De foundation models para séries financeiras até a trilha de agentes de trading em produção.
A seleção foi feita entre cerca de 1.040 papers. O EXAONE Finance 1.0 propõe um foundation model sem atenção para séries financeiras. Um registro de seis meses de frotas de agentes LLM de trading em produção mostra o que eles de fato fazem. Outro paper argumenta que modelos melhores podem gerar sistemas mais arriscados em mercados. O ERPBench e o FinCUABuild avaliam agentes em decisão empresarial e uso de computador financeiro. Na governança, aparecem o AgentAudit, o Agent Incident Registry e uma simulação de contágio ciber-financeiro via fornecedor de IA comprometido.
EVOLUÇÃO
A pesquisa em agentes desloca-se de benchmark para operação e auditoria.
O QUE FAZER COM ISSO
Para bancos, avaliação e registro de incidentes de agentes viram requisitos.
A seleção passou por pré-filtro de relevância, e a cauda longa não foi lida.
Tabelas, previsões auditáveis e memória de agentes
Linguagem aplicada a dados estruturados e confiabilidade.
Os destaques de linguagem são QA tabular sobre ações (STQA), um scaffold para transformar narrativas em previsões auditáveis e pós-treino centrado em dados para raciocínio financeiro. Também aparecem inteligência corporativa sem treino sobre filings da SEC, o ProcArena para PL/SQL a partir de linguagem natural e a DeepTable para tabelas hierárquicas. Em confiabilidade, o AtomCite corrige citações e um paper audita o que se perde quando agentes esquecem.
EVOLUÇÃO
—
O QUE FAZER COM ISSO
Text-to-SQL e QA tabular aproximam os LLMs dos data warehouses.
cs.DB na semana 37: grafos de conhecimento para particionar busca vetorial
Um paper na semana, sobre a colocação semântica de dados em bancos vetoriais distribuídos.
COMPASS: Steering Distributed Vector Search with Scientific Knowledge Graphs observa que o particionamento por hash em bancos vetoriais destrói a localidade semântica e obriga consultas scatter-gather, limitadas pelo shard mais lento. O COMPASS usa um grafo de conhecimento para decidir onde colocar os dados e quais shards consultar.
Esta semana cs.LG traz limites certificados para RL sensível a risco, fine-tuning condicionado a risco, graph transformers temporais para fraude de cartão e um estudo sistemático de adaptação de LLMs para prever Bitcoin. Aparecem ainda features quânticas para default de crédito (e quando ajudam), o GraphFAS para geração de features em redes transacionais industriais e o KVMem, que virtualiza workspaces de agentes de milhões de tokens.
EVOLUÇÃO
—
O QUE FAZER COM ISSO
Fraude em grafos e features transacionais são aplicação imediata.
Sistemas multiagente sob escrutínio de custo e de auditoria.
Um resultado incômodo: com o mesmo custo de inferência, estruturas multiagente não superam um único agente congelado. Outro trabalho mostra camadas de 'accountability' que apenas repassam em vez de verificar. Do lado construtivo, o Glyph descreve colunas e aplica tags de sensibilidade em catálogos de dados empresariais, o CAPMAS delega privilégios por capacidade e uma simulação pergunta como agentes gerenciariam a economia de uma cidade.
EVOLUÇÃO
O entusiasmo multiagente cede espaço à medição de custo.
O QUE FAZER COM ISSO
O Glyph é diretamente relevante para catálogos de metadados.
A/B, desenho experimental e causal forests robustos.
Robust A/B Decisions troca o teste t por uma regra de decisão robusta. Experimental Design for Policy Choice otimiza experimentos para escolher política com restrições. Também saem splitting por mediana em causal trees para outcomes de cauda pesada, um modelo fatorial de expected shortfall para perdas comuns de cauda e o benchmark CausalVerify, que checa se workflows causais de LLMs recuperam a estimativa correta.
EVOLUÇÃO
Econometria e ML convergem para a decisão.
O QUE FAZER COM ISSO
O ESFM conversa com risco de mercado. O CausalVerify, com agentes analíticos.
