Ferramenta Web para Análise de Sentimento do Mercado Financeiro Brasileiro: uma evolução do modelo SentFinBERT-PT-BR
Resumo
Este trabalho apresenta o desenvolvimento de uma extensão de navegador para análise de sentimento de notícias financeiras em português brasileiro, integrando um modelo da família FinBERT-PT-BR diretamente ao ambiente de leitura. A solução adota arquitetura cliente-servidor: uma extensão para navegadores Chromium (Manifest V3) e um back-end local em FastAPI que executa o modelo. São propostos dois modos de análise: um modo baseline, com aplicação direta do modelo, e um modo híbrido, que combina segmentação contrastiva, heurísticas de domínio, score contínuo e explicabilidade por oclusão para mitigar erros em textos de sentimento misto. Uma avaliação sobre um conjunto de notícias rotuladas manualmente compara os dois modos, indicando que o modo híbrido aumenta a coerência da classificação em casos de jargão e polaridade mista, ampliando a acessibilidade da análise de sentimento financeiro.
Referências
ARACI, Dogu. FinBERT: financial sentiment analysis with pre-trained language models. 2019. Disponível em: [link]. Acesso em: 21 abr. 2025.
ASHTIANI, Matin N.; RAAHEMI, Bijan. News-based intelligent prediction of financial markets using text mining and machine learning: a systematic literature review. Expert Systems with Applications, v. 217, 119509, 2023.
BIRJALI, Mohammed; KASRI, Mouad; BENI-HSSANE, Abderrahim. A comprehensive survey on sentiment analysis: approaches, challenges, and trends. Knowledge-Based Systems, v. 226, 107134, 2021.
CASELI, Helena de Medeiros; NUNES, Maria das Graças Volpe; PAGANO, Adriana Silvina. Processamento de linguagem natural: conceitos, técnicas e aplicações em português. São Carlos: BPLN, 2023. Disponível em: [link]. Acesso em: 16 set. 2025.
COSTA, Anna Helena Reali; COZMAN, Fabio Gagliardi. O futuro da pesquisa em inteligência artificial. Revista USP, São Paulo, n. 141, p. 133-146, abr./jun. 2024.
DEVLIN, Jacob et al. BERT: pre-training of deep bidirectional transformers for language understanding. In: NAACL-HLT, 2019, Minneapolis. Proceedings... Minneapolis: ACL, 2019. p. 4171-4186.
GALPHADE, Manisha et al. Semantic analysis using deep learning for predicting stock trends. Procedia Computer Science, v. 235, p. 820-829, 2024.
KRAAIJEVELD, Otto; DE SMEDT, Jelle. The predictive power of public Twitter sentiment for forecasting cryptocurrency prices. Journal of International Financial Markets, Institutions and Money, v. 65, 101188, 2020.
LO, Andrew W. The adaptive markets hypothesis. The Journal of Portfolio Management, v. 30, n. 5, p. 15-29, 2004.
MEDHAT, Walaa; HASSAN, Ahmed; KORASHY, Hoda. Sentiment analysis algorithms and applications: a survey. Ain Shams Engineering Journal, v. 5, n. 4, p. 1093-1113, 2014.
RIBEIRO, Marco Tulio; SINGH, Sameer; GUESTRIN, Carlos. “Why should I trust you?”: explaining the predictions of any classifier. In: ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 22., 2016, San Francisco. Proceedings... New York: ACM, 2016. p. 1135-1144.
SANTOS, Lucas Leme. FinBERT-PT-BR: análise de sentimentos de textos em português referentes ao mercado financeiro. 2022. Trabalho de Conclusão de Curso (Engenharia de Computação) — Escola Politécnica, Universidade de São Paulo, São Paulo, 2022.
SANTOS, Lucas L.; BIANCHI, Reinaldo A. C.; COSTA, Anna H. R. FinBERT-PT-BR: análise de sentimentos de textos em português do mercado financeiro. In: Simpósio Brasileiro de Sistemas de Informação (SBSI), 19., 2023, Passo Fundo. Anais... Porto Alegre: SBC, 2023. p. 825-832.
SHAH, Anshul et al. A stock market trading framework based on deep learning architectures. Multimedia Tools and Applications, v. 81, n. 10, p. 14153-14171, 2022.
VASWANI, Ashish et al. Attention is all you need. Advances in Neural Information Processing Systems, v. 30, 2017.
WOLF, Thomas et al. Transformers: state-of-the-art natural language processing. In: Conference on Empirical Methods in Natural Language Processing (EMNLP): System Demonstrations, 2020. p. 38-45.
