Agente de IA para Análise de Performance de Fundos de Investimento

24 de December de 2025 • Tempo de leitura: 5 min

Como criar um agente de IA que avalia a performance de fundos de investimento, comparando com benchmarks e identificando áreas de melhoria.

Biblioteca de Prompts e Agentes

1. Propósito e Escopo

Este documento define todos os prompts, configurações de memória, transição entre estados, consulta a documentos e demais requisitos funcionais para um agente de IA voltado para a análise de performance de fundos de investimento. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.

O objetivo principal é avaliar a performance de fundos de investimento em relação a benchmarks, identificando áreas de melhoria e sugerindo estratégias de otimização.

2. Contexto e Problema

Cenário Atual

O mercado financeiro está repleto de fundos de investimento que buscam superar benchmarks de mercado. No entanto, gestores enfrentam desafios significativos na avaliação precisa da performance dos fundos e na identificação de áreas de melhoria.

  • Avaliação precisa da performance de fundos de investimento.
  • Identificação de áreas de melhoria em fundos comparados a benchmarks.

Problemas Identificados

  • Análise de Dados: A análise de dados de performance de fundos em relação a benchmarks pode ser complexa e demorada.
  • Relatórios Detalhados: A criação de relatórios detalhados sobre áreas de melhoria requer um entendimento profundo dos dados.
  • Sugestões Estratégicas: A sugestão de estratégias para otimizar a performance dos fundos é um processo que demanda tempo e expertise.

3. Impactos Esperados

A implementação deste agente de IA visa alcançar os seguintes resultados:

  • Melhorar a precisão na avaliação de performance de fundos de investimento.
  • Identificar áreas de melhoria de forma mais eficiente, comparando com benchmarks.
  • Otimizar a performance dos fundos através de sugestões estratégicas baseadas em dados.

4. Visão Geral da Solução

O agente de IA para análise de performance de fundos de investimento processa dados comparativos entre fundos e benchmarks, identificando áreas de melhoria e sugerindo estratégias de otimização. A seguir são detalhadas todas as regras de negócio e especificações funcionais necessárias para que esse agente atue como um assistente útil e autônomo na análise de fundos.

A solução consiste em um fluxo de automação composto por 5 agentes de IA. O processo inicia com a validação e padronização de dados e termina com a geração de um relatório estruturado pronto para consumo por gestores e compliance.

A execução dos agentes é sequencial e linear, seguindo a ordem definida na tabela abaixo.

Agentes Função Principal
Agente de Validação e Padronização de Dados de Fundos e Benchmarks (RF 1) Receber séries históricas de fundos e benchmarks, padronizar periodicidade, moeda e janela temporal.
Agente de Cálculo de Métricas de Performance e Risco (RF 2) Calcular métricas padronizadas de retorno e risco do fundo e do benchmark.
Agente de Avaliação Relativa vs. Benchmark (RF 3) Classificar a performance relativa do fundo frente ao benchmark.
Agente de Diagnóstico de Áreas de Melhoria (RF 4) Traduzir evidências quantitativas em alavancas práticas de melhoria de performance.
Agente de Geração de Relatório Estruturado (RF 5) Compilar achados em um relatório executivo e técnico.

5. Protótipos

Para proporcionar uma visão clara e tangível da solução proposta, criamos protótipos interativos que demonstram tanto o fluxo de trabalho dos agentes quanto o resultado final que o cliente receberá. Explore os links abaixo para entender melhor a solução em ação.

Ver Agente na Prototipe AI

6. Requisitos Funcionais

RF 1. Agente de Validação e Padronização de Dados de Fundos e Benchmarks

1.1 Tarefa do Agente

Receber séries históricas de fundos e benchmarks, padronizar periodicidade, moeda e janela temporal, e produzir um dataset consistente e pronto para análise.

1.2 Prompt ou Instruções do Agente 
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo séries históricas de fundos e benchmarks. Este conjunto de dados contém informações brutas que precisam ser padronizadas para análise.

# 2. Objetivo
Padronizar a periodicidade, moeda e janela temporal dos dados recebidos, produzindo um dataset consistente e pronto para análise.

