[pt] Os modelos Dinâmicos Estocásticos de Equilíbrio Geral (DSGE) contêm falhas diversas, como ficou claro após a crise financeira de 2007- 2008. Esforços para mitigar as deficiências têm sido insuficientes: até hoje, ainda há uma demanda por construir uma nova estrutura para estudar as implicações de política econômica e tomar decisões. Propomos uma nova estratégia para resolver o problema do banco central, na tentativa de prover uma ferramenta auxiliar para os bancos centrais, cujos principais modelos ainda pertencem à família dos DSGEs. Derivamos uma função objetivo a partir de três relações empíricas estabelecidas há muito tempo na literatura econômica: a Lei de Okun, a Curva de Phillips e os efeitos de liquidez. Usando dados do Brasil, procuramos minimizar o valor dessa função, escolhendo a taxa de juros através de um algoritmo genético. Como a função é prospectiva, usamos uma rede neural para prever valores de desemprego e inflação. Os resultados sugerem que, se o banco central brasileiro houvesse aplicado nossa estratégia e todas as outras condições econômicas continuassem iguais, a inflação poderia ter sido mais baixa 62,48 por cento do tempo. O desemprego previsto, contudo, foi mais baixo apenas 39,69 por cento dos períodos cobertos, pois enfrenta um trade-off com a inflação. Discutimos a aplicabilidade da estratégia proposta e defendemos sua solidez teórica. / [en] Dynamic Stochastic General Equilibrium (DSGE) models are flawed, as became clear after the 2007-2008 financial crisis. Efforts to subdue the shortcomings have been insufficient: to this date, there is still a demand for building a new framework to study policy implications and make decisions. We propose a novel monetary policy strategy, in an attempt to provide an auxiliary tool to central banks, whose main predictive models are still from the DSGE family.We derive an objective function from three empirical relationships that have long been established in economic literature: Okun s Law, the Phillips Curve, and liquidity effects. Using data from Brazil, we seek to minimise the value of this function by choosing the interest rate via a genetic algorithm. Since the function is forward looking, we use a neural network to predict values of unemployment and inflation. Results suggest that had the Brazilian central bank applied our strategy, and all other economic conditions remained identical, inflation could have been lower for 62.48 percent of the time. Predicted unemployment, however, was lower only for 39.69 percent of covered periods, as it faces a trade-off with inflation. We discuss the applicability of the proposed strategy and argue for its theoretical soundness.