Previsão clássica ou deep learning: regras transparentes vs modelos complexos

Introdução

Quando alguém fala em previsão financeira, é comum imaginar imediatamente inteligência artificial.

Redes neurais.

LSTM.

Modelos com milhares ou milhões de parâmetros.

Treinamento pesado.

Infraestrutura sofisticada.

Mas existe outro mundo muito importante — e muito mais antigo — dentro da previsão de séries temporais.

São os métodos clássicos de forecasting.

Eles incluem abordagens como:

• Naive;
• médias móveis;
• suavização exponencial;
• Holt;
• modelos de tendência;
• outras técnicas estatísticas tradicionais.

A pergunta útil, portanto, não é:

“Qual é mais moderno?”

Nem:

“Qual usa mais inteligência artificial?”

A pergunta correta é:

“Qual abordagem produz melhor resultado para este problema, neste horizonte, com estes dados e com este nível de transparência necessário?”

Essa diferença muda completamente a conversa.

O que chamamos de previsão clássica?

Métodos clássicos de previsão trabalham com regras estatísticas ou matemáticas geralmente mais estruturadas e relativamente fáceis de descrever.

Por exemplo:

Naive

“O próximo valor será igual ao último observado.”

Média móvel

“Vou resumir algumas observações recentes por uma média.”

Suavização exponencial

“Observações recentes terão mais influência, com atualização progressiva.”

Holt

“Vou representar separadamente um nível e uma tendência.”

Essas descrições não contam todos os detalhes matemáticos.

Mas ajudam a compreender a lógica central do método.

Por que isso é útil no planejamento?

Imagine que uma projeção de taxa seja utilizada para simular um patrimônio daqui a dez anos.

Se o usuário consegue perguntar:

“De onde veio essa curva?”

e receber uma resposta compreensível, isso melhora a interpretação.

Por exemplo:

“O método está mantendo o último patamar.”

ou:

“Está utilizando a média das últimas 14 observações.”

ou:

“Está prolongando uma tendência estimada.”

Isso torna a projeção mais auditável.

Transparente não significa necessariamente correto

Essa ressalva é importante.

Um método extremamente simples pode ser totalmente transparente e estar completamente errado para aquele problema.

Por exemplo:

10 → 20 → 30 → 40 → 50

Naive:

50 → 50 → 50

A lógica é clara.

Mas talvez a série possua uma tendência relevante que o método ignora.

Portanto:

interpretabilidade não substitui desempenho.

Ela é uma característica desejável, não garantia de qualidade.

O que é deep learning?

Deep learning é uma família de técnicas baseada em redes neurais com múltiplas camadas de representação.

Em séries temporais, podemos encontrar arquiteturas como:

• redes recorrentes;
• LSTM;
• GRU;
• redes convolucionais temporais;
• Transformers;
• modelos híbridos;
• outras arquiteturas neurais.

Esses modelos possuem capacidade para representar relações bastante complexas.

Podem trabalhar com:

• muitas variáveis;
• não linearidades;
• interações;
• sequências longas;
• grande volume de informação.

Mas capacidade maior também traz novas responsabilidades.

Mais capacidade significa mais possibilidades — inclusive de errar

Imagine um modelo simples com duas ou três regras.

Ele possui pouca liberdade para adaptar-se.

Agora imagine uma rede neural com enorme quantidade de parâmetros.

Ela possui capacidade de representar relações muito mais complexas.

Isso pode ser uma vantagem quando essas relações existem.

Mas também pode facilitar:

• overfitting;
• dependência excessiva do conjunto de treinamento;
• maior sensibilidade à preparação dos dados;
• dificuldade de interpretação;
• problemas de estabilidade.

Portanto:

mais capacidade ≠ automaticamente mais capacidade de prever o futuro.

Deep learning precisa sempre de milhões de dados?

Não.

Essa afirmação seria exagerada.

A quantidade necessária depende de muitos fatores:

• arquitetura;
• quantidade de parâmetros;
• frequência da série;
• número de variáveis;
• regularização;
• pré-treinamento;
• transferência de aprendizado;
• estrutura do problema.

Mesmo assim, modelos mais flexíveis normalmente exigem mais cuidado com a quantidade e a qualidade da informação disponível.