# 3. Regras que você deve seguir para gerar sua resposta
- Utilize somente a interseção de datas entre fundo e benchmark após aplicar datas_corte.
- Se periodicidade_informada for divergente do padrão detectado, derive periodicidade por mediana do espaçamento entre datas.
- Retornos: ret_t = (preco_t/preco_{t-1})-1. Nunca misture valores com aportes.
- Risk-free: se informado anual, converta para frequência da série.
- Outliers: identifique retornos com |z|>3; aplique winsorização a ±3 desvios-padrão.
- Valores faltantes: se houver buracos isolados de 1 período, aplique forward-fill.

# 4. Exemplo de Output que você deve produzir
{
  "fundo_id": "123",
  "benchmark_id": "456",
  "periodicidade_final": "mensal",
  "janela_final": {"inicio": "2023-01-01", "fim": "2025-12-31"},
  "moeda_final": "BRL",
  "serie_alinhada": [{"data": "2023-01-01", "ret_fundo": 0.01, "ret_benchmark": 0.02}]
}
1.3 Configurações do Agente

1.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente é o ponto de partida do fluxo e deve ser acionado pelo envio de um arquivo de dados via API. Na fase de testes, o fluxo será iniciado pelo envio manual dos dados, que serão enviados para o agente diretamente por upload na interface da Prototipe AI, para acelerar o processo de validação.
  • Tipo do input: O input inicial é um conjunto de dados estruturados em formato JSON.
  • Formatos Suportados: Esse agente deve ser capaz de receber dados nos formatos: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 100.000 caracteres.

1.3.2 Especificação do Output

  • Formato de output: O output deve ser um objeto JSON contendo os dados padronizados e alinhados prontos para análise.
  • Exemplo de Estrutura de Output: 
     {
  "fundo_id": "123",
  "benchmark_id": "456",
  "periodicidade_final": "mensal",
  "janela_final": {"inicio": "2023-01-01", "fim": "2025-12-31"},
  "moeda_final": "BRL",
  "serie_alinhada": [{"data": "2023-01-01", "ret_fundo": 0.01, "ret_benchmark": 0.02}]
}
  • Número de caracteres esperado: O JSON final deve ter um tamanho estimado em torno de 3.000 caracteres.

1.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

1.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

1.3.5 Memória

1.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Cálculo de Métricas de Performance e Risco (RF 2).

RF 2. Agente de Cálculo de Métricas de Performance e Risco

2.1 Tarefa do Agente

Calcular métricas padronizadas de retorno e risco do fundo e do benchmark, inclusive medidas relativas.

2.2 Prompt ou Instruções do Agente 
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um objeto JSON padronizado com dados de fundos e benchmarks. Este conjunto de dados está pronto para análise de métricas de performance e risco.

# 2. Objetivo
Calcular métricas padronizadas de retorno e risco do fundo e do benchmark, inclusive medidas relativas.

# 3. Regras que você deve seguir para gerar sua resposta
- Defina base_ano=252 se periodicidade_final=diaria, senão 12.
- Retorno acumulado total: prod(1+ret)-1. CAGR: (1+ret_total)^(periodos/base_ano)-1.
- Vol anualizada: stdev(ret_periodicos)*sqrt(base_ano).
- Sharpe: se rf disponível, use excesso (ret-rf); senão use ret simples.
- Max drawdown: calcule pico-vale sobre base_100.
- Tracking error: desvio-padrão anualizado dos retornos em excesso (ret_fundo - ret_benchmark).

# 4. Exemplo de Output que você deve produzir
{
  "metricas_absolutas_fundo": {"ret_anualizado": 0.12, "vol_anualizada": 0.15, "sharpe": 0.8},
  "metricas_absolutas_bench": {"ret_anualizado": 0.10, "vol_anualizada": 0.13, "sharpe": 0.7},
  "metricas_relativas": {"tracking_error": 0.02, "information_ratio": 0.5}
}
2.3 Configurações do Agente

2.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 1).
  • Tipo do input: Este agente deve ser apto a receber como input um objeto JSON padronizado contendo dados de fundos e benchmarks.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 10.000 caracteres.

