Última atualização: outubro de 2026
A IA explicável em risco e conformidade significa que toda decisão para a qual um modelo, regra ou sistema de IA contribui pode ser reconstruída e justificada — para a pessoa afetada, para o analista que atua sobre ela e para um auditor ou examinador — a partir de um registro de entradas, versões de políticas e modelos, motivos e aprovações humanas. A Oscilar é a plataforma de risco com agentes para fraude, crédito, integração e conformidade, atendendo a bancos e fintechs regulamentadas. A Oscilar é uma plataforma unificada: estrutura de dados em tempo real, inteligência de dispositivos e de comportamento, regras e gestão de casos em uma única pilha, com agentes nativos integrados. A Oscilar preparou este guia e comercializa uma plataforma nessa categoria.
Resumo
A explicabilidade pertence tanto ao registro da decisão quanto ao modelo: entradas e fontes, versões da política e do modelo em vigor, os motivos e qualquer intervenção manual com a devida aprovação.
Solicitantes, analistas, validadores, auditoria interna e examinadores precisam, cada um, de uma explicação diferente para a mesma decisão.
No crédito dos EUA, a Regulation B exige motivos principais específicos vinculados aos fatores de fato pontuados, independentemente do tipo de modelo que levou à recusa.
As regras se autoexplicam, os modelos de machine learning precisam de atribuições mapeadas para justificativas, e a IA generativa e os agentes são explicados por meio de evidências, etapas e aprovação humana.
A orientação interinstitucional sobre risco de modelos emitida em 17 de abril de 2026 (SR 26-2) deixa a IA generativa e os agentes fora do seu escopo; portanto, a documentação, os testes e as aprovações nominais assumem o papel principal nesses sistemas.
O que a IA explicável deve oferecer em risco e conformidade?
A IA explicável em risco e conformidade deve gerar para cada decisão um registro que permita a qualquer pessoa — e não apenas ao sistema — dizer por que a decisão foi tomada dessa forma e comprovar isso meses depois. Esse registro tem cinco partes:
Justificativa por decisão: a regra que disparou ou os motivos gerados pelo modelo, em termos práticos e acionáveis para quem lê.
Rastreabilidade das evidências: quais dados a decisão usou, de onde veio cada entrada e quando.
Controle de versão de políticas: as versões da política, do conjunto de regras e do modelo em vigor no momento da decisão.
Intervenções manuais e aprovações: qualquer alteração humana no resultado, quem a fez e por quê.
Reprodutibilidade: um registro completo o bastante para reconstruir a decisão no futuro.
Um responsável de BSA em uma caixa econômica resumiu o receio de quem contrata com uma série de perguntas: "o processo de decisão ou modelo da sua IA é bem documentado? Se solicitarem, ele é explicável? Ou fica escondido em uma caixa-preta?"
A explicabilidade é uma propriedade da decisão, não apenas do modelo
No setor financeiro, a IA explicável é frequentemente debatida no nível do modelo. A explicabilidade do modelo esclarece por que ele gerou uma pontuação específica. Já a explicabilidade da decisão esclarece por que a instituição adotou determinada medida, sob qual política, com base em quais entradas e quem a aprovou — e é exatamente isso que examinadores e auditores analisam.
Um líder de estratégia e análise (gestão de portfólio de crédito) em uma fintech de cartões de crédito descreveu a lacuna: um solicitante foi recusado, e o registro não indicava qual variável causou a reprovação, se essa variável vinha de outro modelo ou como havia sido definida. O que quer que o modelo pudesse explicar, o registro da decisão não conseguia.
Modelos interpretáveis e explicações post-hoc
O machine learning interpretável adota modelos cuja estrutura uma pessoa consegue ler de imediato, como scorecards, pequenas árvores de decisão ou modelos lineares com poucas variáveis. Já as explicações post-hoc são criadas após um modelo complexo gerar a pontuação. As atribuições de variáveis, como os valores SHAP, estimam o quanto cada entrada elevou ou reduziu a pontuação, enquanto as explicações contrafatuais indicam a menor alteração nas entradas que mudaria o resultado.
Os métodos post-hoc funcionam por aproximação do comportamento do modelo. Dois métodos de atribuição podem classificar as mesmas entradas de forma diferente para uma mesma pontuação, e uma atribuição calculada meses depois sobre um modelo retreinado pode não bater com a gerada no momento da decisão. Armazene a explicação junto com a decisão; uma justificativa que não puder ser reproduzida mais tarde é uma história impossível de ser auditada por um examinador.