Uma série mensal com 60 observações representa um contexto muito diferente de milhões de eventos intraday.

É difícil justificar uma arquitetura extremamente complexa apenas porque ela existe.

Quantidade de observações e quantidade de informação não são a mesma coisa

Imagine duas bases.

Base A

100 mil observações extremamente parecidas.

Base B

10 mil observações contendo muitos contextos e regimes diferentes.

A primeira possui mais linhas.

Mas talvez não possua proporcionalmente mais informação útil.

Em forecasting, o importante não é apenas:

“quantos pontos existem?”

Também importa:

• diversidade;
• qualidade;
• representatividade;
• cobertura de diferentes regimes.

Métodos clássicos também podem ficar complexos

Outro cuidado importante.

Não devemos imaginar:

clássico = sempre simples

e:

deep learning = sempre complexo.

Um pipeline clássico pode possuir:

• várias transformações;
• dezenas de variáveis;
• seleção de features;
• ajustes;
• combinações de modelos;
• regras de pós-processamento.

Nesse caso, a explicação final pode ficar bem menos transparente.

Por outro lado, uma rede neural utilizada em um problema muito específico pode ter uma arquitetura relativamente controlada.

Portanto, “interpretabilidade” deve ser avaliada no sistema completo, e não apenas pelo nome da família do modelo.

A metáfora da cozinha

Imagine duas cozinhas.

Cozinha A

Receita pequena.

Ingredientes conhecidos.

Você consegue explicar:

“usei farinha, leite, ovos e açúcar.”

Isso se parece com um método clássico simples.

Cozinha B

Muitos ingredientes, várias etapas e processamento sofisticado.

O resultado pode ser excelente.

Mas explicar exatamente como cada elemento alterou o sabor final é mais difícil.

Essa é uma analogia possível para modelos mais complexos.

Mas não conclua:

“cozinha complexa sempre cozinha melhor.”

A única forma de saber é provar o resultado.

Em previsão, “provar” significa avaliar fora da amostra

Imagine dois métodos.

Modelo clássico

MAE no teste:

1,00

Deep learning

MAE no teste:

0,85

Nesse experimento, o modelo neural teve melhor desempenho segundo MAE.

Agora outro período:

Clássico:

0,95

Deep learning:

1,20

O ranking mudou.

Isso mostra por que não existe:

“deep learning sempre vence.”

Nem:

“método clássico sempre basta.”

A avaliação é contextual.

O horizonte também muda a resposta

Imagine um método excelente para prever:

o próximo dia.

Isso não significa que seja excelente para:

os próximos 12 meses.

O horizonte pode mudar completamente a dificuldade e o ranking dos métodos.

Portanto, comparar clássico e deep learning exige responder antes:

“Estamos tentando prever o quê e a que distância?”

Sem essa pergunta, “qual é melhor?” fica incompleta.

Forecasting univariado e multivariado

Outra diferença importante aparece na quantidade de informação utilizada.

Problema univariado

Utilizamos principalmente o histórico da própria série.

Exemplo:

CDI passado → CDI futuro.

Problema multivariado

Utilizamos várias informações.

Por exemplo:

• série principal;
• inflação;
• juros;
• câmbio;
• indicadores econômicos;
• outras variáveis.

Deep learning pode ser interessante quando existem relações complexas entre muitos sinais.

Mas modelos clássicos também podem ser multivariados.

Portanto:

múltiplas variáveis ≠ automaticamente deep learning.

Mais variáveis também podem piorar

Imagine adicionar 50 indicadores porque:

“mais informação deve ser melhor.”

Talvez alguns tragam sinal útil.

Outros podem acrescentar:

• ruído;
• redundância;
• risco de overfitting;
• problemas de disponibilidade temporal.

Uma variável também pode parecer útil historicamente apenas por coincidência.

Por isso:

mais features ≠ necessariamente melhor previsão.

O risco de data leakage aumenta com pipelines complexos

Quanto maior o pipeline, mais oportunidades existem para um erro metodológico.

Imagine usar:

• dezenas de features;
• normalização;
• imputação;
• seleção de variáveis;
• transformações.

Se alguma etapa utiliza informação futura que não estaria disponível no momento real da previsão, temos leakage.

O resultado pode parecer excelente.

Mas não generalizar.