2.3.2 Especificação do Output

  • Formato de output: O output deve ser um objeto JSON contendo as métricas calculadas de retorno e risco.
  • Exemplo de Estrutura de Output: 
     {
  "metricas_absolutas_fundo": {"ret_anualizado": 0.12, "vol_anualizada": 0.15, "sharpe": 0.8},
  "metricas_absolutas_bench": {"ret_anualizado": 0.10, "vol_anualizada": 0.13, "sharpe": 0.7},
  "metricas_relativas": {"tracking_error": 0.02, "information_ratio": 0.5}
}
  • Número de caracteres esperado: O JSON final deve ter um tamanho estimado em torno de 2.000 caracteres.

2.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

2.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Utiliza lógica interna para calcular métricas de performance e risco.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

2.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta gerada por este agente deve ser visível para o Agente de Avaliação Relativa vs. Benchmark (RF 3).

2.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Avaliação Relativa vs. Benchmark (RF 3).

RF 3. Agente de Avaliação Relativa vs. Benchmark

3.1 Tarefa do Agente

Classificar a performance relativa do fundo frente ao benchmark e resumir a consistência e o comportamento em diferentes regimes de mercado.

3.2 Prompt ou Instruções do Agente 
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo métricas de performance e risco calculadas para um fundo e seu benchmark correspondente.

# 2. Objetivo
Classificar a performance relativa do fundo frente ao benchmark e resumir a consistência e o comportamento em diferentes regimes de mercado.

# 3. Regras que você deve seguir para gerar sua resposta
- Defina TE_mínimo para avaliação robusta: se tracking_error < 0.02 (2% anual), adicione alerta.
- Classificação: 
  • Superior se IR>=0.5 e alpha_anualizado>0 e hit_ratio_mensal>=0.55.
  • Em linha se -0.25<=IR<0.5 ou alpha entre -0.5% e +0.5% a.a.
  • Inferior se IR<-0.25 ou alpha_anualizado<0 e hit_ratio_mensal<=0.5.
- Consistência: rolling_superacao_pct = % de janelas rolling com ret_anualizado_excesso>0.
- Regimes: classifique meses como bull, bear e lateral.

# 4. Exemplo de Output que você deve produzir
{
  "classificacao_geral": "superior",
  "justificativa": ["IR alto", "Alpha positivo", "Hit ratio elevado"],
  "regimes": {"bull": {"ret_bench_criterio": 0.02, "desempenho_rel_medio": 0.015}}
}
3.3 Configurações do Agente

3.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 2).
  • Tipo do input: Este agente deve ser apto a receber como input métricas de performance e risco de um fundo e seu benchmark.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 5.000 caracteres.

3.3.2 Especificação do Output

  • Formato de output: O output deve ser um objeto JSON contendo a classificação relativa do fundo e suas justificativas.
  • Exemplo de Estrutura de Output: 
     {
  "classificacao_geral": "superior",
  "justificativa": ["IR alto", "Alpha positivo", "Hit ratio elevado"],
  "regimes": {"bull": {"ret_bench_criterio": 0.02, "desempenho_rel_medio": 0.015}}
}
  • Número de caracteres esperado: O JSON final deve ter um tamanho estimado em torno de 1.500 caracteres.

3.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

3.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Utiliza lógica interna para classificar a performance relativa.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

3.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta gerada por este agente deve ser visível para o Agente de Diagnóstico de Áreas de Melhoria (RF 4).

3.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Diagnóstico de Áreas de Melhoria (RF 4).

RF 4. Agente de Diagnóstico de Áreas de Melhoria

4.1 Tarefa do Agente

Traduzir evidências quantitativas em alavancas práticas de melhoria de performance, estimando impacto potencial e trade-offs.

4.2 Prompt ou Instruções do Agente 
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo uma avaliação relativa da performance de fundos e benchmarks, juntamente com métricas relevantes.

# 2. Objetivo
Traduzir evidências quantitativas em alavancas práticas de melhoria de performance, estimando impacto potencial e trade-offs.

# 3. Regras que você deve seguir para gerar sua resposta
- Custos: estime impacto das taxas pela subtração direta em bps/ano do ret_anualizado.
- Concentração: se pior_mês < -2 DP mensal e max_drawdown elevado, recomende diversificação.
- Timing de mercado: se beta>1, recomende controle de beta.
- Fatores: se correlação com benchmark <0.6, recomende revisão de tese/fatores.

