PeterAI: An AI Multi-Agent Framework for Personalized Investment Consultancy
Nome: ALEFE VITOR ALMEIDA GADIOLI
Data de publicação: 10/12/2025
Banca:
Nome |
Papel |
|---|---|
| ALBERTO FERREIRA DE SOUZA | Coorientador |
| CLAUDINE SANTOS BADUE | Presidente |
| FRANCISCO DE ASSIS BOLDT | Examinador Externo |
| LUIS ANTONIO DE SOUZA JUNIOR | Examinador Interno |
Resumo: A complexidade dos mercados financeiros atuais exige soluções que unam análise contínua,
gestão de riscos e comunicação eficiente. Esta dissertação apresenta o PeterAI, um framework
multi-agente com Inteligência Artificial que oferece consultoria de investimentos via WhatsApp,
combinando LLMs, raciocínio em cadeia (Chain-of-Thought - CoT) e otimização de portfólio. O
sistema é composto por agentes especializados por classe de ativo, processa entradas multimodais
e integra dados financeiros em tempo real com explicabilidade auditável alinhada às exigências
regulatórias. Para validação empírica, foi conduzido um estudo comparativo controlado durante
sete meses (junho-dezembro de 2024) com 120 clientes reais, estratificados por perfil de risco e
objetivos financeiros. Os participantes foram divididos igualmente entre portfólios gerenciados
pelo PeterAI e consultores humanos especializados, todos com valor mínimo de R$100.000,00.
Os resultados indicam desempenho estatisticamente superior do PeterAI, com retorno médio de
8,29% ± 0,30% frente a 2,57% ± 0,99% dos consultores humanos, além de menor volatilidade
(1,45% ± 0,32%) e Índice de Sharpe mais alto (2,67 ± 0,85). O drawdown máximo foi 46%
inferior ao grupo controle, e testes de robustez confirmaram vantagem mesmo sob estresse
de mercado. Estudos de ablação validaram a importância de cada componente: a ausência do
módulo de memória resultou em aumento de 46% na volatilidade, enquanto a omissão dos
termos de risco reduziu drasticamente o Índice de Sharpe, confirmando a eficácia da arquitetura
integrada proposta. As principais contribuições incluem: (i) arquitetura MAS-LLM escalável
para personalização em larga escala; (ii) pipeline robusto de tratamento de erros com resolução
de ambiguidades; (iii) explicabilidade auditável via CoT com logs imutáveis; e (iv) validação
empírica em ambiente real. Limitações identificadas incluem requisitos de certificação regulatória
e desafios de escalabilidade computacional. Os resultados sugerem que a abordagem proposta é
viável em ambiente real e pode contribuir para recomendações mais consistentes e alinhadas ao
perfil de risco, no contexto e período avaliados.