O equilíbrio entre um modelo complexo e mais preciso e um modelo simples e mais transparente é real. O critério prático é avaliar qual modelo a instituição consegue explicar para cada público envolvido, no nível de detalhe que cada um exige. A transparência em IA é a meta, e a auditabilidade de IA — a capacidade de reconstruir uma decisão — é o caminho para comprovar que essa meta foi atingida.
Quem precisa de uma explicação e o que cada público exige
Cada público faz uma pergunta diferente sobre a mesma decisão; por isso, dificilmente uma única explicação atende a todos.
Quem precisa da explicação | O que precisa visualizar | Por quê |
|---|---|---|
Solicitante ou cliente | Os motivos principais específicos para uma decisão de crédito desfavorável, de forma simples e clara | A Regulation B exige motivos específicos quando um crédito é negado nos EUA |
Analista | Por que o alerta disparou, as evidências por trás dele e o histórico do cliente, tudo no mesmo lugar | Para tomar e registrar uma decisão sem precisar reconstruir o caso |
Validador de modelos e segunda linha | Documentação do modelo, entradas e saídas e desempenho em relação a alternativas | Para questionar o modelo de forma independente antes e depois do lançamento |
Auditoria interna e terceira linha | Se a decisão foi correta e, caso contrário, por que não foi e qual deveria ter sido | Para avaliar o trabalho da primeira e da segunda linhas |
Examinador | Qualquer decisão reconstruída sob demanda, com a política vigente naquele dia | Para confirmar se a instituição decide exatamente como preveem suas políticas |
Um único campo de justificativa não atende a essas cinco necessidades: o solicitante precisa dos motivos, enquanto a auditoria e o examinador precisam ver todo o processo. Responder à pergunta da terceira linha apenas olhando o resultado final é praticamente impossível.
Um vice-presidente de gestão de controles em revisão de risco de crédito (terceira linha) em uma emissora de cartões explicou o trabalho: "Nossa principal função é verificar… se está correto. E, se não estiver, temos que dizer por que não está e qual deveria ser o resultado." Essa revisão depende diretamente dos argumentos usados pela primeira linha.
Crédito: códigos e motivos de ações adversas
A legislação dos EUA define a explicação que o solicitante de crédito deve receber. Conforme a Regulation B (12 CFR 1002.9(b)(2)), a declaração de motivos para uma ação adversa deve ser específica e indicar as razões principais. Dizer apenas que a decisão se baseou em padrões ou políticas internas da instituição, ou que a pessoa não atingiu a pontuação mínima, não basta. A exigência não sofreu alterações desde 2023.
Os comentários oficiais associam esses motivos ao que o sistema de fato avaliou. O comentário 9(b)(2)-2 exige que os motivos "se relacionem e descrevam com precisão os fatores efetivamente considerados ou pontuados pelo credor". O comentário 9(b)(2)-4 complementa que, quando um sistema de pontuação de crédito orienta a decisão, "os motivos divulgados devem se referir apenas aos fatores de fato pontuados no sistema. Além disso, nenhum fator que tenha sido motivo principal para a ação adversa pode ser omitido".
Em modelos de machine learning, as atribuições por trás de cada reprovação precisam se converter em motivos que descrevam com fidelidade o que gerou o resultado daquele solicitante. Uma lista de códigos de motivo feita para um scorecard nem sempre serve para um modelo que atribui pesos diferentes às mesmas variáveis; por isso, teste essa correlação em vez de considerá-la garantida.
Quando um relatório de crédito contribui para uma decisão adversa contra o consumidor, a seção 615(a) do FCRA (15 U.S.C. 1681m(a)) exige uma notificação própria. Ela deve incluir a pontuação usada com até quatro fatores determinantes, os dados de contato do birô e o direito do consumidor a um relatório gratuito em até 60 dias. O comentário 9(b)(2)-9 reforça que os fatores do FCRA não substituem os motivos específicos da Regulation B; portanto, ambos são obrigatórios.
O que mudou e o que permaneceu igual
O CFPB revogou suas duas circulares sobre ações adversas a partir de 12 de maio de 2025 (90 FR 20084): a 2022-03 (algoritmos complexos) e a 2023-03 (modelos de formulários). A exigência da Regulation B que essas circulares interpretavam (12 CFR 1002.9(b)(2)) segue inalterada.
