Introdução
Você abre uma série financeira no EuPlanejei e quer criar uma projeção.
Mas qual método usar?
Repetir o último valor?
Calcular uma média dos últimos períodos?
Seguir uma tendência?
Aplicar suavização?
E, mesmo depois de escolher o tipo de método, ainda aparecem outras decisões:
qual janela usar?
quais parâmetros escolher?
Testar todas as possibilidades manualmente pode dar trabalho.
É por isso que existe a auto-sugestão de previsão.
A lógica é simples:
o sistema testa várias configurações previamente disponíveis, mede como cada uma se saiu em um trecho histórico reservado para avaliação e cria um ranking.
Isso não significa descobrir o futuro.
Também não significa encontrar um método universalmente melhor.
Significa responder uma pergunta bem mais específica:
“entre estas configurações testadas, quais tiveram melhor desempenho segundo os critérios definidos, nesta série e neste teste?”
Essa diferença é fundamental.
O problema: não existe um único método ideal para todas as séries
Séries financeiras podem ter comportamentos bastante diferentes.
Uma pode apresentar:
- forte estabilidade;
- tendência;
- sazonalidade;
- mudanças bruscas;
- muita volatilidade;
- pouca variação.
Um método que funciona bem em uma série pode funcionar mal em outra.
Mesmo dentro da mesma série, o desempenho pode mudar conforme:
- período histórico utilizado;
- tamanho da janela;
- horizonte da previsão;
- regime econômico;
- métrica de avaliação.
Por isso, utilizar uma regra fixa como:
“sempre use média dos últimos 14 dias”
pode ser simples, mas não necessariamente é a melhor escolha para todos os casos.
A auto-sugestão tenta transformar essa escolha em um processo comparável.
Algoritmo e configuração não são a mesma coisa
Essa diferença é importante para entender o ranking.
Algoritmo
É a família ou tipo de método.
Exemplos:
- último valor;
- média móvel;
- tendência;
- suavização exponencial;
- Holt.
Configuração
É o algoritmo combinado com seus parâmetros.
Por exemplo:
média móvel com janela 7
e
média móvel com janela 30
utilizam o mesmo tipo de método, mas são configurações diferentes.
Da mesma forma:
Holt com um conjunto de parâmetros
e
Holt com outro conjunto
também podem produzir resultados diferentes.
Portanto:
algoritmo = método;
configuração = método + parâmetros.
A auto-sugestão compara configurações.
O que a auto-sugestão realmente faz?
Uma forma simples de pensar no processo é:
- série
- candidatos
- teste
- erro
- critérios adicionais
- score
- ranking
Cada etapa possui uma função.
Passo 1 — selecionar a série
Primeiro, o sistema recebe a série que está sendo analisada.
Pode ser, por exemplo:
- CDI;
- Selic;
- outra taxa;
- outro indicador ou ativo suportado.
O histórico disponível daquela série será a base da avaliação.
Isso já explica por que duas séries podem gerar rankings completamente diferentes.
O ranking não é uma lista fixa.
Ele depende dos dados que entram.
Passo 2 — gerar os candidatos
Em seguida, o sistema monta um conjunto de configurações que serão testadas.
Exemplo ilustrativo:
- último valor;
- média de 7 períodos;
- média de 14 períodos;
- média de 30 períodos;
- método de tendência;
- Holt com determinados parâmetros;
- outras configurações disponíveis.
Esse detalhe é importante:
a auto-sugestão só pode escolher entre aquilo que foi colocado como candidato.
Se uma configuração não faz parte do conjunto avaliado, ela não pode aparecer como vencedora.
Portanto, o ranking significa:
“melhor entre os candidatos testados”
e não:
“melhor método possível existente.”
Passo 3 — separar uma parte do histórico para teste
Para avaliar a previsão, precisamos impedir que o método simplesmente veja todas as respostas antes de ser testado.
Uma forma de fazer isso é reservar o final da série.
Imagine:
Histórico disponível
1 → 2 → 3 → 4 → 5 → 6 → 7 → 8 → 9 → 10
Podemos utilizar:
1 até 8 → parte disponível para o método
e esconder temporariamente:
9 e 10 → trecho de teste
O método produz previsões para os pontos escondidos.
Depois comparamos:
previsão
com
valor que realmente aconteceu.
Essa separação temporal é frequentemente chamada de hold-out temporal.
Por que o final da série deve ser escondido?
Porque previsão acontece no tempo.
Ao prever amanhã, você não conhece o valor real de amanhã.
O teste precisa reproduzir essa limitação.