Economia geral com IA e crédito ao consumidor no centro.
Um experimento incentivado mostra que o acesso a um assistente de IA ao vivo altera escolhas sob risco. Outro paper mostra LLMs descartando sinais de segurança sob mandato de lucro. Há uma revisão sobre Buy Now, Pay Later e as questões regulatórias em aberto, evidência de retorno de inovação em IA em dispositivos médicos e um estudo sobre o custo das SMRs em mercados de energia pressionados por data centers.
EVOLUÇÃO
—
O QUE FAZER COM ISSO
BNPL e IA como conselheira são temas diretos para bancos de varejo.
Atenção escassa, disclosure ruidoso e agentes em rede
Teoria entre matching e a agregação de informação por agentes de IA.
O custo de atenção em matching estável quantifica a perda alocativa em mercados grandes. O paper de disclosure com intermediários ruidosos (auditores, analistas, ratings) mostra equilíbrios múltiplos. As taxas ótimas de agregação de informação em redes agênticas formalizam um padrão central da IA multiagente. Completam a semana revisões intermediárias em organizações e confiança incompleta na atualização de crenças.
EVOLUÇÃO
—
O QUE FAZER COM ISSO
O resultado de disclosure interessa a ratings e RI.
Os papers de q-fin se dividem em duas frentes: modelos de impacto e de regime para execução, e revisões críticas que medem se a IA gera retorno de fato.
A W37 teve cerca de 60 papers em q-fin. O fio mais forte é a execução. Um trabalho modela o cross-impact convexo entre contratos. Outro aplica detecção bayesiana de changepoint ao order flow. Um terceiro treina market making robusto a mudanças de regime. Em paralelo, a revisão sobre IA em ações e cripto separa capacidade técnica de evidência de lucro, e o paper que precifica riscos de IA via notícias do WSJ mostra o tema entrando no cross-section de retornos. Do lado quantitativo clássico, aparecem Greeks de Monte Carlo sem viés para payoffs descontínuos e redes neurais para volatilidade implícita em regimes extremos.
EVOLUÇÃO
A agenda de IA em finanças migra da previsão para a auditoria de lucro e risco.
O QUE FAZER COM ISSO
Para mesas e riscos, o recado é modelar custo de execução e regime antes de confiar em sinais de IA.
Volume baixo. Muitos papers são teóricos ou usam dados de cripto.
Métodos numéricos voltados para o que quebra na prática: descontinuidades, regimes extremos e BSDEs refletidas.
O destaque é uma fórmula de correção que devolve Greeks pathwise sem viés para barreiras, autocallables e digitais, sem a suavização que exige calibração por produto. Redes 'asymptotically-informed' atacam a inversão de Black-Scholes onde os métodos clássicos falham: strikes e maturidades extremos. Há ainda esquemas de deep learning para BSDEs refletidas (problemas com obstáculo, como opções americanas), o AlphaRJM para a busca simbólica de alphas e um circuito quântico para volatilidade realizada de Bitcoin.
EVOLUÇÃO
Aprendizado de máquina entra como solver numérico, e não só como preditor.
O QUE FAZER COM ISSO
Greeks sem viés em payoffs descontínuos têm uso direto em estruturados.
Risco de IA precificado e benchmark de balanços bancários
Finanças gerais trazem a IA como fator de risco e como objeto de avaliação.
Um paper constrói fatores de risco de IA a partir de 7,8 mil artigos do WSJ e testa se essas exposições são precificadas em ações americanas. O FinRAG-QA traz 999 perguntas curadas por praticantes sobre demonstrações financeiras de bancos, um benchmark útil para RAG em análise de crédito. Há também um framework para medir risco em lending DeFi, o modelo 'beta vezes quantidade', que incorpora fluxos de negociação ao apreçamento por fatores, e um ensaio histórico sobre quando a curva de juros passa a ser observável.
EVOLUÇÃO
A IA passa de ferramenta a fator de risco apreçável.
O QUE FAZER COM ISSO
O FinRAG-QA serve de referência imediata para avaliar assistentes sobre balanços.