# 4. Exemplo de Output que você deve produzir
{
  "areas_melhoria": [{"tema": "taxas", "evidencia": "Taxa de administração alta", "metrica_chave": {"nome": "taxa_adm_bps", "valor": 50}, "recomendacao": "Reduzir taxa de administração", "impacto_estimado_bps_aa": "10-15", "prioridade": "alta"}]
}
4.3 Configurações do Agente

4.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 3).
  • Tipo do input: Este agente deve ser apto a receber como input uma avaliação relativa da performance de fundos e benchmarks.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 5.000 caracteres.

4.3.2 Especificação do Output

  • Formato de output: O output deve ser um objeto JSON contendo as áreas de melhoria identificadas e suas recomendações.
  • Exemplo de Estrutura de Output: 
     {
  "areas_melhoria": [{"tema": "taxas", "evidencia": "Taxa de administração alta", "metrica_chave": {"nome": "taxa_adm_bps", "valor": 50}, "recomendacao": "Reduzir taxa de administração", "impacto_estimado_bps_aa": "10-15", "prioridade": "alta"}]
}
  • Número de caracteres esperado: O JSON final deve ter um tamanho estimado em torno de 2.000 caracteres.

4.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

4.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Utiliza lógica interna para identificar áreas de melhoria.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

4.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta gerada por este agente deve ser visível para o Agente de Geração de Relatório Estruturado (RF 5).

4.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Geração de Relatório Estruturado (RF 5).

RF 5. Agente de Geração de Relatório Estruturado

5.1 Tarefa do Agente

Compilar achados em um relatório executivo e técnico, pronto para consumo por gestores e compliance.

5.2 Prompt ou Instruções do Agente 
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo saídas dos agentes anteriores, incluindo dados padronizados, métricas, avaliação relativa e diagnóstico.

# 2. Objetivo
Compilar achados em um relatório executivo e técnico, pronto para consumo por gestores e compliance.

# 3. Regras que você deve seguir para gerar sua resposta
- O resumo executivo deve caber em até 120 palavras e citar a classificação.
- Inclua uma tabela de métricas com valores absolutos e relativos lado a lado.
- Gráficos mínimos: base_100 fundo vs benchmark, rolling IR (12m).
- Liste claramente pressupostos e quaisquer limitações de dados.

# 4. Exemplo de Output que você deve produzir
{
  "resumo_executivo": "O fundo apresentou performance superior ao benchmark, com IR alto e alpha positivo.",
  "tabela_metricas": {"ret_anualizado": 0.12, "vol": 0.15, "sharpe": 0.8},
  "graficos_dados": [{"tipo": "linha", "titulo": "Base 100 Fundo vs Benchmark", "series": [{"nome": "Fundo", "pontos": [{"x": "2023-01-01", "y": 100}]}]}]
}
5.3 Configurações do Agente

5.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 4).
  • Tipo do input: Este agente deve ser apto a receber como input saídas dos agentes anteriores, incluindo dados padronizados, métricas, avaliação relativa e diagnóstico.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 10.000 caracteres.

5.3.2 Especificação do Output

  • Formato de output: O output deve ser um objeto JSON contendo o relatório estruturado com achados e recomendações.
  • Exemplo de Estrutura de Output: 
     {
  "resumo_executivo": "O fundo apresentou performance superior ao benchmark, com IR alto e alpha positivo.",
  "tabela_metricas": {"ret_anualizado": 0.12, "vol": 0.15, "sharpe": 0.8},
  "graficos_dados": [{"tipo": "linha", "titulo": "Base 100 Fundo vs Benchmark", "series": [{"nome": "Fundo", "pontos": [{"x": "2023-01-01", "y": 100}]}]}]
}
  • Número de caracteres esperado: O JSON final deve ter um tamanho estimado em torno de 4.000 caracteres.

5.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

5.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Utiliza lógica interna para compilar o relatório.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

5.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta gerada por este agente é o entregável final e não é passada para outros agentes internos.

5.3.6 Regras de Orquestração e Transição

A execução deste agente finaliza o fluxo. O relatório gerado é o resultado que deve ser disponibilizado ao usuário.

Posts Relacionados

© 2025 prototipe.ai. Todos os direitos reservados.