Se o algoritmo tiver acesso ao próprio período que será utilizado para avaliá-lo, ocorre vazamento de informação.
O resultado fica artificialmente otimista.
Portanto:
dados de teste precisam permanecer fora do ajuste da configuração avaliada.
Passo 4 — todos enfrentam o mesmo teste
Depois de separar o trecho final, cada candidato recebe as mesmas condições.
Imagine três configurações:
Configuração A
média dos últimos 7 períodos.
Configuração B
média dos últimos 14.
Configuração C
tendência.
Todas recebem o mesmo histórico disponível.
Todas tentam prever o mesmo trecho escondido.
Isso torna a comparação mais justa.
Se cada método fosse testado em períodos diferentes, o ranking perderia parte do significado.
Passo 5 — medir o erro
Depois que os candidatos produzem suas previsões, precisamos descobrir quanto erraram.
Uma métrica possível é o MAE — Mean Absolute Error, ou erro absoluto médio.
Sua ideia é simples.
Imagine os erros absolutos:
0,5
1,0
1,5
O MAE seria:
(0,5 + 1,0 + 1,5) ÷ 3 = 1,0
Quanto menor o MAE, melhor o desempenho segundo esse critério.
O MAE tem uma vantagem didática:
ele responde aproximadamente:
“quanto o modelo errou, em média, na unidade da própria série?”
Menor MAE significa automaticamente melhor sugestão?
Não necessariamente, dependendo da regra usada pelo sistema.
No processo descrito aqui, o EuPlanejei pode considerar também um critério relacionado ao comportamento ou ritmo da projeção.
Isso significa que o ranking não precisa ser simplesmente:
ordenar pelo menor MAE.
Pode existir um score composto.
Passo 6 — avaliar o comportamento da trajetória
Imagine duas previsões.
A primeira fica numericamente próxima dos valores reais, mas praticamente não acompanha o movimento da série.
A segunda apresenta erro semelhante, mas acompanha melhor a direção observada no trecho avaliado.
Dependendo da finalidade do sistema, podemos desejar levar essa diferença em consideração.
Por isso, a auto-sugestão pode adicionar uma penalidade de ritmo ao cálculo.
Esse ponto precisa ser entendido corretamente:
“ritmo” não é uma métrica universal e padronizada de previsão.
É um critério adicional definido para o processo de ranking.
Sua função é diferenciar configurações que apresentam erros semelhantes, mas comportamentos temporais diferentes.
Passo 7 — calcular o score
Podemos representar a lógica de forma simplificada como:
Score = erro + penalidade de comportamento
Ou, de maneira mais explícita:
Score = MAE + (peso × penalidade de ritmo)
O peso determina quanto esse segundo componente influencia o ranking.
Quanto menor o score final, melhor a posição segundo essa regra.
Isso também significa que:
score não é sinônimo de MAE.
Uma configuração pode ter MAE menor e ainda ficar atrás de outra caso receba uma penalidade adicional maior.
Exemplo ilustrativo
Considere:
| Configuração | MAE | Comportamento | Score |
|---|---|---|---|
| A | 1,10 | razoável | 1,24 |
| B | 0,98 | penalizado | 1,32 |
| C | 1,03 | melhor ajustado ao critério | 1,11 |
Se olhássemos apenas o MAE:
B seria a primeira.
Com o critério adicional:
C assume a liderança.
Esses valores são apenas ilustrativos.
O objetivo é mostrar que o ranking depende da função de pontuação escolhida.
O score também é uma premissa metodológica
Esse ponto é importante.
Quando escolhemos:
MAE + penalidade de ritmo
estamos dizendo implicitamente:
“para este ranking, valorizamos tanto precisão média quanto determinada característica da trajetória.”
Outra função de score poderia produzir outro vencedor.
Por exemplo:
- apenas MAE;
- RMSE;
- MAPE;
- erro ponderado;
- múltiplos horizontes;
- estabilidade em várias janelas.
Portanto:
não existe ranking sem critério de ranking.
O resultado sempre depende daquilo que decidimos medir.
Passo 8 — criar o ranking
Depois de calcular os scores, o sistema ordena as configurações.
O resultado pode ser algo como:
1. Configuração C
2. Configuração A
3. Configuração F
4. Configuração B
5. Configuração D
Em vez de esconder todas as alternativas e mostrar apenas uma opção, faz sentido apresentar várias das configurações mais bem colocadas.
Isso permite ao usuário perceber que:
o primeiro lugar não é uma resposta divina.
É simplesmente a configuração que venceu aquela comparação.
