Este estudo investigou a capacidade do modelo de linguagem ChatGPT o3-mini-high de prever o lucro líquido de 94 empresas do Ibovespa entre 2022 e 2024 e, subsequentemente, se essas previsões poderiam ser empregadas para construir carteiras de investimento com desempenho superior. As projeções do modelo foram utilizadas como insumo para a construção de portfólios semanais, com base em três estratégias de otimização — Markowitz, pesos iguais e ponderação por valor —, e sua performance foi comparada à de um método Naive e de um filtro fundamentalista de "Lucro Líquido Positivo". Os resultados indicam que, embora as projeções do LLM tenham apresentado menor erro numérico em relação ao método Naive, essa precisão não se converteu em um desempenho de carteira consistentemente superior. O critério de "Lucro Líquido Positivo" emergiu como a estratégia mais eficaz, superando os demais métodos em retorno acumulado e índice de Sharpe, especialmente quando combinado a filtros de EPS Yield mais rigorosos. Conclui-se que, para o período e o mercado analisados, a aplicação direta de LLMs para a previsão de lucro revelou-se limitada na seleção de ativos, reforçando a robustez de abordagens fundamentalistas consolidadas, ao mesmo tempo que sugere o potencial do modelo como uma ferramenta complementar em estratégias multifatoriais.

This study investigated the capability of the ChatGPT o3-mini-high language model to forecast the net profit of 94 companies listed on the Ibovespa index between 2022 and 2024, and subsequently, whether these forecasts could be employed to construct investment portfolios with superior performance. The model's projections were used as input for building weekly portfolios based on three optimization strategies—Markowitz, equal-weight, and PVM—and their performance was compared to that of a Naïve method and a fundamental "Positive Net Profit" filter. The results indicate that although the LLM's projections exhibited lower numerical error compared to the Naïve method, this accuracy did not translate into consistently superior portfolio performance. The "Positive Net Profit" criterion emerged as the most effective strategy, outperforming the other methods in cumulative return and Sharpe ratio, particularly when combined with more stringent EPS Yield filters. It is concluded that, for the analyzed period and market, the direct application of LLMs for profit forecasting proved limited in asset selection, reinforcing the robustness of established fundamental approaches while also suggesting the model's potential as a complementary tool in multi-factor strategies.