Na União Europeia, a Lei de IA (Regulamento (UE) 2024/1689) classifica os sistemas de IA usados para avaliar a solvabilidade de pessoas físicas ou definir seu score de crédito como de alto risco, de acordo com o Anexo III, ponto 5(b), trazendo uma exceção expressa para sistemas focados em detecção de fraudes financeiras. O Regulamento (UE) 2026/1744 adiou para 2 de dezembro de 2027 a aplicação dessas obrigações. Paralelamente, o Artigo 86, válido a partir de 2 de agosto de 2026, garante à pessoa afetada por uma decisão baseada em tal sistema — quando houver efeitos jurídicos ou impactos significativos na sua saúde, segurança ou direitos fundamentais — o direito a "explicações claras e significativas sobre o papel do sistema de IA no processo de tomada de decisão e os principais elementos da decisão tomada"; como esse direito funcionará antes de dezembro de 2027 ainda é uma questão em aberto.
O controle de alterações também faz parte da explicação de crédito: um motivo só é sustentável se o registro mostrar qual estratégia estava ativa, como foi testada e quem a aprovou. Mudanças em estratégias de crédito também devem passar por revisão de empréstimo justo (fair-lending) antes de irem ao ar.
Fraude e PLD: explicando alertas e decisões
Em fraude e prevenção à lavagem de dinheiro (PLD), o primeiro público de uma explicação é o analista que trata o alerta. O histórico deixado por ele será lido mais tarde pela auditoria interna e pelos examinadores.
Um diretor de riscos em um banco comunitário descreveu o que o analista espera ao receber um alerta: a ocorrência, por que ela disparou, o histórico e um resumo breve do que já foi verificado. Um registro completo de alerta contém:
O que disparou: a regra, o cenário ou o modelo, bem como a versão em vigor.
Por que disparou: a condição atendida ou os motivos gerados pelo modelo, com os valores correspondentes.
As evidências e o histórico revisados pelo analista e o que foi checado.
A decisão final e sua justificativa, com quem decidiu e quando.
Alertas arquivados sem ação precisam de justificativa tanto quanto os casos encaminhados para análise aprofundada. Um analista de controle de qualidade de BSA de um banco regional comentou que os órgãos reguladores sempre cobram o registro do motivo pelo qual alertas de primeiro nível foram encerrados, e não apenas daqueles que foram escalados.
Os códigos de motivo e a lógica que os aplica devem estar visíveis juntos, pois, se a explicação estiver espalhada por várias telas, cada analista montará o cenário de uma forma diferente.
Um vice-presidente assistente de banco digital comentou sobre o problema: "Preciso olhar nas configurações. Depois nos códigos de motivo. Depois ver onde esses códigos são aplicados na lógica. Não consigo ver tudo isso reunido em uma única tela."
Para monitoramento de PLD, confira mais detalhes no nosso guia sobre como explicar seu monitoramento de transações de PLD a um examinador. Para entender as evidências que cada modelo de detecção deve apresentar a um examinador, veja regras de monitoramento de transações versus modelos de machine learning.
O que pode ser explicado: regras, modelos e IA generativa
O que uma explicação pode conter varia conforme a abordagem técnica usada na decisão.
Regras
A regra é autoexplicativa, pois a condição que disparou já é o próprio motivo. O registro precisa indicar qual regra disparou, qual versão estava ativa e os valores que acionaram o parâmetro.
A orientação interinstitucional sobre risco de modelos divulgada pelo Federal Reserve, OCC e FDIC em 17 de abril de 2026 define modelo como "um método, sistema ou abordagem quantitativa complexa que aplica teorias estatísticas, econômicas ou financeiras para processar dados de entrada em estimativas quantitativas". Ela exclui cálculos aritméticos simples e processos determinísticos baseados em regras sem embasamento estatístico, econômico ou financeiro. Mesmo assim, equipes de risco em algumas instituições tratam estratégias baseadas em regras como modelos. O diretor de análise quantitativa de fraudes de um grande banco resumiu: "Nossa equipe de risco de modelos considera estratégias de regras como modelos."
Modelos de machine learning
Um modelo de machine learning é explicado por meio de atribuições de variáveis associadas a motivos compreensíveis para humanos, como na concessão de crédito. Quando esses motivos precisarem ser repassados ao cliente, modelos interpretáveis costumam ser a opção mais segura. Teste a consistência dos motivos: casos semelhantes devem ter explicações parecidas, e novos treinamentos do modelo não devem alterar os padrões sem que você perceba.