Esse problema existe em métodos clássicos e em deep learning.

Interpretabilidade tem vários níveis

“Explicar o modelo” pode significar coisas diferentes.

Explicar a regra

“A previsão é a média dos últimos sete valores.”

Explicar a importância das variáveis

“Esta variável influenciou mais o resultado.”

Explicar uma previsão individual

“Por que o resultado para este ponto foi exatamente 12,7?”

Quanto mais complexo o sistema, mais difícil pode ser responder a essas perguntas de maneira intuitiva.

Mas existem técnicas de interpretabilidade que ajudam a investigar modelos mais complexos.

Portanto:

deep learning não significa ausência total de explicação.

Significa que a explicação geralmente exige ferramentas adicionais e pode ser menos direta.

Planejamento pessoal possui necessidades diferentes de trading

Esse ponto é muito importante.

Imagine dois problemas.

Problema A

Planejar patrimônio durante 20 anos.

Problema B

Prever movimento de preço nos próximos segundos.

Ambos envolvem finanças.

Mas são problemas completamente diferentes.

No planejamento pessoal, perguntas importantes podem ser:

• como o aporte muda o resultado?
• qual é a sensibilidade à taxa?
• o plano continua viável em cenário mais cauteloso?
• como inflação altera o poder de compra?

Talvez o principal valor esteja na comparação de cenários, e não em extrair uma pequena vantagem preditiva de curtíssimo prazo.

Um modelo mais preciso pode não melhorar a decisão

Imagine:

Método A

Erro = 1,00

Fácil de explicar.

Método B

Erro = 0,98

Muito mais caro e complexo.

A diferença é pequena.

Será que isso muda:

• o aporte recomendado?
• o prazo?
• a conclusão da simulação?
• a decisão do usuário?

Talvez não.

Por isso, a métrica de forecasting é importante.

Mas a utilidade decisória também precisa entrar na discussão.

Quando métodos clássicos podem ser suficientes?

Alguns contextos favorecem abordagens simples e transparentes.

Por exemplo:

• cenários educativos;
• séries relativamente simples;
• pouco histórico disponível;
• necessidade de explicação;
• comparação de premissas;
• planejamento de longo prazo;
• baseline.

Nesse contexto, usar métodos clássicos não significa:

“ficar para trás tecnologicamente.”

Significa escolher uma ferramenta adequada ao objetivo.

Quando deep learning pode fazer sentido?

Deep learning pode ser justificável quando existe:

• grande quantidade de informação relevante;
• muitas variáveis;
• relações não lineares complexas;
• recursos de treinamento;
• capacidade de monitoramento;
• ganho demonstrado fora da amostra.

A palavra fundamental é:

demonstrado.

Não:

presumido porque o modelo é moderno.

Infraestrutura também entra na conta

Um método não existe isoladamente.

Deep learning pode exigir:

• treinamento;
• GPUs;
• pipelines de dados;
• versionamento;
• monitoramento;
• retreinamento;
• observabilidade;
• manutenção especializada.

Métodos clássicos podem exigir muito menos infraestrutura.

Isso muda o custo total.

Portanto:

o modelo com menor erro não é automaticamente o sistema com melhor relação custo-benefício.

Latência também pode importar

Imagine uma aplicação que precisa responder em milissegundos.

Um modelo pesado pode gerar custos operacionais relevantes.

Em outro sistema, previsões são recalculadas apenas uma vez por mês.

A latência quase não importa.

O contexto operacional influencia a escolha.

Drift afeta os dois mundos

Uma rede neural não fica imune a mudanças de regime.

Um método clássico também não.

Ambos foram construídos a partir de informações históricas.

Se as regras do jogo mudarem, ambos podem perder desempenho.

Por isso, qualquer modelo precisa de:

• monitoramento;
• reavaliação;
• comparação;
• atualização.

Deep learning não elimina incerteza

Essa talvez seja a principal armadilha de comunicação.

Uma curva produzida por uma rede neural pode parecer:

mais inteligente.

Mas continua sendo uma estimativa.

O modelo não tem acesso garantido a:

• decisões futuras do Banco Central;
• crises ainda inexistentes;
• mudanças regulatórias futuras;
• eventos geopolíticos inesperados.

Portanto:

IA avançada ≠ oráculo.

