EXAONE Finance: modelo de IA para previsão financeira lidera benchmark FinVerse

O que aconteceu

Um relatório técnico publicado no arXiv (documento 2609.04239v1, submetido em 4 de agosto de 2026) apresentou o EXAONE Forecast for Finance, abreviado como EXAONE Finance. Trata-se de um modelo fundacional de séries temporais (TSFM, na sigla em inglês) projetado especificamente para previsão financeira.

O EXAONE Finance foi avaliado no FinVerse, benchmark de previsão financeira que cobre classes de ativos diversas. O resultado: o modelo ficou em primeiro lugar nas três camadas de avaliação do benchmark. A primeira mede a precisão da previsão pontual (point-forecast accuracy). A segunda avalia o ranking de ativos na seção transversal do mercado (cross-sectional asset ranking). A terceira mede a rentabilidade de carteiras construídas a partir das previsões (portfolio profitability).

Contexto

Os modelos fundacionais de séries temporais recentes atingem bom desempenho zero-shot por meio de pré-treinamento em larga escala. Mas esses modelos foram desenvolvidos para séries temporais de domínio geral, não para mercados financeiros. Três limitações aparecem no relatório.

A primeira é arquitetural: a maioria depende de backbones de self-attention, cujo custo computacional cresce de forma quadrática com o comprimento da sequência e com o número de variáveis. A segunda é a suposição de entradas completamente observadas, algo raro em dados financeiros reais. A terceira é o corpus de pré-treinamento, que não captura a dinâmica própria dos mercados financeiros.

Essas limitações atrapalham justamente o caso de uso financeiro, em que painéis longos, com muitos canais e observações intermitentes são comuns.

Por que importa

O EXAONE Finance ataca cada limitação com uma decisão técnica específica. A arquitetura é attention-free: a self-attention foi substituída por dois operadores de tempo linear. O primeiro é uma convolução 1D causal para mistura temporal. O segundo é um MLP (multi-layer perceptron) com pooling consciente de grupos para mistura de variáveis.

Para lidar com dados faltantes, o modelo usa uma técnica de masked context augmentation. Durante o treinamento, o modelo é exposto a trechos contíguos de dados ausentes, o que melhora a robustez à ausência de dados típica dos mercados financeiros.

O pré-treinamento também mudou de escala e de escopo. O corpus financeiro de larga escala usado pela EXAONE cobre não apenas ações (equities), mas também câmbio (foreign exchange), commodities, criptoativos, renda fixa e indicadores macroeconômicos.

Impacto

O desempenho no FinVerse indica que a combinação de arquitetura linear com dados financeiros nativos supera os TSFMs de domínio geral. Para o setor, o resultado sugere que o custo quadrático da self-attention é um gargalo real quando o problema envolve séries longas e muitos canais simultâneos.

A cobertura de classes de ativos também importa na prática. Um modelo treinado com ações, câmbio, commodities, criptoativos, renda fixa e indicadores macroeconômicos pode servir a gestoras e mesas de trading que operam painéis heterogêneos, e não apenas carteiras de ações.

O que muda

Para quem acompanha modelos fundacionais de séries temporais, o EXAONE Finance mostra que a arquitetura importa tanto quanto o volume de dados. A troca da self-attention por convolução causal e MLP com pooling reduz o custo computacional de quadrático para linear, e o modelo ainda lidera o FinVerse nas três métricas.

A robustez a dados faltantes, treinada via masked context augmentation, endereça um problema que os modelos de domínio geral simplesmente assumem inexistente.

O que vem agora

O relatório técnico está disponível no arXiv (2609.04239v1). O material divulgado não traz datas para liberação de código, pesos do modelo ou produtos comerciais. A próxima referência para acompanhar a evolução do EXAONE Finance serão novas versões do relatório no arXiv e a adoção do benchmark FinVerse por outros grupos de pesquisa.