Para ver um comparativo de abordagens em prevenção a fraudes e entender o que informar a um cliente reprovado, confira nosso artigo sobre regras versus machine learning na detecção de fraudes.
IA generativa e agentes
A estrutura interna de um modelo de linguagem avançado (LLM) não pode ser explicada da mesma maneira que uma pontuação numérica, e nenhum método de atribuição transforma um resumo de caso gerado por IA em um código de motivo simples. O que se pode explicar é o processo: os dados usados, as ações executadas, o texto final e quem aprovou o resultado.
Toda afirmação gerada por IA precisa apontar para um dado de origem comprovável. Um executivo de risco e conformidade de pagamentos destacou a preocupação com resumos de casos que citam dados que o analista não consegue achar na base.
A clareza também precisa ser mantida na relação entre fornecedor, empresa e auditoria. Um analista de fraudes de uma fintech de crédito destacou esse fluxo: "somos responsáveis pelas instruções que enviamos ao sistema, em vez de depender cegamente do fornecedor e do algoritmo dele; precisamos entender a lógica com clareza para poder justificá-la depois à auditoria."
Quando não é possível explicar a lógica interna, o foco se volta para as entregas: um executivo de gestão de risco de modelos de um banco regional apontou que, na IA generativa, o máximo que se pode fazer é comparar o desempenho final do sistema com métodos alternativos. A forma de documentar também gera dúvidas: um líder de BSA de um banco comunitário questionou como estruturar a documentação de um agente criado com base nas normas internas do banco e nas regras de um fornecedor anterior.
O posicionamento dos órgãos reguladores sobre IA generativa e agentes
A orientação interinstitucional de abril de 2026 deixou a IA generativa e os agentes de IA fora do seu escopo por serem tecnologias "novas e em rápida evolução". Seus princípios continuam sendo aplicados a modelos estatísticos e quantitativos convencionais e à IA tradicional. Em 17 de abril de 2026, as agências declararam pretender abrir uma consulta pública sobre a gestão de risco de modelos com foco em IA — incluindo sistemas generativos e agentes. Até 28 de outubro de 2026, nenhuma consulta havia sido publicada. Enquanto os reguladores não se manifestam, as próprias instituições devem criar seus parâmetros internos de controle de risco.
A governança sobre a atuação dos próprios agentes, incluindo as exigências para registros de auditoria, é detalhada em nosso guia sobre governança de agentes de risco com IA.
Documentação e testes: a base de uma justificativa sólida
A documentação registra a intenção do sistema; os testes comprovam o que ele realmente faz. Nos EUA, a gestão de risco de modelos para sistemas que não sejam generativos nem agentes é orientada pelo documento conjunto de 17 de abril de 2026: SR 26-2 (Federal Reserve), Boletim 2026-13 (OCC) e FIL-15-2026 (FDIC). A SR 26-2 substitui a SR 11-7 de 2011 e a SR 21-8 de 2021 (sobre risco de modelos em sistemas de BSA/PLD).
A diretriz se aplica com mais ênfase a bancos com patrimônio superior a US$ 30 bilhões. Ela não estipula normas punitivas imediatas, mas permite sanções para práticas inseguras ou violações à lei. Contratar ferramentas prontas de fornecedores não isenta a empresa da responsabilidade de validação: a SR 26-2 admite que as instituições podem não ter acesso direto ao código-fonte ou às bases do fornecedor, mas reforça que "os princípios de gestão de risco de modelos continuam vigentes" e que "a validação de soluções terceirizadas, internamente ou por auditoria independente, é etapa essencial da gestão de risco".
O que não pode faltar na documentação
A documentação do modelo precisa declarar objetivo, bases de dados, critérios metodológicos e limitações. Além disso, a instituição deve manter versões controladas das políticas, histórico detalhado de alterações em produção e meios para que os validadores acessem os dados de entrada e saída avaliados.
Um gestor de BSA de uma cooperativa de crédito relatou as dificuldades dos validadores em obter informações e questionou a facilidade com que se consegue auditar dados de entrada e saída. Ele destacou o histórico necessário: "eles precisam ver com clareza a alteração realizada, quem revisou e quem aprovou".