Nem método clássico elimina incerteza

O mesmo vale para Holt, médias móveis ou Naive.

A simplicidade também não cria certeza.

A diferença está apenas na forma como cada abordagem transforma o histórico em estimativa.

Baseline antes do deep learning

Imagine construir uma LSTM.

Ela apresenta:

MAE = 1,05

O Naive apresenta:

MAE = 0,90

Existe um problema.

A rede complexa perdeu para:

“repita o último valor.”

Antes de celebrar uma arquitetura sofisticada, precisamos perguntar:

“ela supera baselines simples?”

Essa é uma das regras mais úteis de forecasting.

O baseline também protege contra marketing tecnológico

Expressões como:

• IA;
• rede neural;
• deep learning;
• modelo avançado;

podem impressionar.

Mas nenhuma delas é uma métrica.

Um modelo só demonstra valor preditivo quando melhora os resultados relevantes.

Isso ajuda a separar:

tecnologia

de:

performance.

Overfitting precisa de atenção especial

Modelos mais flexíveis possuem capacidade para representar relações muito detalhadas.

Se os dados forem limitados, existe risco de aprender particularidades do treinamento.

Mas não devemos afirmar:

“deep learning sempre faz overfitting.”

Existem técnicas para reduzir esse risco, como:

• regularização;
• dropout;
• validação;
• early stopping;
• desenho adequado da arquitetura.

O problema continua sendo empírico.

Um modelo clássico também pode sobreajustar

Imagine testar:

• 500 combinações de parâmetros;
• várias transformações;
• diversas janelas;

e escolher aquela que funciona perfeitamente no mesmo conjunto de validação.

Mesmo sem rede neural, podemos ter overfitting ao processo de seleção.

Portanto:

sobreajuste não pertence exclusivamente ao deep learning.

Um protocolo de comparação justo

Se queremos comparar previsão clássica vs deep learning, o experimento deveria respeitar condições equivalentes.

Por exemplo:

1. Mesmos dados disponíveis

Todos recebem apenas aquilo que estaria disponível no momento real.

2. Mesmo horizonte

Nada de comparar previsão de um passo de um modelo com horizonte 12 do outro.

3. Mesmo teste temporal

Todos enfrentam o mesmo período.

4. Mesmas métricas

MAE, RMSE ou outras adequadas.

5. Baseline

Inclua uma referência simples.

6. Vários períodos

Se possível, avalie estabilidade em diferentes origens temporais.

Assim temos comparação.

Não marketing.

O modelo vencedor também precisa ser operacionalmente viável

Imagine:

Modelo A

MAE 1,00

Processamento mínimo

Modelo B

MAE 0,99

Custo computacional 100 vezes maior

A vitória de B não é automaticamente suficiente.

É preciso perguntar:

o ganho é material?

Transparência também tem valor econômico

Imagine um profissional explicando uma simulação para um cliente.

Com um método simples, consegue dizer:

“Este cenário usa a média recente.”

Com um modelo complexo, talvez precise dizer:

“O sistema aprendeu uma representação interna difícil de resumir em uma regra única.”

Dependendo do contexto, a transparência pode ter valor:

• educacional;
• regulatório;
• operacional;
• de confiança.

Esse valor também entra na escolha.

Complexidade pode ser útil quando paga sua conta

Não devemos transformar o artigo em defesa de simplicidade a qualquer custo.

Imagine:

Clássico:

MAE = 2,00

Deep learning:

MAE = 0,90

E o ganho se repete em:

• múltiplos períodos;
• várias séries;
• horizontes relevantes.

Nesse caso, a complexidade pode estar claramente agregando valor.

A conclusão correta seria:

“neste problema, a arquitetura mais complexa demonstrou ganho consistente suficiente para justificar sua adoção.”

O problema determina a ferramenta

Essa é provavelmente a melhor síntese.

Não escolha:

“deep learning.”

Escolha resolver uma pergunta.

Por exemplo:

“Quero projetar uma série mensal para construir cenários de planejamento.”

Agora avaliamos quais métodos fazem sentido.

A tecnologia vem depois.

No EuPlanejei

No contexto do EuPlanejei, o foco está em tornar projeções e cenários compreensíveis e comparáveis.