Os fatores de notícias dependem do léxico escolhido.
Um trabalho resolve o hedge de variância ótima no modelo rough Hawkes-Heston. Outro prova a conjectura de Gatheral sobre variância integrada entre Heston e a projeção de vol local. Também sai a definição do delta de variance swap, que é zero para smiles puros de moneyness e contradiz a observação empírica, e a razão de 'skew stickiness' converge a dois sob vol local de maturidade curta. Fecham a semana resultados sobre invariância de numerário em medidas por projeção entrópica.
EVOLUÇÃO
Continua a consolidação matemática da vol rough.
O QUE FAZER COM ISSO
O delta do variance swap e a skew stickiness afetam diretamente o hedge de books de vol.
IA em investimentos: capacidade técnica não é lucro
Portfólios entre a revisão crítica da IA e as alocações simples.
A revisão de estado da arte sobre IA em ações, ETFs e cripto (dados até 31/08/2026) é a leitura da semana: ela separa demonstrações técnicas de evidência de rentabilidade. Na mesma linha pé no chão, portfólios dinâmicos simples de ações, bonds e ouro são comparados aos benchmarks 60/40 e 50/30/20. Do lado técnico, aparecem risk parity por EVaR com retornos tempered stable, diversificação versus concentração sob incerteza de dependência e a decomposição exata entre correlação de sinais e correlação de PnL.
EVOLUÇÃO
O tema vai da busca de alpha com IA para o ceticismo metodológico.
O QUE FAZER COM ISSO
A decomposição sinal→PnL é útil para quem combina muitos alphas.
A revisão é narrativa e depende de literatura pública.
Precificação com instrumentos novos e modelos Volterra.
Um resultado de não arbitragem unifica o futuro perpétuo de Shiller e o desenho cripto, aplicado ao mercado pré-IPO da SpaceX. Também saem fórmulas semi-fechadas para asiáticas discretas no Volterra-Heston e os Greeks de Monte Carlo sem viés (cross-list de CP).
EVOLUÇÃO
—
O QUE FAZER COM ISSO
Perpétuos sobre ativos ilíquidos viram um tema regulatório e de produto.
Gestão de risco olha para caudas cibernéticas e manipulação de scoring.
Um estudo testa se perdas cibernéticas seguem lei de potência usando eventos menores ('cyber kittens') para estimar catástrofes, com aplicação direta a seguro cyber. Outro avalia treino adversarial em credit scoring tabular de P2P contra múltiplos ataques. Completam a semana redes informadas pelo mercado para extremos financeiros e EVaR parity.
EVOLUÇÃO
Risco cyber entra no ferramental atuarial.
O QUE FAZER COM ISSO
Manipulação estratégica de inputs em crédito é um risco modelável.
A base de eventos cyber é pequena (24 cat events).
GARCH assimétrico e atenção barata para cross-section
Finanças estatísticas entre memória longa e eficiência de modelos.
O ALM-GARCH separa canais de nível e memória para choques positivos e negativos. A análise estatística do modelo Log S-fBM concilia vol rough e memória longa. Um estudo mostra que a atenção Nyström iguala a atenção completa na predição cross-sectional de ações (MASTER), com a atenção aprendida quase uniforme. Há ainda um filtro não recursivo paralelizável para preços de alta frequência.
EVOLUÇÃO
—
O QUE FAZER COM ISSO
Modelos de cross-section podem ficar bem mais baratos sem perda.
Microestrutura com deep learning explicável e evidência regulatória.
Redes são usadas para descobrir estrutura, e não só para prever, na dinâmica preço-trade, chegando a modelos paramétricos efetivos. O market making robusto a regimes de order flow supera Avellaneda-Stoikov/GLFT. Um modelo com teste empírico mostra que as proibições europeias de short em 2020 prejudicaram a liquidez sem sustentar preços. O 'privacy subsidy' formaliza o custo de exchanges que preservam privacidade.
EVOLUÇÃO
Microestrutura adota ML como ferramenta de identificação.
O QUE FAZER COM ISSO
A evidência sobre short bans é relevante para o debate regulatório.