Um executivo de modelos de crédito de um grande banco regional compartilhou as boas práticas internas: validar o modelo previamente, garantir que ele não mude de forma imprevista, registrar e homologar todas as alterações de políticas em produção e exigir aprovação formal antes da ativação. Ele reforçou a importância de simplificar ajustes nas políticas sem eliminar a aprovação, evitando que equipes de negócios alterem parâmetros em produção sem limites claros.
O que os testes devem demonstrar
Antes do lançamento, faça testes retroativos (backtest) de uma nova regra, modelo ou estratégia com decisões anteriores e compare a performance com um padrão de referência (geralmente a versão anterior). Após o lançamento, verifique se os motivos continuam consistentes, assegurando que o que for informado ao cliente ou ao analista corresponda à operação real do sistema.
Equipes de crédito podem conferir detalhes sobre homologação, versionamento e reversão no nosso guia sobre governança na implementação de modelos de crédito. Para monitoramento de transações, consulte validação de modelos de PLD pós-abril de 2026.
Onde a responsabilidade humana precisa ser explícita
Uma explicação completa aponta a justificativa e o responsável. O mesmo gestor citado anteriormente, da área de revisão de risco de crédito de uma emissora de cartões, relembrou a estrutura das três linhas de defesa: a segunda linha define políticas e procedimentos e atua na supervisão; a primeira executa, toma as decisões, assume o risco e realiza testes internos; a terceira linha audita o trabalho das duas primeiras.
Toda decisão precisa indicar o nome de quem a tomou. Uma gestora de KYC de um banco comunitário ressaltou: "se eu não vir a trilha de auditoria com a assinatura de um dos meus analistas, no dia seguinte vou questionar se essa etapa foi simplesmente pulada".
Mostre ao auditor em que ponto houve julgamento humano e onde houve mera sugestão do sistema. Comunicar atividades suspeitas, escalar casos, reverter reprovações e liberar exceções são decisões tomadas por pessoas. Pontuações de modelos, alertas e minutas feitas por IA são apenas insumos dessa decisão, e o histórico deve evidenciar essa separação com total clareza.
Para saber mais sobre fluxos e perfis de revisão na prática, confira o papel da intervenção humana em fraude e PLD. Integrar o controle de fraude, PLD e crédito em uma arquitetura centralizada facilita o processo, tema abordado em nosso guia sobre consolidação de ferramentas pontuais de risco.
Como reconstruir uma decisão para um examinador
Para reconstituir uma decisão, selecione o histórico do caso e confirme se ele apresenta os seguintes itens:
As entradas e suas origens, com data e hora exatas.
As versões dos dados e das variáveis utilizadas.
A versão da política e as regras ativas na data.
A versão do modelo e a pontuação ou resposta emitida.
Os motivos apontados, no formato exato disponibilizado ao solicitante, analista ou fiscal.
A ação final executada.
Qualquer intervenção manual, informando o responsável e o motivo.
As assinaturas e aprovações registradas.
A notificação enviada ao cliente ou a decisão final.
O analista de estratégia e análise de crédito da fintech de cartões resumiu a dúvida central de qualquer auditoria: "eu teria em mãos o conjunto exato de regras usado naquele dia para gerar esse resultado?" Se a regra tiver sido editada diretamente no sistema sem versionamento, a resposta será não.
Teste seus registros antes de uma inspeção: escolha uma decisão do trimestre passado e tente reconstruí-la apenas com as informações do sistema, sem consultar o analista envolvido.
Onde a reconstrução costuma falhar
Armazenar apenas a decisão final sem o histórico; assim, a recusa não traz a variável, o motivo nem a versão da política aplicada.
Regras ou políticas editadas sem controle de versão, fazendo com que a versão aplicada na data deixe de existir.
Explicações recalculadas sob demanda por modelos retreinados, em vez de salvas no exato momento da decisão.
Casos encaminhados para análise detalhada com justificativa, mas alertas encerrados sem qualquer anotação.
Intervenções manuais sem identificação do usuário.
Resumos em IA que apontam fatos sem indicar o dado de origem correspondente.
Para entender onde a decisão e suas justificativas devem ficar registradas no seu ecossistema de dados, veja nosso guia sobre orquestração versus tomada de decisão de risco.