Por que mostrar várias opções?
Porque existe incerteza.
Imagine:
1º lugar → score 1,10
2º lugar → score 1,11
3º lugar → score 1,12
Seria exagerado apresentar a primeira como se fosse claramente superior às demais.
As diferenças são muito pequenas.
Agora imagine:
1º lugar → 0,70
2º lugar → 1,20
3º lugar → 1,45
Nesse caso, a separação foi bem maior naquele teste.
Mostrar o ranking ajuda a preservar essa informação.
O usuário pode comparar alternativas e utilizá-las na construção de cenários.
“Melhor método” precisa sempre de contexto
Quando o sistema apresenta a primeira colocada, a leitura correta é:
“esta configuração apresentou o melhor score entre os candidatos testados, segundo esta regra e neste período de avaliação.”
Não:
“este é o melhor método de previsão.”
Muito menos:
“este método acertará o futuro.”
Essa precisão de linguagem ajuda a evitar expectativas irreais.
Um único hold-out possui limitações
Reservar o final da série é uma forma legítima de avaliar uma previsão.
Mas existe uma limitação.
O ranking pode depender bastante daquele trecho específico.
Imagine que o período escondido tenha sido excepcionalmente tranquilo.
Um método muito estável pode vencer.
Se o teste tivesse ocorrido durante um período de alta volatilidade, talvez outro fosse melhor.
Por isso, metodologias de forecasting também utilizam avaliações em vários pontos do tempo.
Uma delas é a validação cruzada para séries temporais, também conhecida como avaliação com origem móvel.
Como seria uma avaliação em vários períodos?
Imagine:
Teste 1
treina até janeiro → prevê fevereiro.
Teste 2
treina até fevereiro → prevê março.
Teste 3
treina até março → prevê abril.
E assim sucessivamente.
Agora cada configuração é avaliada em vários momentos.
Isso permite responder uma pergunta mais forte:
“esse método funciona razoavelmente bem em diferentes períodos?”
Em geral, isso oferece uma avaliação mais robusta do que depender de apenas um recorte.
Mas também exige mais processamento e decisões metodológicas.
Ranking robusto é diferente de ranking pontual
Imagine:
Configuração A
excelente em um período, ruim nos outros.
Configuração B
segunda melhor quase sempre.
Qual é preferível?
Depende do objetivo.
Se valorizamos consistência, B pode ser mais interessante.
Esse exemplo mostra que:
“melhor no teste”
e
“mais robusto ao longo do tempo”
são conceitos diferentes.
Uma auto-sugestão pode evoluir incorporando critérios desse tipo, mas eles precisam ser explicitamente definidos.
Drift pode mudar o ranking
Suponha que o método A tenha vencido hoje.
Meses depois, o comportamento da série mudou.
Ao executar novamente a auto-sugestão, o método B passa a vencer.
Isso não é necessariamente uma contradição.
É exatamente o que esperamos quando:
- novos dados chegam;
- a janela muda;
- o regime muda;
- o trecho de avaliação muda.
Portanto:
ranking é contextual e temporal.
Ele precisa ser recalculado quando o ambiente muda.
Série diferente, ranking diferente
Imagine que a auto-sugestão seja executada sobre três séries.
Série A
Muito estável.
Método simples de último valor pode funcionar bem.
Série B
Tendência persistente.
Método de tendência pode ganhar.
Série C
Comportamento bastante irregular.
Nenhum método pode apresentar grande vantagem.
Isso é normal.
O sistema não deveria esperar que uma única configuração fosse a vencedora em todos os casos.
Auto-sugestão não é inteligência artificial que conhece o futuro
Essa distinção também ajuda na comunicação.
A auto-sugestão pode automatizar:
- geração de candidatos;
- execução de testes;
- cálculo de métricas;
- aplicação do score;
- ordenação do ranking.
Isso é automação analítica.
Não significa:
“a IA descobriu qual será o CDI.”
O mecanismo olha para o passado e compara métodos segundo regras pré-definidas.
É uma ferramenta de apoio à escolha.
Não um oráculo.
Uma analogia: o provador de roupas
Imagine entrar em uma loja com oito roupas.
Você experimenta todas.
Algumas ficam melhores.
Outras ficam piores.
Depois cria um ranking.
A loja pode dizer:
“entre essas peças, estas tiveram o melhor ajuste.”
Ela não pode concluir:
“esta é a melhor roupa que existe no planeta.”
Talvez existam milhares de outras que nem foram testadas.
A auto-sugestão funciona de maneira parecida.
