Líderes
Flavio Luiz de Moraes Barboza: (Programa de Pós-Graduação em Administração - PPGAdm / UFU - Universidade Federal de Uberlândia)
Herbert Kimura: (Prog de Pós-Grad em Admin – PPGA / UnB - Universidade de Brasília) - (Programa de Pós-graduação em Contabilidade - PPGCont / UnB - Universidade de Brasília)
Leandro Maciel: (Prog de Pós-Grad em Admin/Faculdade de Economia, Admin e Contab – PPGA/FEA / USP - Universidade de São Paulo)
O campo da Ciência de Dados (CD) em Finanças abrange um conjunto diversificado de frentes de pesquisa, cobrindo desde problemas clássicos até desafios emergentes. Asset pricing, gestão de carteiras, análise de riscos, previsão de falências [e similares] e mercados financeiros (incluindo criptomoedas) são algumas vertentes (Markowitz, 1952; Engle, 1982; Barboza et al., 2017; Maciel, 2020). Soluções com o uso de aprendizado de máquina e deep learning têm permitido modelagens de estruturas de dependência complexas e captura de efeitos não-lineares, algo recorrente em finanças (Goodfellow et al., 2016). Além disso, algoritmos de negociação já são capazes de responder a mudanças no ambiente de mercado (Sutton & Barto, 2018). Em finanças públicas, CD tem apoiado a formulação de políticas mais eficientes (Tillu et al., 2023). Dados financeiros de instituições públicas são basilares para o cumprimento de requisitos legais, sob os quais CD podem colaborar na otimização da prestação de serviços públicos e a facilitação da tomada de decisões. Há ainda a possibilidade de examinar variáveis macroeconômicas e fiscais (orçamento, endividamento público, etc), ajudando a identificar padrões de risco e prever impactos de choques externos. Adicionalmente, a aplicação de CD na análise de finanças comportamentais vem ganhando força, integrando big data e text mining para avaliar o sentimento de investidores e prever bolhas de ativos (LeBaron, 2001).
A importância desse tema reside na sua capacidade de oferecer novas abordagens metodológicas e ferramentas analíticas que transcendem os limites dos métodos tradicionais, proporcionando uma compreensão mais profunda de mercados, instituições e agentes, permitindo uma tomada de decisão mais robusta, sustentada em análises mais dinâmicas e atualizadas. A proposta visa promover um diálogo interdisciplinar, integrando finanças, estatística e computação, e incentivar a produção de conhecimento que contribua para a evolução do ambiente financeiro.
Keywords
Ciência de Dados; Finanças Quantitativas; Machine Learning; Previsão Financeira; Decisão baseada em dados