Onde a Oscilar se encaixa
A Oscilar oferece uma plataforma unificada: estrutura de dados em tempo real, inteligência de comportamento e dispositivos, motor de regras e gestão de casos em uma única base, com agentes nativos integrados. Do ponto de vista de explicabilidade, o diferencial é a precisão dos registros: a Oscilar garante auditoria ponta a ponta para cada decisão, armazenando motivos e mantendo a supervisão humana estruturada na ferramenta, alinhada às expectativas dos órgãos reguladores sobre risco de modelos.
O teste de reconstrução de decisões se aplica a qualquer sistema, incluindo a Oscilar. Em risco e conformidade, a IA explicável se resume a uma pergunta: é possível recompor uma decisão passada com base nos registros e sustentá-la perante qualquer auditor?
Perguntas frequentes
O que deve ser explicável no nível de cada decisão individual?
Em cada decisão, a instituição deve demonstrar os dados de entrada e suas fontes, as versões ativas de políticas, regras e modelos, o critério que motivou o resultado, a ação tomada e eventuais alterações manuais com os devidos aprovadores. Se o histórico não permitir refazer o processo depois, a explicação não se sustentará perante o auditor.
Quais justificativas devem ser apresentadas quando o modelo reprova um pedido de crédito?
Segundo a Regulation B (12 CFR 1002.9(b)(2)), a empresa credora deve detalhar os motivos principais específicos da recusa. Pelas normas oficiais, tais motivos precisam corresponder aos fatores de fato pontuados, sem omissões. A regra vale para qualquer tipo de modelo adotado, e os fatores do FCRA não substituem os motivos específicos exigidos.
É possível explicar a resposta de uma IA generativa ou de um agente como se explica um score tradicional?
Não. Um texto gerado ou a conduta de um agente não possui um código de motivo simples. A explicabilidade se apoia no registro das ações: evidências analisadas, etapas do processo, resultado final e aprovação humana. As equipes de risco validam esses sistemas comparando seus resultados com métodos tradicionais.
Qual é a diferença entre IA explicável e IA interpretável?
O modelo interpretável é aquele cuja lógica interna uma pessoa compreende de forma direta, como uma árvore de decisão simples ou uma tabela de pontuação. Já IA explicável é um conceito mais amplo: inclui modelos interpretáveis e métodos analíticos post-hoc (como SHAP ou análises contrafatuais), que buscam explicar a lógica de modelos complexos por aproximação.
Como a Lei de IA da União Europeia aborda o uso de IA em concessão de crédito?
A Lei de IA da UE enquadra soluções voltadas à análise de crédito de pessoas físicas como sistemas de alto risco (Anexo III, item 5(b)), abrindo exceção para ferramentas exclusivas de prevenção a fraudes financeiras. O Regulamento (UE) 2026/1744 prorrogou a vigência dessas obrigações para 2 de dezembro de 2027.
A diretriz SR 26-2 abrange IA generativa e agentes autônomos?
Não. A SR 26-2 (publicada com o Boletim OCC 2026-13 e a FDIC FIL-15-2026 em 17 de abril de 2026) deixa modelos de IA generativa e agentes fora de seu escopo. As autoridades planejam coletar contribuições do mercado para orientações futuras focadas em IA; até 28 de outubro de 2026, nenhuma proposta formal havia sido publicada. Até lá, as empresas devem conduzir esses controles por meio de seus próprios processos internos de gestão de risco.

Equipe Oscilar
A equipe da Oscilar é formada por especialistas em diversas áreas de gestão de risco. Estes artigos refletem pontos de vista e conhecimentos de várias fontes e colaboradores de toda a organização.
AVISO
O conteúdo deste site é fornecido apenas para fins informativos e não constitui aconselhamento legal, tributário, financeiro, de investimento ou outro tipo de aconselhamento profissional. Quaisquer visões ou opiniões expressas por indivíduos citados, colaboradores ou terceiros são exclusivamente suas e não refletem necessariamente os pontos de vista da nossa organização.
Nada aqui deve ser interpretado como um endosso, recomendação ou aprovação de qualquer estratégia, produto, serviço ou ponto de vista em particular. Os leitores devem consultar seus próprios consultores qualificados antes de tomar decisões financeiras ou de investimento.
A Oscilar não faz representações ou garantias quanto à precisão, integridade ou atualidade das informações fornecidas e se isenta de qualquer responsabilidade por qualquer perda ou dano decorrente da confiança neste conteúdo. Este site pode conter links para sites de terceiros, que a Oscilar não controla ou endossa.



