Criei, com a minha própria metodologia de pesquisa de investimentos e estudos de mercado, um motor de AI para research em finanças.

Insiro um código, ele corre 23 minutos, chama 9 fontes de dados e 25 ferramentas. Mas o foco não é a rapidez.
O foco é — só depois de concluir estas quatro coisas é que ele se atreve a falar:
1｜Primeiro avalia vida ou morte, não primeiro calcula o preço.
Esta crise é temporária ou permanente? Foi um erro emocional, ou é um declínio estrutural? Se esta etapa falhar, a pesquisa é encerrada no local.
2｜A avaliação só dá intervalos, não dá preço-alvo.
Com mais de uma dezena de métodos em cruzamento: DCF, custo de reposição, percentis históricos, reverse DCF. Um preço-alvo preciso ao nível do decimal é uma falsa precisão; falamos apenas de “o quão barato” até onde.
3｜Antes de chegar a conclusões, ataca-se a si próprio primeiro.
Red team adversarial, verificando item a item os seus próprios números. Qualquer dado que possa inverter a conclusão tem de ser rastreado até à divulgação original (SEC / HKEX), sem confiar em recontos de segunda mão.
4｜Cada número tem de conseguir ser reconciliado.
Uma porta automática de verificação, alinhando cada número do relatório com as evidências originais. Tudo o que você vê como números vem com uma fonte por trás. Se os dados não chegarem, diz-se apenas “dados escassos e pouco fiáveis” — em vez de inventar um número bonito.
No fim, ele só dá duas conclusões: comprar, ou rejeitar. Não existe “manter em observação”.
E tem de indicar uma linha de refutação: que sinal aparece, e então essa decisão é derrubada. Ele não emite ordens de compra/venda.
Ele decide “barato” e “catalisador” — a decisão fica com você. Comentem à vontade!