Brikz Labs · Demo 03 · Time-series FM
Esta demo replica a camada de monitoramento contínuo do Agente FIDC. O Time-series FM observa 24 meses de fluxo de caixa do cedente e projeta 6 meses à frente: aging dos recebíveis, probabilidade de default (PD) e indicador de stress financeiro precoce. Os dados são sintéticos.
Cenário do cedente
Métrica em foco
Identificação do cedente
PD em 6 meses
—
Aging projetado
— d
Stress liquidez
—
Recomendação
—
Fluxo de caixa mensal
histórico 24m · forecast 6mHistórico em azul, forecast em laranja com banda de incerteza (intervalo de confiança 80%). O backbone do Time-series FM é Mamba-2, captando dependências de longo prazo. Em produção, o modelo consume séries de até 36 meses por cedente.
—
O que o forecast resolve
Aging crescente, PD subindo e queda de fluxo de caixa são sinais precoces de inadimplência de cedente em FIDC. O Time-series FM detecta esses sinais 3 a 6 meses antes do evento, permitindo que a gestora atue: substituir o cedente da carteira, recalibrar concentração, ou acionar gatilhos do regulamento.
A demo gera cenários distintos a cada cedente sintético: saudável, sazonal, em deterioração e choque súbito. O forecast captura padrões característicos de cada um.
Stack do forecast
Estado da arte e próximos passos
O backbone Mamba-2 é uma escolha de produção pelo trade-off entre janela de contexto longa e custo de inferência linear no tamanho da sequência. Em paralelo, a literatura de 2024 mudou de patamar com a chegada dos foundation models de série temporal zero-shot.
Família Chronos
Chronos-2 e ChronosX
Chronos-2 é a iteração de produção mais recente da família encoder-decoder de tokenização por quantização. ChronosX adiciona suporte a variáveis exógenas, relevante para forecast condicionado em macro (Selic, IPCA, câmbio) que é parte do sinal de PD em FIDC brasileiro.
Ansari et al., arXiv:2403.07815 · ChronosX, Amazon 2025
Decoder-only
TimesFM 2.5 (Google)
TimesFM 2.5 estende a janela de contexto, reduz parâmetros e adiciona predição contínua de quantil (em vez de pontual). Disponível em Vertex AI Model Garden para zero-shot direto sobre séries financeiras.
Das et al., ICML 2024 · TimesFM 2.5, Google 2025
Mistura de especialistas
Moirai-MoE (Salesforce)
Mistura esparsa de especialistas sobre o backbone Moirai. Em benchmarks zero-shot, Moirai-MoE-Base supera TimesFM e Chronos em CRPS e MASE. Especializações capturam padrões distintos: sazonal, choque, deterioração, ruído de baixa frequência.
Liu et al., NeurIPS 2024 (OpenReview SrEOUSyJcR)
Mistura especializada
Time-MoE
Pré-treinado em escala bilionária de pontos com cabeças especializadas. Reportado como melhor em benchmarks específicos de domínio onde a série tem padrões fortes de quebra de regime — o que ocorre em fluxo de caixa de cedente sob stress agudo.
Shi et al., 2024
Federated forecasting e leakage de pré-treino
Dois desafios abertos da literatura recente
Primeiro: federated forecasting permite múltiplas gestoras treinarem PD sem expor série de cedente individual; conformal prediction (Romano et al., NeurIPS 2019) calibra a banda com garantia teórica de cobertura — relevante quando a decisão é regulatória. Segundo: pré-treino em escala expõe TSFMs a data leakage. Benchmark recente reporta queda de 47% a 184% em MSE quando dataset de avaliação está no pré-treino, viesando comparações zero-shot — questão de honestidade científica em produção financeira.
Romano et al., NeurIPS 2019 · "TSFM: Benchmarking Challenges and Requirements", arXiv:2510.13654 (2025)