Modelagem Preditiva de Dividend Yield e Volatilidade de Fundos de Investimento Imobiliário Brasileiros sob Diferentes Regimes de Política Monetária Utilizando Aprendizado de Máquina

1. Introdução e Contextualização

Os Fundos de Investimento Imobiliário (FIIs) representam uma das classes de ativos de maior crescimento no mercado de capitais brasileiro. Com mais de 2 milhões de investidores pessoas físicas cadastrados na B3 e um patrimônio líquido agregado superior a R$ 300 bilhões, os FIIs consolidaram-se como instrumento relevante de geração de renda passiva e diversificação patrimonial para o investidor de varejo.

Diferentemente de REITs em mercados desenvolvidos, os FIIs brasileiros operam em um ambiente macroeconômico com particularidades marcantes: a taxa básica de juros (SELIC) historicamente elevada impõe um custo de oportunidade dinâmico que altera significativamente o comportamento dos dividendos distribuídos (dividend yield — DY) e a volatilidade dos preços de cotas. A transição entre regimes de política monetária — ciclos de alta, estabilidade e queda da SELIC — produz padrões distintos de comportamento nos diferentes segmentos de FIIs (shopping, logística, papel/CRI), criando uma complexidade temporal que modelos tradicionais de séries temporais capturam com limitações.

Nesse contexto, técnicas de aprendizado de máquina (AM) têm demonstrado capacidade superior na modelagem de séries financeiras não-lineares com dependências temporais de longo prazo. Modelos como LSTM (Long Short-Term Memory), XGBoost e suas variantes híbridas têm produzido resultados consistentemente superiores aos métodos econométricos clássicos em tarefas de previsão financeira. No entanto, a aplicação dessas técnicas ao mercado específico de FIIs brasileiros, considerando o papel central da SELIC como variável de regime, permanece um gap na literatura.

2. Problema de Pesquisa

O problema central desta pesquisa pode ser enunciado da seguinte forma:

Dessa pergunta derivam questionamentos secundários: (i) quais variáveis macroeconômicas e de mercado exercem maior influência preditiva sobre o DY por segmento de FII? (ii) a importância relativa dessas variáveis muda de acordo com o regime de política monetária vigente? (iii) modelos híbridos superam modelos individuais na captura de padrões não-lineares nesse contexto?

3. Objetivos

• Construir uma base de dados histórica de FIIs (cotação, DY, PL, vacância) integrada com variáveis macroeconômicas (SELIC, IPCA, IGPM, curva de juros) e identificar os regimes de política monetária presentes na série.
• Implementar e treinar modelos baseline (ARIMA, SARIMA) e modelos de AM (LSTM, XGBoost, Random Forest) para previsão de DY e volatilidade em diferentes horizontes temporais.
• Propor e avaliar um modelo híbrido LSTM-XGBoost que combine a captura de dependências temporais longas com a seleção automática de features relevantes.
• Analisar o comportamento preditivo dos modelos segmentado por regime de SELIC (alta, neutro, queda) e por tipo de FII (shopping, logística, papel/CRI).
• Aplicar técnicas de XAI (SHAP values) para identificar as variáveis de maior influência preditiva e como essa importância varia entre regimes monetários.
• Avaliar a aplicabilidade dos modelos como subsídio para recomendação de alocação de portfólio orientada por objetivos de renda passiva.

4. Justificativa

A justificativa desta pesquisa opera em três dimensões complementares.

Relevância acadêmica: a literatura internacional sobre REITs e ML é ativa e crescente, com trabalhos recentes publicados em veículos de alto impacto (Springer, 2024; 2025). No entanto, o contexto brasileiro é substancialmente diferente: a SELIC historicamente elevada, a inflação estruturalmente pressionada por IGPM e IPCA, e as características do mercado imobiliário nacional (predominância de shopping centers, crescimento acelerado do segmento de logística) configuram um objeto de estudo com particularidades não cobertas pela literatura existente. Há, portanto, uma lacuna genuína e explorável.

Relevância para o programa: o trabalho se insere diretamente na linha "Mineração de dados, reconhecimento de padrões e séries temporais" do PGMC, com contribuição computacional clara: comparação experimental de modelos, proposta de arquitetura híbrida e análise de importância de variáveis via XAI.

Relevância prática: os modelos desenvolvidos têm aplicabilidade direta em ferramentas de suporte à decisão de investimento, tanto para investidores individuais quanto para gestores de carteiras. A conexão com um produto de software em desenvolvimento (plataforma SaaS de finanças pessoais) garante validação em ambiente real.

5. Referencial Teórico e Estado da Arte

A revisão da literatura apoia-se em três eixos principais: (i) mercado de FIIs brasileiros e seus determinantes de desempenho; (ii) modelos de aprendizado de máquina aplicados a séries temporais financeiras; e (iii) técnicas de inteligência artificial explicável (XAI) em finanças.

No contexto nacional, Almeida (UFV, ~2023) demonstrou a superioridade do XGBoost sobre ARIMA para previsão de cotação de FIIs em horizontes de médio prazo, enriquecendo os dados com características das propriedades subjacentes. No campo de seleção de ativos, a variação do DY como critério de momentum em FIIs mostrou-se estatisticamente significativa mesmo após custos de transação, produzindo retornos superiores ao IFIX em múltiplos horizontes [SciELO, Revista Contabilidade & Finanças].

Internacionalmente, a literatura sobre REITs e ML avança em duas frentes: melhoria de acurácia preditiva com indicadores técnicos e múltiplos horizontes [Springer, Artificial Intelligence Review, 2024] e análise explicável dos drivers de retorno e volatilidade via XGBoost + SHAP [Springer, Journal of Real Estate Finance and Economics, 2025]. Este último trabalho, com dados de 1991–2022 para REITs americanos, é o mais próximo metodologicamente desta proposta — mas não considera o papel de regimes de taxa de juros como variável de estado, e opera em mercado desenvolvido com dinâmicas distintas.

Na literatura de modelos de séries temporais, modelos híbridos LSTM-XGBoost consolidaram-se como referência para previsões financeiras: XGBoost para redução dimensional e seleção de features, LSTM para modelagem de dependências temporais de longo prazo. A adição de técnicas de XAI (SHAP values, ALE plots) tem aumentado a interpretabilidade desses modelos, requisito crescente em aplicações financeiras.

6. Metodologia Proposta

7. Cronograma Preliminar

Estimado para início após aprovação no processo seletivo. Mestrado com duração de 24 meses.

8. Referências Preliminares