O aprendizado de máquina (machine learning) se tornou um tema importante em finanças nos últimos anos. Exemplos de aplicações desta tecnologia incluem evidenciação de sinais, técnicas alternativas de processamento de dados, factor investing, otimização de portfólio e o uso de processamento de linguagem natural para análise de sentimento em mídia social e detecção de anomalias. Embora houve um progresso substancial em automação e análise, também há muito entusiasmo sobre inteligência artificial (IA) e machine learning (ML). Portanto, é essencial tomar cuidado com as armadilhas comuns, incluindo tendências, ajustes excessivos e correlação espúria. O caminho para o uso eficaz e confiável de tais tecnologias reside em uma combinação de educação e prática, respeitando o rigor científico e compreendendo os pontos fortes e fracos de abordagens e resultados específicos. É um ótimo momento para procurar especialistas, fazer perguntas difíceis e ouvir atentamente suas respostas.
Durante o webinar inaugural da série Tech Decoded da Bloomberg, Matthew F. Dixon, professor assistente de matemática aplicada no Illinois Institute of Technology, e Igor Halperin, ex-professor pesquisador de machine learning no mercado financeiro na NYU Tandon School of Engineering e VP de gestão de ativos de IA na Fidelity Investments, discutiu a história e o estado atual dos aplicativos de machine learning em finanças. Apresentado por Arun Verma, head de Quant Research Solutions da Bloomberg no escritório de CTO, Dixon abordou as nuances do deep learning aplicado a modelos de fator, incluindo não linearidade, efeitos de interação e ranking de fator.
Métodos quânticos tradicionais combinados com insights de ML
Conforme machine learning ganha força no mercado financeiro mais amplo, os investidores institucionais buscam maneiras de incorporar suas técnicas aos regimes de modelagem financeira existentes. Estes regimes geralmente já possuem um componente quantitativo, e empresas esperam manter seus métodos tradicionais, enquanto usam ML para aprimorar suas análises e ofertas de produtos. O trabalho de pesquisa engloba vários tópicos: projeto experimental, exame de sensibilidades de fator, captura e avaliação de outliers, e decomposição de retornos em componentes explicáveis e inexplicáveis.
Deep learning oferece oportunidades distintas de análise, pois pode capturar automaticamente a não linearidade em retornos. Também pode ajudar a identificar e explorar os impactos materiais do efeito de ordem superior e outliers – impactos que não são capturados por modelos lineares ou quadráticos. Pesquisadores podem comparar as sensibilidades de fatores dos modelos de deep learning com aqueles indicados por modelos lineares e quadráticos, realizar decomposições e desenvolver explicações para as diferenças entre os modelos de deep learning, lineares e quadráticos.
Citando um exemplo de pesquisa específico, Dixon discutiu o trabalho que fez com o estatístico britânico e professor de econometria e estatística na Booth School of Business da Universidade de Chicago, Nicholas G. Polson, no qual examinou um modelo de deep learning de 50 fatores que foi aplicado em mais de 3.000 ativos no índice Russell 1000 por um período de 30 anos, produzindo ratios de informação (IRs, na sigla em inglês). Em seguida, os IRs foram comparados com os resultados de um modelo Ordinary Least Squares (OLS) e um modelo LASSO. Foi constatado que o modelo de 50 fatores produziu IRs cerca de 1,5x maiores do que aqueles produzidos pelo modelo OLS. Também foi observado uma menor sensibilidade aos efeitos de interação e desempenho superior de forma geral. Trabalhos futuros envolverão a extensão de sensibilidades de fator com intervalos de confiança para uso mais contextual, decomposição de risco e análise.
Aprendizagem por reforço e reforço inverso – agentes e ações
Após a palestra de Dixon, Halperin descreveu os antecedentes da Aprendizagem por Reforço (RL, na sigla em inglês) e Aprendizagem por Reforço Inverso (IRL, sigla em inglês) no que diz respeito aos aplicativos financeiros. RL é uma forma de tomada de decisão sequencial que consiste em um agente, suas ações dentro em um ambiente e ciclos de feedback, que informam as próximas ações e são exclusivos para esta forma de machine learning. Como o status do ambiente pode mudar com o tempo, a RL também engloba planejamento e previsão.
Em termos de aplicações práticas, a gestão de portfólio pode ser estruturada como uma tarefa de RL, na qual o sistema toma decisões de compra e venda, e também pode optar por depositar ou retirar dinheiro. Neste caso, o ciclo de feedback impulsiona o impacto de grandes negociações (ou muitas negociações menores e mais focadas) nos preços de mercado. Em contraste com a RL, a IRL avalia uma série de decisões que já foram feitas e aprende a função de utilidade (recompensa) do agente sem observar quaisquer recompensas específicas. Um exemplo de uma tarefa adequada de IRL é a otimização de portfólio, em que o objetivo é inferir e melhorar uma estratégia de investimento; outro exemplo é aprender sobre a função de utilidade de outro agente.
Comece com modelos simples – amplie conforme necessário
Halperin destaca que a RL e a IRL são paradigmas baseados em dados, que podem ajudar a resolver problemas de controle ideal. Embora haja inúmeras bibliotecas de deep learning e RL profunda disponíveis, Halperin recomenda começar com um modelo simples de recompensa do agente, incorporando métodos clássicos para controle ideal, e ampliar para redes neurais apenas se necessário.
Olhando para o futuro dos aplicativos para RL e IRL em finanças, Halperin apresentou trabalho adicional em dois algoritmos: G-learner, que pode identificar sinais fracos da atividade de trading e trabalha para melhorar os ratios Sharpe; e GIRL, que infere parâmetros de recompensa de um agente G-leaner com base no comportamento observado. Aplicados em conjunto, investidores reais podem ser modelados como G-learners, agrupados em classes conforme seu comportamento de poupança e investimento. O algoritmo GIRL pode então ser usado como um robo-advisor para estes investidores. A IRL também pode ser aplicada a um agente de mercado mais amplo, que incorpora as atividades e as dinâmicas de todos os participantes do mercado, produzindo uma abordagem de IRL para modelar a “mão invisível” do mercado.
Após suas colocações, Dixon e Halperin responderam a perguntas do público em uma sessão de Q&A online e ofereceram informações adicionais de seu livro recente, Machine Learning in Finance: From Theory to Practice.
Sobre a série Tech Decoded
De orientações práticas sobre a construção de modelos robustos de aprendizado de máquina (machine learning) a previsões sobre o impacto que a tecnologia terá em sua função e nos mercados financeiros, a série de webinars Tech Decoded dissemina as ideias de alguns dos mais afiados pesquisadores de IA e cientistas de dados do setor.