Ela encontra boas opções dentro do espaço de configurações avaliado.
A escolha dos candidatos também importa
Imagine testar apenas:
- média de 7;
- média de 14;
- média de 30.
A vencedora será uma dessas três.
Agora adicionamos:
- Holt;
- tendência;
- último valor;
- outra família.
O ranking pode mudar.
Isso mostra que a qualidade de um sistema de auto-sugestão também depende de:
- variedade dos candidatos;
- parâmetros testados;
- intervalos de parâmetros;
- qualidade da avaliação.
O mecanismo de seleção não compensa um conjunto ruim de candidatos.
Mais candidatos também podem trazer problemas
Existe uma tentação:
“quanto mais configurações eu testar, melhor.”
Não necessariamente.
Se testarmos milhares de configurações sobre um único trecho de validação, aumentamos a chance de alguma delas vencer simplesmente por sorte.
Esse fenômeno está relacionado ao risco de sobreajuste ao próprio conjunto de validação.
Ou seja:
podemos começar a otimizar não para o futuro, mas para aquele teste específico.
Por isso, ampliar o espaço de busca precisa vir acompanhado de avaliação robusta.
Ranking não substitui julgamento
Imagine que o primeiro lugar seja uma configuração extremamente sensível.
O segundo apresenta quase o mesmo score, mas comportamento muito mais estável.
Dependendo do uso, o usuário pode preferir o segundo.
Ou pode utilizar ambos em cenários diferentes.
A auto-sugestão ajuda a reduzir o espaço de decisão.
Ela não precisa eliminar toda escolha humana.
Como usar a auto-sugestão no planejamento
Uma forma responsável de utilizar a ferramenta é:
Escolha a série
Selecione o indicador que deseja analisar.
Consulte a auto-sugestão
Veja quais configurações apresentaram os melhores resultados.
Observe o ranking
Não olhe apenas o primeiro lugar.
Compare alternativas próximas.
Analise a projeção
Verifique se o comportamento faz sentido dentro do contexto.
Simule
Utilize uma ou mais projeções em cenários financeiros.
Compare
Observe quanto o planejamento muda quando a premissa muda.
Isso transforma o ranking em apoio ao planejamento, e não em promessa.
A melhor configuração pode não produzir o melhor cenário para sua decisão
Existe outra distinção importante.
Imagine que uma configuração tenha o melhor desempenho estatístico.
Isso significa que ela é automaticamente a melhor premissa para uma decisão pessoal?
Não.
Planejamento financeiro também envolve:
- prudência;
- margem de segurança;
- tolerância a risco;
- horizonte;
- objetivos;
- incerteza.
Às vezes, pode ser útil comparar:
cenário baseado na melhor configuração estatística
com
cenário mais conservador.
A projeção é uma entrada para o planejamento.
Não é a decisão inteira.
Auto-sugestão e transparência
Um bom sistema de ranking deveria permitir entender pelo menos:
- qual método foi testado;
- quais parâmetros foram utilizados;
- qual janela foi considerada;
- qual trecho foi usado para avaliação;
- qual métrica entrou no score;
- qual posição a configuração obteve.
Quanto mais auditável o processo, mais fácil é interpretar o resultado corretamente.
Isso também reduz o efeito de “caixa-preta”.
Um exemplo completo
Imagine uma série com 120 observações.
O sistema decide reservar as últimas 20 para avaliação.
Então testa:
- último valor;
- média 7;
- média 14;
- média 30;
- tendência;
- Holt A;
- Holt B.
Cada configuração recebe as primeiras 100 observações.
Depois prevê as 20 seguintes.
O sistema calcula:
MAE
e
penalidade de ritmo.
Em seguida:
Score = MAE + peso × penalidade
Finalmente ordena os resultados.
Exemplo:
| Configuração | MAE | Penalidade | Score |
|---|---|---|---|
| Holt A | 0,84 | 0,08 | 0,92 |
| Média 14 | 0,87 | 0,10 | 0,97 |
| Tendência | 0,83 | 0,18 | 1,01 |
| Média 30 | 0,96 | 0,09 | 1,05 |
Nesse teste, Holt A ficou em primeiro.
Isso significa apenas:
Holt A obteve o menor score nessa comparação.
Não significa:
Holt A será o melhor no próximo período.
O ranking precisa ser refeito
Novos dados alteram a avaliação.
Depois de algum tempo:
- o histórico aumentou;
- o trecho final mudou;
- o padrão pode ter mudado.
Executar novamente a auto-sugestão pode produzir outro ranking.
