A inteligência artificial mudou o mercado financeiro

No dia 17 de janeiro a Bloomberg lançou um interessantíssimo relatório sobre tecnologias do mercado financeiro. Mais do que isso, segundo as palavras do próprio CTO da Bloomberg, Shawn Edwards, a “automação, inteligência artificial e machine learning estão prestes a transformar o setor de serviços financeiros. Essas tecnologias estão mais sofisticadas e impulsionando investimentos, influenciando a tomada de decisões em áreas como análise de dados, estratégias de investimento e automação de fluxo de trabalho”.

Particularmente, eu acho que a inteligência artificial já transformou o mercado financeiro. Novas estratégias de investimentos surgem a cada dia – e já são utilizadas há anos – tentando dar a vantagem que o investidor precisa para tomar decisões mais rapidamente e com mais precisão. Porém concordo plenamente com a afirmação do relatório de que a medida que a inteligência artificial avança, habilidades como pensamento crítico, criatividade e solução de problemas tornam-se cada vez mais importantes. Não existem um bom algoritmo sem um bom profissional, alguém que seja capaz de traduzir corretamente dados, algoritmos e necessidades dos investidores em algo que seja útil e eficiente. Esta é uma capacidade humana que é cada vez mais requisitada e, ao mesmo tempo, mais difícil de se encontrar a cada dia.
​
E as técnicas de Machine Learning não servem apenas para tentar “prever o futuro”. Ter acesso às melhores fontes de dados é um componente essencial das estratégias de trading moderna. “A mineração de fontes de dados alternativas se tornou um componente essencial de estratégias de trading modernas que as empresas não podem ignorar.”
​

Oportunidades com Finanças Quantitativas

Como exemplo, a análise de notícias e de sentimentos é presente no cotidiano fundos de hedge quantitativos, utilizada para se obter maior precisão e velocidade nos sinais preditivos que podem ser utilizados para melhores decisões de negociação. Como envolvem dados de texto, são necessárias técnicas de processamento de linguagem natural para que cada notícia possa ser classificada por seu tom subjacente para decifrar o impacto potencial sobre o preço de uma ação. Entretanto, como supracitado e muito bem colocado no relatório, sem a capacidade crítica humana no conhecimento de domínio orientado a finanças, “a maioria dos algoritmos de propósito geral de PLN não nota sutilezas, o que pode levar a pontuações de sentimento distorcidas e resultados fatais no desempenho de negociação”.

Outro ponto que é explicado muito bem no artigo é um exemplo de técnicas e metodologias para criar um modelo de análise de sentimento das noticias e dados de redes sociais.  A missão maior de um investidor – principalmente em um contexto onde a eficiência dos mercados tende a prevalecer – é tentar estar à frente, ter uma vantagem informativa que os demais participantes do mercado não tenha para se posicionar em uma operação antes do movimento principal. “Para garantir esta oportunidade, investidores devem adotar algumas práticas quantitativas.”
​
Uma das diversas metodologias possíveis é a utilização de uma combinação de algoritmos para chegar à uma decisão final. No caso da classificação de sentimento das notícias, os dados são trabalhados para que possam servir como base para o treinamento de um modelo de Machine Learning. No exemplo do relatório, uma SVM – Support Vector Machine/ Máquina de Vetor de Suporte – é treinada para classificar as notícias em três classes: positivo, neutro ou negativo. 

E quem disse que se faz apenas 1 modelo?

E aqui entra mais uma parte da beleza dos modelos matemáticos. No caso de incerteza na resposta do modelo, ou seja, se houve ambiguidade ou falta de clareza na classificação das notícias, um segundo modelo – o KNN (K-Nearest Neighbors) auxilia a classificação com base na semelhança das noticias com outras já classificadas corretamente.

Para avaliar a performance e evitar o overfitting (incapacidade de generalização do modelo) eles utilizar métricas e metodologias como a "matriz de confusão", que mapeia classificações previstas em relação às classes reais e a divisão do conjunto de dados treinamento, teste e validação. Todos estes pontos eu já comentei na playlist de Finanças Quantitativas do Outspoken Market. Acesse aqui!

Eu falo sobre finanças quantitativas no Outspoken Market desde 2016! Este é o futuro que está aberto a todos nós e não podemos ficar de fora dele. Se inscreva no canal e na newsletter para ficar sempre a frente quando o assunto é finanças quantitativas e inteligência artificial!

Um abraço,
 
Leandro Guerra

Download do ​relatório da Bloomberg: Tecnologias emergentes e o futuro das finanças

bloomberg_-_tecnologias_emergentes_e_o_futuro_das_finanças.pdf
File Size:	3742 kb
File Type:	pdf

Baixar o arquivo

---