuições para P, q e Ω
O passo central é um mapeamento direto das saídas dos predicados para os insumos do Black-Litterman:
- P é construída a partir dos ativos avaliados pelos predicados, com uma visão por ativo.
- q é derivado da distribuição de posições: quanto mais probabilidade na posição altista, maior o retorno esperado da visão.
- Ω é derivada do formato dessa mesma distribuição. Uma saída concentrada e decidida gera pouca incerteza e uma visão que puxa fortemente a posteriori; uma saída achatada e ambivalente gera muita incerteza e uma visão que o modelo praticamente ignora.
A confiança de uma visão, portanto, deixa de ser algo que o investidor declara. Ela é medida a partir da própria saída do modelo, oferecendo uma alternativa baseada em dados à definição subjetiva da incerteza.
Duas propriedades que importam
Interpretabilidade. Como cada visão vem de uma cadeia explícita de predicados, qualquer peso da carteira pode ser rastreado por essa cadeia lógica até os dados de origem. Uma posição nunca é apenas "o que o modelo disse": ela é o resultado de critérios específicos e inspecionáveis.
Diferenciabilidade. Cada etapa, dos predicados à posteriori do Black-Litterman e aos pesos resultantes, é diferenciável. Isso significa que todo o processo pode ser treinado de ponta a ponta contra objetivos no nível da carteira, em vez de ajustar cada componente isoladamente.
Um tipo diferente de rigor
As finanças quantitativas clássicas costumam tratar o julgamento qualitativo e a modelagem estatística como mundos separados: analistas formam opiniões, e modelos consomem números. Os predicados neurais aproximam esses mundos. Eles preservam a estrutura do raciocínio humano, com critérios que podem ser nomeados, lidos e questionados, e dão ao modelo uma linguagem precisa e probabilística para expressar o quanto cada conclusão se sustenta.
A consequência prática é a consistência. As mesmas evidências sempre produzem a mesma visão com a mesma confiança, seja no primeiro ativo avaliado numa sexta-feira à noite, seja no centésimo. À medida que o universo cresce, a qualidade das visões não depende de quantos analistas estão disponíveis para escrevê-las.
Por que isso importa para a Finxer.ai
Este artigo é a base formal do motor por trás da nossa carteira: as avaliações dos agentes viram visões, a confiança delas vira Ω, e o Black-Litterman transforma ambas em pesos. Para se aprofundar, leia o artigo completo (em inglês).