Anthony Lawler é co-head do departamento de investimentos sistemáticos da GAM, o GAM Systematic, 
mas também gestor da estratégia de alternative risk premia na casa de investimentos suíça. Faz parte de uma equipa de 35 cientistas que trabalham continuamente para descobrir novas abordagens de investimento e de trading sistemáticas, bem como assegurar que as que são postas em prática se mantêm eficazes e atualizadas. “Tudo na GAM Systematic é baseado em regras. Não existe uma camada de intervenção humana depois de posta em prática a estratégia. Claro que os programas são escritos pelos nossos cientistas, mas depois de as ideias serem convertidas em código, que podemos executar, a intervenção humana extingue-se. Na equipa utilizamos uma linguagem de programação comum que prima pela robustez e simplicidade na sua arquitetura. Passamos os nossos dias a realizar pesquisas científicas e testar se e como as ideias e abordagens funcionam. Quando encontramos uma estratégia que adiciona valor, esta pode ser adicionada aos portfólios que transacionam os ativos em questão. Recorremos a machine learning para construir os portfólios, que podem ser então combinados em estratégias que se adequam aos nossos clientes. Este departamento da GAM tem sob a sua alçada estratégias long-only de ações, multi-fatores e timing de fatores, market neutral, timing de mercado em crédito, multi-ativos, prémios de risco alternativos, entre outros. E o que todas têm em comum é, segundo o gestor e co-head do departamento, a abordagem científica. “Muitos testes, muito ceticismo, principalmente da nossa própria equipa, sobre o que poderá ou não funcionar. É semelhante ao que acontece nas universidades antes de um paper ser publicado. Este é submetido a ‘peer review’, dissecado pelos investigadores. Quando chegamos ao momento de implementar algo, o modelo passou já por um longo processo de tentativas de desprovar o seu valor”.
O valor da inteligência artificial nos investimentos
“Apesar de muito do que vemos nos media sobre inteligência artificial ser focado em big data, em temas ‘sexy’, como o recurso a imagens de satélite para calcular a afluência a alguma loja, por exemplo, muito do valor que podemos retirar da inteligência artificial e machine learning vem de abordagens muito mais aborrecidas, como o é no caso do trading. Recorrendo à informação de preços e volumes disponível e às interações entre os diversos mercados conseguimos prever alguns movimentos de curto-prazo. Mas a utilidade não resulta de transacionar comprando e vendendo. Não fazemos isso. Mas se foi tomada a decisão de adquirir algo para manter em carteira alguns meses e se a previsão é de que o preço vai subir, o ideal será comprar imediatamente. Caso contrário, se o preço poderá cair, o ideal será comprar devagar ou comprar mais tarde. São abordagens que recorrem ao machine learning e geram um valor significativo”, comenta o profissional. É no trading que Anthony Lawler vê a melhor taxa de sucesso (hit ratio), mas acrescenta também que os computadores podem ajudar na identificação de sinais que ajudam a decidir que títulos comprar, analisando os dados fundamentais em tempo real, mas também com técnicas de interpretação de linguagem. Por exemplo, com o recurso a notas de research de analistas do sell-side selecionados pelos seus resultados superiores, os computadores conseguem identificar alterações no tom das expressões utilizadas e identificar sinais de que o comportamento do título poderá ser mais ou menos positivo.
Seleção de títulos VS alocação de ativos
Para o especialista da GAM, as máquinas são muito mais valiosas na seleção de títulos individuais do que na decisão de alocação de ativos. “O ‘machine learning’ funciona muito bem quando há muitos dados para interpretar e onde é muito valioso reagir rapidamente. Esta abordagem é por definição probabilística”, salienta e esclarece com uma referência a um livro que recomenda - Probably, Approximately Correct, de Leslie Valiant. “A aprendizagem automática tenta ser provavelmente, ou seja, com uma boa probabilidade, aproximadamente correta. Não nos diz que tem 100% de confiança que no dia seguinte os preços vão subir um euro. Diz-nos que, com 70% de probabilidade, amanhã o preço vai subir numa determinada amplitude. Portanto, para experienciar bons resultados, terão que ser realizadas o máximo de apostas possível, para que se atinja os 70% de taxa de sucesso. Isto significa que três em cada 10 vezes poderá estar errada. Se apenas são tomadas duas ou três decisões de investimento, podem todas cair nos 30% de insucesso, mas se fizer 100 apostas, os resultado vão estar muito perto dos 70%”, explica.
Humanos VS máquinas
Anthony Lawler destaca, assim, que “sempre que são realizadas apostas concentradas os humanos têm a vantagem. Se um gestor passa o seu tempo a ler a biografia do CFO para perceber como poderá agir e investir no futuro, este mantém a vantagem competitiva. Mas ao gestor que gere uma carteira com 100 posições eu digo“boa sorte”! É muito difícil superar máquinas que conseguem fazer o mesmo que os humanos, mas muito mais rápido. Esses gestores serão espremidos do mercado, ou terão que se tornar num híbrido. Tornar-se quantamentais”, exclama.
Perante a questão de se as máquinas poderão enfrentar um problema se o ambiente para a qual foram programadas mudar dramaticamente, o gestor é categórico. “Se o futuro tiver um aspeto dramaticamente diferente em todos os sentidos, praticamente ninguém vai fazer dinheiro. O Warren Buffett, por exemplo, é um ‘trend follower’ e um ‘reconhecedor de padrões’. Procura empresas de elevada qualidade, valor razoável, excelente gestão e uma marca forte. É o seu método. Se estas deixarem de entregar valor ele não fará dinheiro. As máquinas são semelhantes. Se o contexto mudar significativamente e a forma como elas produzem retornos deixar de funcionar, elas não se vão ajustar imediatamente. Faz parte da aprendizagem automática ajustar progressivamente à nova realidade. Tal como os humanos o fazem”, esclarece.
