Entenda LightGBM, a vantagem das árvores em tabelas financeiras e os cuidados ao testar previsões de ações.
A máquina mais complicada perdeu?
“A versão com rede neural não conseguiu superar a versão com LightGBM.” Parece uma virada inesperada: de um lado, cálculos em várias camadas; do outro, um pequeno bosque de árvores. O bosque leva o troféu. A ventoinha do computador trabalha muito, mas barulho não dá ponto.
A frase não traz dados nem notas, então não permite conferir aquela disputa específica. Mas pesquisas mostram que métodos baseados em árvores costumam ser fortes em tabelas numéricas.[1][2]
O que faz o LightGBM?
LightGBM é uma forma de aprender com exemplos passados para prever novos resultados. O estudo de referência foi publicado em 2017.[3]
Imagine uma tabela com crescimento do lucro, alta no volume negociado, porte da empresa e preço posterior da ação. Uma árvore pergunta: “O lucro passou deste limite?” A próxima tenta corrigir erros anteriores. Muitas pequenas correções se juntam numa estimativa.
Uma árvore é simples. Várias trabalhando em equipe são surpreendentemente fortes.
Por que pode ganhar?
Dados financeiros têm valores extremos, colunas pouco úteis e padrões que aparecem depois de certos limites. Árvores sabem separar esses casos.
Em 2022, pesquisadores encontraram desempenho forte desses métodos em tabelas de tamanho médio.[1] Um estudo de 2023 mostrou que ajustar bem as configurações pode importar mais do que trocar a categoria de modelo.[2]
Computador fazendo barulho de avião não significa previsão melhor.
As árvores sempre vencem?
Uma grande comparação de 2025 encontrou situações nas quais redes neurais alcançaram resultados próximos com mais tempo de treinamento e previsões combinadas.[4] Interpretar fotos e ler balanços são atividades diferentes.
Como testar para ações?
Os dois métodos só podem usar informações públicas na data da previsão. Colocar resultados divulgados depois seria como espiar o jornal de amanhã.
Teste seguindo a ordem do tempo. Inclua taxas, diferenças entre preço esperado e preço executado e grandes perdas. Acertar a direção do preço e ganhar dinheiro líquido são provas distintas.
Conclusão
Uma rede neural pode perder para LightGBM. Uma ferramenta apresentada em 2017 continua boa quando combina com o trabalho. Respeite o pequeno bosque.
- Grinsztajn, Oyallon & Varoquaux (2022), “Why do tree-based models still outperform deep learning on typical tabular data? papers.nips.cc
- McElfresh et al. (2023), “When Do Neural Nets Outperform Boosted Trees on Tabular Data? proceedings.neurips.cc
- Ke et al. (2017), “LightGBM: A Highly Efficient Gradient Boosting Decision Tree. proceedings.neurips.cc
- Erickson et al. (2025), “TabArena: A Living Benchmark for Machine Learning on Tabular Data. proceedings.nips.cc
