As oportunidades que a inteligência artificial oferece parecem ilimitadas. Novos conceitos, novas formas de estudo e novas aplicações às indústrias tradicionais, como é o caso da gestão de ativos. Mas antes de mais, seria capaz de identificar o campo de ações da inteligência artificial e do machine learning? Estaríamos perante o gigante que é a inteligência artificial e dentro desta teríamos o machine learning, que é apenas uma parte, mas se nos concentrarmos na área financeira é praticamente a única coisa que nos interessa. Assim, qual é o papel do machine learning na indústria de gestão de ativos? Analisamo-lo.
A primeira coisa a ser clarificada é como funciona. O machine learning é como que estatística moderna, baseada em exemplos. No mundo das finanças, os dados são fundamentais e o desenvolvimento do machine learning anda de mãos dadas com a disponibilidade de dados (é aqui que entra o big data).
Assim sendo, a questão seria: e porque é que nos interessa tanto o machine learning? Pois bem, Carlos Jaureguizar, CEO da Robexia AI TechConsulting, uma empresa especializada em automação de processos para instituições bancárias, explica.
"Porque a estatística tradicional funciona muito mal nos mercados financeiros, que são demasiado complexos para os simples pressupostos das fórmulas clássicas. Contudo, os algoritmos – em constante evolução – do machine learning, o aumento da quantidade de dados e a capacidade de cálculo permitem e permitirão avanços sem precedentes. A incorporação da inteligência artificial na gestão pode ser um desafio, mas é inevitável".
Como funciona o machine learning
Carlos Jaureguizar diferencia três tipos de aprendizagem, que nos ajudam a compreender o papel que o machine learning pode desempenhar na gestão de ativos. Explicamo-los:
Aprendizagem supervisionada, que é a que requer que lhe demos exemplos com as suas soluções. Contudo, os mercados financeiros têm algumas circunstâncias, tais como a arbitragem ou o carácter temporal das séries, que fazem com que isto não seja tão fácil.
Aprendizagem sem supervisão. Esta é aquela em que o resultado do algoritmo não é correto ou incorreto, simplesmente é útil ou não é. Por exemplo, o algoritmo do clustering agrupa elementos. Não classifica, mas agrupa. Esse agrupamento não é certo ou errado, é o que tem feito, quer nos seja útil ou não.
E eis outra questão: porquê agrupar-se por indústria e setores? Fazendo padrões com o machine learning, "se nos agruparmos com base numa série de fatores, podemos encontrar coisas muito curiosas. Na área do risco é muito interessante fazer certos agrupamentos (clusters) para detetar o grupo dos raros. Os que se comportam de forma estranha podem ser retirados das carteiras. Podemos não ser capazes de dizer exatamente o porquê, mas é claro, comportamento estranho é sinónimo de risco e o que queremos na gestora é, sempre, controlar o risco", explica Jaureguizar.
Finalmente, a aprendizagem por reforço. Esta pressupõe-se como uma verdadeira aprendizagem porque, neste tipo de algoritmos, um programa executa ações num modelo para maximizar uma recompensa, pelo que observa o resultado das suas ações e, dependendo disso, aprende se foi ou não uma ação correta. Em suma, aprende por tentativa e erro. Como pô-lo em prática? Uma gestora pode utilizar um programa para tomar decisões de compra e venda e valorizá-las para maximizar o retorno de uma carteira. De certa forma, seria como programar um simulador de trading que toma decisões.
Pode ler aqui a análise completa de Carlos Jaureguizar.
