Deep Learning abre novas fronteiras: conheça o Deep Hedging

Comentei inúmeras vezes com vocês nestes anos de Outposken Market: modelos não são perfeitos. Os mercados são tão complexos que, para explicar seu comportamento, os modelos dever fazer inúmeros tipos de suposições para tentar capturar as principais características do evento.

E é com este primeiro paragrafo que inicio uma tradução muito interessante de um notícia relevante que mistura Deep Learning, JP Morgan e modelos para precificação e trading.

Um modelo clássico no mercado é o famoso modelo de precificação de opções Black-Scholes. Ele. por exemplo, ignora os custos de negociação e presume que os preços das ações seguem um caminho aleatório, com volatilidade e desvio constantes.
​
Todo mundo sabe que essas suposições não são realmente verdadeiras. É aqui entra um aprendizado: bons traders tratam modelos como um guia e usam sua experiência e intuição para preencher as lacunas. Não fazer isso custará muito caro. Sistemas automatizados que dependem de modelos clássicos, como o Black-Scholes, estão destinados a falhar quando os mercados desafiam os pressupostos do modelo, o que acaba acontecendo com uma frequência bem razoável.
​
Porém, parece que o JP Morgan está fazendo algo diferente. Uma rede neural artificial foi treinada pelos cientistas do banco para identificar padrões e relacionamentos a partir de dados históricos. Em seguida, usou uma técnica chamada reinforcement learning para refinar suas estratégias com base em negociações simuladas.

O resultado do experimento não é surpresa para ninguém que vem acompanhando os recentes avanços da inteligência artificial. A estratégia de "deep hedging" desenvolvida pelo banco superara as existentes com base em modelos clássicos.

No ano passado, o JP Morgan começou a usar os algoritmos auto didáticos (self learning) para proteger alguns de seus portfólios de opções. O banco agora planeja implantar tecnologia similar para a proteção de ações individuais, além de cestas e produtos exóticos.

O deep hedging parece ser o começo de uma nova onda em finanças quantitativas. Várias outras empresas, incluindo o Bank of America e a Societe Generale, estão trabalhando em projetos similares.
​
Mas, novamente, os algoritmos não são infalíveis. Seu desempenho depende muito dos dados usados ​​para treiná-los, e os erros nos dados de treinamento, por menores que sejam, podem tornar as estratégias muito instáveis. E mesmo um modelo bem treinado não pode generalizar ou extrapolar além de seus dados de treinamento, por isso deve ser treinado novamente toda vez que houver uma mudança estrutural nos mercados.

O outro problema é a interpretabilidade. Modelos, principalmente os de deep learning, não são muito transparentes. As redes neurais têm estruturas complexas e passam por milhões de pontos de dados, o que dificulta a identificação de como elas surgem respostas ou porque algo deu errado.

O JP Morgan está avançando rapidamente nesta área. No ano passado, contratou Manuela Veloso, chefe do departamento de aprendizado de máquina da Carnegie Mellon, para liderar seus esforços de pesquisa em inteligência artificial. Parte de seu trabalho envolve explicar os trabalhos dos vários projetos de aprendizado de máquina do banco aos seus supervisores. O banco também está treinando sua equipe para usar a programação em Python e criou Jupyter Notebooks - um aplicativo da Web usado para criar e compartilhar análises de dados - disponível para mesas de negociação.
 
O desafio ainda continua: a menos que os humanos aprendam a usar corretamente suas novas máquinas, esta geração de modelos não se sairá melhor que a anterior.
Revisão constante, atualizações e monitoramento dos modelos devem estar no topo da lista de tarefas, pois são tão importantes – ou talvez mais – do que o desenvolvimento dos modelos em si.
 
Fonte e adaptação de: https://www.risk.net/our-take/6880376/the-machines-are-coming-for-your-pricing-models