A ideia central é permitir que o usuário veja:

• histórico;
• método;
• parâmetros;
• projeção;
• comparação;
• simulação.

Isso favorece métodos cuja lógica possa ser comunicada de maneira clara.

O objetivo não é transformar complexidade algorítmica em argumento de venda.

É ajudar a responder:

“e se?”

de forma transparente.

O EuPlanejei precisa usar deep learning para ser “IA”?

Não é uma pergunta muito útil.

Uma ferramenta de planejamento deveria ser avaliada pelo que entrega.

Por exemplo:

• clareza;
• consistência;
• comparação;
• utilidade;
• metodologia;
• qualidade da simulação.

O rótulo tecnológico não substitui essas características.

Previsão clássica não significa tecnologia antiga ou inútil

Alguns métodos estatísticos existem há décadas porque continuam úteis.

Uma fórmula antiga que funciona bem não fica errada apenas porque surgiu uma arquitetura nova.

Da mesma forma, uma arquitetura recente não deve ser rejeitada apenas por ser complexa.

A pergunta é sempre:

“qual funciona melhor para o problema?”

Erros comuns ao comparar métodos clássicos e deep learning

• Achar que deep learning sempre prevê melhor.
• Achar que método clássico é automaticamente transparente.
• Tratar LSTM como sinônimo de todo deep learning temporal.
• Escolher pela modernidade do nome.
• Ignorar baselines.
• Comparar métodos em testes diferentes.
• Usar apenas erro de treinamento.
• Desconsiderar custo computacional.
• Achar que deep learning elimina mudança de regime.
• Supor que complexidade cria certeza.
• Confundir capacidade do modelo com qualidade da previsão.
• Ignorar a necessidade real do usuário.

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:

• Artigo anterior: Como o EuPlanejei sugere automaticamente um método de previsão
• Próximo artigo: Da previsão à decisão: como usar projeções em simulações financeiras

Conclusão: moderno não é sinônimo de adequado

A comparação entre previsão clássica vs deep learning não deveria ser uma disputa entre “velho” e “novo”.

São famílias de ferramentas com diferentes características.

Métodos clássicos podem oferecer:

• simplicidade;
• rapidez;
• interpretabilidade;
• bons baselines.

Deep learning pode oferecer:

• alta capacidade;
• modelagem de relações complexas;
• integração de muitas variáveis;
• flexibilidade.

Mas nenhuma dessas características garante sozinha uma boa previsão.

Guarde três ideias:

complexidade precisa demonstrar ganho fora da amostra;

interpretabilidade também possui valor;

nenhum modelo transforma estimativa em certeza.

E uma quarta:

No planejamento financeiro, muitas vezes o objetivo não é vencer uma competição de algoritmos.

É entender premissas, comparar cenários e perceber como decisões mudam quando o futuro também muda.

Continue aprendendo sobre previsão, tecnologia 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 previsão clássica vs deep learning

Deep learning sempre prevê melhor?

Não. Seu desempenho depende da série, quantidade e qualidade dos dados, arquitetura, horizonte e protocolo de avaliação. Em alguns problemas, métodos simples podem ser competitivos ou superiores.

Preciso de LSTM para projetar CDI, Selic ou IPCA?

Não necessariamente. A escolha deve ser feita a partir do problema e de avaliações fora da amostra. Métodos clássicos podem ser suficientes para construir e comparar muitos cenários de planejamento.

Métodos clássicos são sempre mais interpretáveis?

Não. Modelos simples como Naive ou médias móveis são muito fáceis de explicar, mas pipelines clássicos complexos também podem perder interpretabilidade. A análise deve considerar o sistema completo.

Posso misturar métodos clássicos e deep learning?

Sim. Sistemas podem combinar abordagens, utilizar ensembles ou comparar diferentes famílias. O importante é que o ganho seja demonstrado em avaliação apropriada.

O EuPlanejei usa deep learning?

O foco apresentado aqui é trabalhar com projeções e cenários interpretáveis e comparáveis. O objetivo é apoiar planejamento e compreensão das premissas, sem transformar complexidade algorítmica em promessa de previsão do mercado.

Referências

• Forecasting: Principles and Practice — avaliação de previsões
• Banco Central do Brasil — séries econômicas e financeiras
• Portal do Investidor — educação financeira e riscos