Nos deparamos com um imenso ecossistema de modelos e algoritmos - regressões, árvores, redes neurais e tantos outros. Somamos a isto a dúvida de como escolher um bom alvo para o seu modelo. Claro, o alo depende do problema que você quer resolver, mas ele também implica na escolha do modelo de machine learning que será desenvolvido.

​Neste vídeo te mostro o racional que você pode seguir para tirar estas dúvidas e partir para um desenvolvimento mais assertivo e eficiente.

Recebi uma base com mais de 15 anos de histórico do WDO Futuro e já no primeiro estudo sigo a sugestão de um dos inscritos no canal para entender o efeito da inclinação do movimento e possíveis trades no ativo.
​
O download da planilha é gratuito e está disponível abaixo.

Praticamente é ouro em formato de pdf. Esta frase não é para ser chamativa apenas. O conteúdo destes 13 artigos selecionados por mim para a continuidade na série sobre Long e Short por Cointegração contém desde inúmeros exemplos de códigos completos e gratuitos, além de ideias para novas aplicações, incluindo o uso de Machine Learning.
 
A ideia é continuar ajudando as pessoas a entenderem ainda mais seu universo de ideias.
 
O download está disponível abaixo.

Existe uma concepção popular sobre o que inteligência artifical e sua ramificação de machine learning (apredizado de máquina em português) pode fazer nos mercados financeiros e como fazê-lo, que funciona mais ou menos assim: você contrata um ou dois cientistas especializados em dados, os tranca em uma sala com muitos equipamentos de tecnologia avançada. Ocasionalmente, você destranca a porta e joga uma pizza lá, mas não os deixa sair até que construam uma caixa mágica incrível. E esta caixa será a tão sonhada árvore de fazer dinheiro do trading quantitativo.

E esta caixa mágica na verdade pode ser também uma uma caixa preta, praticamente um monolítico - ninguém sabe realmente como funciona, exceto para os cientistas de dados - mas do jeito que funciona, você insere uma base de dados (imagens, preços de ações, tweets, notícias, vídeos e outras coisas) no funil, os cientistas de dados acionam um botão algumas vezes e a caixa mágica de previsão de mercado expele carteiras, negócios, previsões, análises, insights, avisos e, em última análise, muito dinheiro. Resultado: todos ficam felizes, compram alguns carros de luxo e se aposetam em casas no Caribe compradas com os rendimentos da caixa mágica, onde a paz e o silêncio são quebrados apenas ocasionalmente pelo som de mais dinheiro entrando.

Parece muito legal, certo?

Sim, existem algo além. Eu mesmo trago diversas alternativas e exemplos para vocês aqui no Outspoken Market. Existe toda a séria de Finanças Quantitativas que está disponível no meu canal do YouTube (clique aqui) para que você possa entender tudo o que pode ser feito.

Agora, existem também muitas outras opções. O ritmo de adoção de técnicas de aprendizado de máquina está se acelerando tanto nos bancos de investimento quanto no varejo; há muitos, muitos casos de uso de alto valor para aprendizado de máquina que vão além da simples mas complexa tentativa de prever a direção do mercado em si, abrangendo uma ampla gama de atividades. E é esta a parte fascinamente e muito imporante para quem quiser seguir uma carreira nesta área: o uso de machine learning é vasto e definitivamente não é restrito apenas ao trading - ao tão sonhado trading quantitativo. Todas as áeas correlatas dentro do mercado financeiro podem se beneficiar desta tecnologia, como os exemplos a seguir:

• Os traders podem demonstrar a melhor execução usando dados históricos de análise de custo de transação (TCA) para construir modelos para prever o impacto das negociações no mercado e realizar (e registrar) análises de cenário pré-negociação para avaliar a ampla variedade de diferentes locais, corretores, provedores de algo, algoritmos e parâmetros que estão disponíveis nos mercados atuais;
• Os marktet makers podem construir modelos não lineares sofisticados para descoberta de preços em mercados OTC e cotações sob medida para consultas individuais, bem como identificar as melhores estratégias ou contrapartes para compensar o risco;
• No caso dos sales desks eles podem prever quais de seus clientes provavelmente estarão interessados ​​em determinados produtos e serviços, e direcionar melhor a quem são enviadas quais pesquisas e ofertas de produtos;
• As mesas de mercados de capitais (novas emissões de ações) podem criar listas de seleção de investidores de maneira eficiente para uma determinada emissão de ações ou títulos, e construir modelos para ajudá-los com sua precificação;
• Os corretores e desenvolvedores de negócios podem prever quais novos relacionamentos realmente levarão a atividades geradoras de receita e quais novos clientes serão mais lucrativos, além de criar sinais de alerta para identificar clientes em risco de abandono - churn;
• Os analistas de investimento podem modelar ações de classificações de risco crédito, rebaixamentos de lucros e uma série de outros eventos específicos de ações, bem como usar processamento sofisticado de linguagem natural para extrair valor de textos livres;
• Os economistas podem construir previsões de séries temporais de variáveis ​​econômicas e outros fatores que influenciam os preços dos ativos, tirando proveito de técnicas modernas e não paramétricas;
• Os gestores de fundos podem construir modelos para prever melhor as entradas e saídas diárias de investidores, minimizando assim a necessidade de arrastar os retornos carregando saldos de caixa friccionais;
• Os profissionais de marketing e distribuição de fundos podem construir modelos que prevejam a probabilidade de os investidores individuais mudarem de posição, reagir a comunicações específicas ou responder a ofertas de venda cruzada direcionadas;
• Os gerentes de relacionamento institucional podem modelar a duração de um ciclo de vendas ou o quão sensível ao preço um determinado mandato será nas negociações;
• As equipes de operações podem reduzir os custos prevendo quais negociações provavelmente sairão do processamento direto, exigirão ajuda extra ou, de outra forma, causarão interrupções, detectando assim os problemas antes que ocorram;
• As equipes de conformidade podem reduzir substancialmente as taxas de falsos positivos ao realizar lavagem de dinheiro, vigilância comercial ou verificações de fraude, mantendo a precisão, e;
• Os tecnólogos podem aumentar a resiliência de sua infraestrutura contra ataques cibernéticos e prever o impacto dos lançamentos planejados nos negócios normais.

O leitor atento deve ter notado que não há menção ao uso de aprendizado de máquina para geração alfa nesta lista. Esses casos de uso são todos muito bons, mas são todos problemas de segunda, terceira ou quarta ordem em comparação com o problema de primeira ordem de geração de "alfa" nos mercados financeiros.
​
Isto não é verdade. São problemas igualmente importantes para serem resolvidos. Porém, é claro que o uso no trading chama mais atenção. As técnicas de aprendizado de máquina realmente oferecem vantagens substanciais sobre as técnicas "tradicionais", como mineração de regras e modelos lineares generalizados. Nas próximas postagens exploraremos isso com mais detalhes e veremos por que o aprendizado de máquina, em particular, está definido como – e já é – uma ferramenta importante, especialmente no arsenal do investidor quantitativo.

​Referência: https://odsc.com/london/euro-prereqs/ - Automated Machine Learning in Quant Finance

Ok, você implementou seu modelo em R e Python? Como operacionalizar isto? Como executar as ordens na corretora? Qual é a diferença entre decisão automática e execução automática?
 
Neste vídeo apresento a vocês um fluxo e as repostas para todas estas perguntas, comentando também como eu faço as minhas execuções.

Download do arquivo abaixo.