YADAV, Nikesh. Enhancing stock trend prediction using BERT-based sentiment analysis and machine learning techniques. International Journal of Quantitative Research and Modeling, v. 5, n. 1, p. 1-11, 2024.
YANG, Yaping et al. FinBERT: a pretrained language model for financial communications. 2020. Disponível em: [link]. Acesso em: 21 abr. 2025.
ASHTIANI, Matin N.; RAAHEMI, Bijan. News-based intelligent prediction of financial markets using text mining and machine learning: a systematic literature review. Expert Systems with Applications, v. 217, 119509, 2023.
BIRJALI, Mohammed; KASRI, Mouad; BENI-HSSANE, Abderrahim. A comprehensive survey on sentiment analysis: approaches, challenges, and trends. Knowledge-Based Systems, v. 226, 107134, 2021.
CASELI, Helena de Medeiros; NUNES, Maria das Graças Volpe; PAGANO, Adriana Silvina. Processamento de linguagem natural: conceitos, técnicas e aplicações em português. São Carlos: BPLN, 2023. Disponível em: [link]. Acesso em: 16 set. 2025.
COSTA, Anna Helena Reali; COZMAN, Fabio Gagliardi. O futuro da pesquisa em inteligência artificial. Revista USP, São Paulo, n. 141, p. 133-146, abr./jun. 2024.
DEVLIN, Jacob et al. BERT: pre-training of deep bidirectional transformers for language understanding. In: NAACL-HLT, 2019, Minneapolis. Proceedings... Minneapolis: ACL, 2019. p. 4171-4186.
GALPHADE, Manisha et al. Semantic analysis using deep learning for predicting stock trends. Procedia Computer Science, v. 235, p. 820-829, 2024.
KRAAIJEVELD, Otto; DE SMEDT, Jelle. The predictive power of public Twitter sentiment for forecasting cryptocurrency prices. Journal of International Financial Markets, Institutions and Money, v. 65, 101188, 2020.
LO, Andrew W. The adaptive markets hypothesis. The Journal of Portfolio Management, v. 30, n. 5, p. 15-29, 2004.
MEDHAT, Walaa; HASSAN, Ahmed; KORASHY, Hoda. Sentiment analysis algorithms and applications: a survey. Ain Shams Engineering Journal, v. 5, n. 4, p. 1093-1113, 2014.
RIBEIRO, Marco Tulio; SINGH, Sameer; GUESTRIN, Carlos. “Why should I trust you?”: explaining the predictions of any classifier. In: ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 22., 2016, San Francisco. Proceedings... New York: ACM, 2016. p. 1135-1144.
SANTOS, Lucas Leme. FinBERT-PT-BR: análise de sentimentos de textos em português referentes ao mercado financeiro. 2022. Trabalho de Conclusão de Curso (Engenharia de Computação) — Escola Politécnica, Universidade de São Paulo, São Paulo, 2022.
SANTOS, Lucas L.; BIANCHI, Reinaldo A. C.; COSTA, Anna H. R. FinBERT-PT-BR: análise de sentimentos de textos em português do mercado financeiro. In: Simpósio Brasileiro de Sistemas de Informação (SBSI), 19., 2023, Passo Fundo. Anais... Porto Alegre: SBC, 2023. p. 825-832.
SHAH, Anshul et al. A stock market trading framework based on deep learning architectures. Multimedia Tools and Applications, v. 81, n. 10, p. 14153-14171, 2022.
VASWANI, Ashish et al. Attention is all you need. Advances in Neural Information Processing Systems, v. 30, 2017.
WOLF, Thomas et al. Transformers: state-of-the-art natural language processing. In: Conference on Empirical Methods in Natural Language Processing (EMNLP): System Demonstrations, 2020. p. 38-45.
YADAV, Nikesh. Enhancing stock trend prediction using BERT-based sentiment analysis and machine learning techniques. International Journal of Quantitative Research and Modeling, v. 5, n. 1, p. 1-11, 2024.
YANG, Yaping et al. FinBERT: a pretrained language model for financial communications. 2020. Disponível em: [link]. Acesso em: 21 abr. 2025.
Publicado
23/09/2026
Como Citar
NOVAIS, Murilo Anjos Leite; CAMPOS, Leonardo Barreto.
Ferramenta Web para Análise de Sentimento do Mercado Financeiro Brasileiro: uma evolução do modelo SentFinBERT-PT-BR. In: ESCOLA REGIONAL DE COMPUTAÇÃO BAHIA, ALAGOAS E SERGIPE (ERBASE), 26. , 2026, Maragogi/AL.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 151-160.
DOI: https://doi.org/10.5753/erbase.2026.32306.
