Inteligência artificial aplicada à gestão de ativos: um caso prático

O lançamento do ChatGPT pela Open AI no início do ano realçou o caráter revolucionário dos métodos de inteligência artificial. Embora a inteligência artificial já estivesse presente nos serviços de tradução, nos assistentes digitais em chats com clientes, bem como no reconhecimento de imagens e voz na ciência médica, o ChatGPT revelou ainda mais a variedade de aplicações da inteligência artificial na nossa vida quotidiana.

No setor da gestão de ativos, a adoção de técnicas de aprendizagem automática pode contribuir para otimizar o processo de investimento e melhorar a gestão do risco. A aprendizagem automática (machine learning), um subcampo da inteligência artificial, refere-se a algoritmos e modelos que podem aprender padrões complexos a partir de dados de entrada para fazer previsões. Desta forma, os métodos de machine learning podem fornecer novos conhecimentos sobre como captar e avaliar os fatores que impulsionam os mercados de capitais.

Os algoritmos

Os algoritmos de aprendizagem automática podem criar modelos a partir das complexas relações dos mercados de capitais com maior precisão e podem responder mais dinamicamente às alterações no ambiente de mercado do que os modelos quânticos tradicionais, uma vez que a estrutura dos modelos de aprendizagem automática deriva dos dados de entrada. No entanto, como os métodos de aprendizagem automática são exigentes quanto aos dados e capacidade de cálculo, há muito tempo que não têm estado à altura de todo o seu potencial, apesar de os primeiros modelos remontarem à década de 1980.

“Para a indústria de gestão de ativos, a solução para estas limitações foi recorrer a um mundo linear, utilizando modelos económicos como o Capital Asset Pricing Model ou a Arbitrage Pricing Theory, em que o retorno e o risco de um ativo dependem linearmente de um conjunto de fatores. Embora a interpretação de tais modelos seja simples, a realidade económica revela que as relações entre variáveis são intrinsecamente de natureza não linear e que muitas relações económicas não lineares não são captadas adequadamente pelos modelos econométricos tradicionais”, explicam Denisa Čumova e Philipp Kremer.

Demonstração empírica

Para demonstrar a sua afirmação, a responsável de gestão de carteiras e análise quantitativa da La Française AM e o gestor sénior e analista quantitativo da La Française Systematic AM apresentam o seguinte gráfico. Nele está representada a rentabilidade mensal das ações norte-americanas em relação às taxas de inflação implícitas dos Estados Unidos, que ilustra este tipo de relação. “É evidente que um modelo não linear capta melhor a relação subjacente”, sublinham. 

Assim, tal como indicam, a gestão moderna do risco temporal deve utilizar métodos que captem as complexas relações não lineares entre os dados de entrada e os sinais de negociação, tendo simultaneamente em conta os possíveis efeitos de interação. Por sua vez, o sistema deve reconhecer que os fatores de comportamento continuam a desempenhar um papel crucial na situação do mercado.

Soluções para o problema não linear

“Um dos fatores melhor documentados - o fator momentum - baseia-se na observação de que os investidores se comportam de forma irracional, seguindo padrões de manada e de excesso de confiança, criando assim oportunidades de obter retornos superiores. Os modelos de aprendizagem automática podem ser utilizados para identificar as relações existentes entre várias fontes de dados, tendo simultaneamente em conta as componentes de comportamento, incluindo a análise de tendências e volatilidade”, afirmam.

Na sua opinião, os modelos de aprendizagem da linguagem oferecem uma solução para a problemática não linear. No entanto, o uso exclusivo de dados de preços é prejudicial para o treino de ferramentas de aprendizagem automática, dada a sua baixa relação entre sinal e ruído. “Utilizar esses dados em modelos estatísticos complexos pode facilmente levar a um ajuste excessivo e a um desempenho inferior fora da amostra. Por isso, o sistema atualizado deve integrar múltiplos indicadores globais, validados empiricamente, que incluam dados de preços, fundamentais, macroeconómicos e de sentimento”.

Uma abordagem global também permite que o sistema reconheça que a globalização deu lugar a ligações económicas transfronteiriças mais fortes e a uma maior integração financeira entre economias e classes de ativos. “É cada vez mais provável que os problemas macroeconómicos de um país se repercutam noutros países. Desta forma, os investidores não podem apenas conhecer a evolução do seu mercado preferido, mas devem também monitorizar os principais acontecimentos noutras economias”, avisam.

Partilhar modelos de aprendizagem automática mais avançados

A abordagem de agrupamento de modelos reconhece que nenhum modelo é sistematicamente superior a outro. “Associar vários modelos, ou seja, Support Vector Classifiers, Regularization Penalty, Decision Trees, Neural Networks ou Extreme Gradient Boost Classifier, permite compensar as limitações de um único modelo e chegar a uma previsão mais sólida. Os modelos combinados finais geram um indicador de risco definido como a probabilidade de perda significativa, a partir do qual é derivada a exposição do investimento em obrigações para o sistema de sobreposição”.

Na opinião dos especialistas, a calibração ou treino de modelos de aprendizagem automática por parte dos investigadores quânticos é um passo importante e necessário. De facto, entendem a aplicação dos modelos de aprendizagem automática como uma técnica para descobrir a interação entre as variáveis de entrada utilizando a experiência de profissionais de investimento experientes. 

“Por exemplo, ao identificar períodos históricos de perdas significativas e ao escolher um subconjunto de possíveis algoritmos, a etapa de seleção e calibração representa a verdadeira mais-valia do investigador quântico, uma vez que desmistifica o caráter de caixa negra dos métodos de aprendizagem automática e acrescenta transparência, fazendo com que a decisão possa ser recallable em relação aos dados de entrada e aos algoritmos utilizados”, exemplificam.

Denisa Čumova e Philipp Kremer também comentam que os modelos de aprendizagem automática devem ser treinados e validados utilizando dados de entrada durante longos períodos de tempo. “O objetivo é selecionar os modelos que mostrem a maior precisão nos conjuntos de validação contínua (desempenho do modelo em dados não vistos anteriormente) e que, ao mesmo tempo, tenham a menor variância do modelo”.

Encaixar as peças

Segundo os especialistas da La Française AM, cada crise tem as suas próprias características, duração e meios de recuperação. “É, por isso, necessário que uma ferramenta moderna de gestão de riscos tenha a flexibilidade necessária para se ajustar a diversos cenários de tensão. E que também garanta que o modelo não se ajuste excessivamente a situações históricas individuais”. O gráfico 2 mostra o desempenho de um modelo de aprendizagem automática combinado desenvolvido pela Française Systematic AM utilizando o índice MSCI World Net Total Return EUR durante o período de janeiro de 2015 a março de 2023 e comparando-o com uma estratégia tradicional de buy-and-hold.

“Conforme ilustrado, o sistema tem em conta cinco estados de investimento diferentes, enquanto o sinal gerado permite não só ajustar gradualmente a exposição, como também reagir dinamicamente entre quedas e recuperações bruscas. Ao longo do período considerado, o modelo reduz de forma fiável as perdas nos bear markets, cumprindo assim o requisito mais importante para a gestão do risco. Ao mesmo tempo, permite reduzir o custo associado a uma estratégia de sobreposição clássica, apresentando um desempenho semelhante ao da estratégia de buy-and-hold, obtendo até um retorno ajustado ao risco superior. Os modelos podem nem sempre comportar-se como esperado e não garantem uma redução das perdas. A rentabilidade não é garantida”.