A economia narrativa considera que os mercados financeiros são amplamente influenciados por narrativas em constante evolução, o que oferece novas possibilidades para prever eventos emergentes e seu impacto na economia. No entanto, os métodos existentes baseados em grandes modelos de linguagem ainda apresentam deficiências na sistematização da decomposição de tarefas e na adequação aos cenários financeiros. Este artigo propõe o framework MENTOR, um sistema multiagente para a previsão de eventos e tendências narrativas, que combina um mecanismo iterativo de raciocínio professor-aluno e realiza funções de previsão por meio de uma série de subtarefas progressivas: identificação e classificação dos eventos emergentes, previsão de eventos futuros a partir da narrativa atual e previsão do desempenho dos índices setoriais afetados por esses eventos. Os resultados experimentais baseados em nosso conjunto de dados chinês de líderes de opinião chave (KOL) e no conjunto de dados de notícias financeiras em inglês mostram que o MENTOR supera modelos basais recentes nas tarefas de previsão de eventos e classificação setorial, incluindo o modelo aprimorado de previsão de eventos futuros (StkFEP) e o framework “Resumo-Explique-Preveja” (SEP). Além disso, os resultados de backtesting em nível de portfólio indicam que a melhoria na previsão de eventos e setores pode levar a um aumento real no desempenho dos investimentos. As descobertas indicam que a combinação de raciocínio estruturado com feedback multiagente pode aumentar significativamente a confiabilidade da previsão de eventos e fortalecer a ligação entre a dinâmica narrativa e os resultados do mercado financeiro.

economia narrativa;multiagente;detecção de eventos;previsão de eventos