Isso é esperado.
O processo deveria ser entendido como:
avaliação atualizada
e não:
escolha definitiva.
O que a auto-sugestão é
A auto-sugestão é:
- uma comparação sistemática;
- uma forma de automatizar testes;
- um ranking entre candidatos;
- uma ferramenta para reduzir trabalho manual;
- um ponto de partida para análise;
- apoio para construir cenários.
O que a auto-sugestão não é
Ela não é:
- garantia de retorno;
- promessa de acerto;
- descoberta de uma lei do mercado;
- escolha universal para todas as séries;
- substituto de avaliação crítica;
- prova de que o primeiro lugar continuará vencedor.
Essa separação ajuda a utilizar a ferramenta de maneira responsável.
Erros comuns ao interpretar a auto-sugestão
- Chamar algoritmo e configuração de mesma coisa.
- Interpretar primeiro lugar como melhor método universal.
- Achar que o ranking de CDI vale para qualquer outra série.
- Ignorar que parâmetros diferentes criam configurações diferentes.
- Olhar apenas o erro dentro da amostra.
- Esquecer que o ranking depende do trecho reservado para teste.
- Tratar penalidade de ritmo como métrica universal de forecasting.
- Testar uma quantidade enorme de candidatos e ignorar risco de sobreajuste à validação.
- Transformar a sugestão em recomendação automática de investimento.
- Chamar o mecanismo de “IA que prevê o futuro”.
No EuPlanejei
A auto-sugestão pode ajudar a transformar uma escolha que seria manual em um processo organizado.
Em vez de perguntar:
“qual método parece melhor visualmente?”
podemos perguntar:
“quais configurações tiveram melhor desempenho no teste definido para esta série?”
Isso torna a escolha mais auditável.
Depois, o usuário ainda pode:
- comparar as opções;
- observar as projeções;
- testar premissas;
- criar cenários;
- analisar sensibilidade.
A sugestão serve como ponto de partida.
Não como certeza.
Experimente no euplanejei (cenários ilustrativos)
As ferramentas abaixo servem para aprender e comparar cenários ilustrativos. Elas não substituem análise pessoal, nem constituem recomendação de compra, venda ou contratação de produto.
- Projeções e cenários de previsão
- Previsões de índices
- Métodos e algoritmos de previsão
- Índice de simulações
Continue a série:
Conclusão: auto-sugestão é ranking, não profecia
A lógica da auto-sugestão é simples:
gerar candidatos;
testar em dados temporais separados;
medir o erro;
aplicar os critérios definidos;
criar um ranking.
Isso automatiza uma parte importante da comparação entre métodos.
Mas o resultado precisa ser interpretado corretamente.
A primeira colocada não é:
“a previsão verdadeira.”
É:
“a configuração que apresentou o melhor score entre as opções testadas naquele experimento.”
Guarde três ideias:
configuração = algoritmo + parâmetros;
ranking = resultado de uma regra de avaliação;
melhor no teste atual ≠ melhor para sempre.
A auto-sugestão pode tornar a análise mais organizada e transparente.
O futuro continua incerto.
Continue aprendendo sobre projeções, dados e planejamento financeiro no EuPlanejei.com.
Próximo passo: no euplanejei, compare premissas nas previsões e no hub de simulações — sempre como cenários ilustrativos, sem recomendação de investimento.
FAQ sobre auto-sugestão de previsão
A auto-sugestão encontra o melhor algoritmo possível?
Não. Ela compara as configurações disponíveis no conjunto de candidatos. O primeiro lugar representa a melhor pontuação entre as alternativas avaliadas, segundo aquela metodologia.
Por que a sugestão muda quando troco de série?
Porque cada série possui histórico e comportamento diferentes. Como o ranking é calculado a partir dos dados da série atual, os resultados podem mudar bastante.
O menor MAE sempre fica em primeiro?
Não necessariamente. Se o score utilizado pelo sistema inclui outros componentes, como uma penalidade relacionada ao ritmo da projeção, uma configuração com MAE ligeiramente maior pode obter score final menor.
Um único hold-out é suficiente?
Pode ser utilizado como avaliação temporal, mas possui limitações porque o resultado depende daquele trecho. Testes em múltiplas origens temporais podem fornecer evidência mais robusta sobre a estabilidade do desempenho.
Posso utilizar o primeiro colocado para simular investimentos?
Ele pode servir como uma premissa de cenário, mas não como garantia de retorno futuro. É recomendável comparar outras configurações e cenários, especialmente quando as primeiras posições possuem desempenho parecido.