This dissertation explores the integration of economic modeling and advanced machine learning techniques (reinforcement learning), with a specific focus on agent-based modeling (ABM) for the simulation of financial markets. The main goal is to develop an asset market simulation environment, crucial for deepening our understanding of the dynamics of financial markets. Utilizing the Lucas tree model, this research establishes a framework to test and validate the developed simulation techniques, given that the model has an analytical solution in some cases. The model is replicated through an agent-based approach, creating a simulated environment conducive to generating the necessary data for training artificial intelligence models. The computational project developed for this study is characterized by its flexibility, allowing the exploration of various economic scenarios and the relaxation of several traditional hypotheses in macro-finance models. This flexibility is crucial, as it enables the addressing of scenarios that are challenging to be dealt with using traditional analytical methods. The results corroborate with the effectiveness of agent-based modeling in replicating the classical economic model and in generating data for more in-depth analyses. This work not only offers new perspectives on the Lucas tree model but also establishes a basis for future research, which can expand and explore other complex facets of financial markets.

Esta dissertação explora a integração da teoria econômica com técnicas avançadas de aprendizado de máquina (aprendizado por reforço), com um foco específico na modelagem baseada em agentes (ABM) para simulação de mercados financeiros. O principal objetivo é desenvolver um ambiente de simulação de mercado de ativos, fundamental para aprofundar a compreensão das dinâmicas dos mercados financeiros. Utilizando o modelo de árvore de Lucas, esta dissertação estabelece um quadro para testar e validar as técnicas de simulação desenvolvidas, dado que o modelo tem solução analítica em alguns casos. O modelo é replicado por meio de uma abordagem baseada em agentes, criando um ambiente simulado propício para gerar os dados necessários ao treinamento de modelos de inteligência artificial. O projeto computacional desenvolvido para este estudo é caracterizado pela sua flexibilidade, permitindo a exploração de diversos cenários econômicos e o relaxamento de várias hipóteses tradicionais em modelos de macro-finanças. Esta flexibilidade é crucial, pois permite abordar cenários que são desafiadores de serem tratados com métodos analíticos tradicionais. Os resultados corroboram com a eficácia da modelagem baseada em agentes na replicação do modelo econômico clássico e na geração de dados para análises mais aprofundadas. Este trabalho não apenas oferece novas perspectivas sobre o modelo de árvore de Lucas, mas também estabelece uma base para pesquisas futuras, que podem expandir e explorar outras facetas complexas dos mercados financeiros.