O futuro inevitável da integração das práticas de Data Science no processo decisório das gestoras de investimentos.
Modelos e abordagens de gestão e análise financeira em fundos de investimento
Mais do que uma tendência, a incorporação de práticas de data science no processo decisório das gestoras de investimentos é um futuro inevitável. Diante da complexidade e quantidade dos eventos que impactam o mercado financeiro, as tecnologias e abordagens data-driven são grandes aliadas para se manter à frente da concorrência.
Enquanto mais de 70% das gestoras brasileiras estão começando a implementar ou já utilizam data science em suas estratégias, cerca de 60% têm iniciativas em algum tipo de estágio voltadas para investimentos quantamentais. Esses números da pesquisa “Brazil 2023 Buy-Side”, realizada pela Bloomberg, indicam que a gestão quantamental ganhará espaço no mercado sobre gestão discricionária nos próximos cinco anos.
O que é gestão discricionária?
Na gestão discricionária, o ser humano é responsável por julgar o cenário e tomar as decisões sobre o investimento após pesquisas aprofundadas. São comuns as apostas de valor alto e horizonte mais longo, o que exige um nível de certeza elevado para não comprometer a rentabilidade.
O que é abordagem quantamental?
Já a abordagem quantamental é marcada pela integração de métodos de investimento quantitativos e fundamentais, ou seja, o uso do discernimento humano associado à tecnologia. Uma abordagem “quant” é direcionada por modelos quantitativos de análise, rigorosamente testados para reduzir riscos e gerar alfa, que analisam grandes quantidades de dados históricos para levar a decisões precisas. Essas estratégias “quant” também podem utilizar modelos de inteligência artificial e machine learning para prever resultados com base em padrões de dados históricos.
Mais do que um buzz, as análises quant serão cada vez mais associadas às fundamentais para ajudar as gestoras a compreender aspectos passados do mercado para a tomada de decisões futuras. Essa capacidade permitirá que as empresas do setor se diferenciem e se tornem gestoras exponenciais. Por esse motivo, mesmo em assets com gestão 100% discricionária, os profissionais devem adquirir novas habilidades, como data science, para se manterem atualizados com as tendências que revolucionarão o universo dos investimentos.
Qual a abordagem de gestão de investimentos do futuro?
As estratégias de investimento evoluem para uma combinação de tecnologias avançadas de data analytics e data science, equipes altamente qualificadas e aplicação de modelos proprietários para aumentar a competitividade de mercado. Diante desse complexo cenário, os analistas de investimentos são desafiados a mesclar conhecimentos em finanças, economia, estatística e matemática com domínio de linguagens de programação. Não é à toa que esses profissionais hoje têm amplo conhecimento de linguagens como o Python, essencial para o uso e a análise de dados.
Os analistas e cientistas de dados que buscam se aperfeiçoar são capazes de construir melhores modelos de investimento que definirão as negociações. Por isso, são cada vez mais cobiçados pelas gestoras e ganham os maiores salários.
Ao mesmo tempo em que esses especialistas focam na aquisição de novas habilidades, as gestoras investem na construção de uma área de tecnologia mais avançada e facilmente escalável para acompanhar o armazenamento e processamento de aplicações de modelos de análises. Afinal, a ciência dos dados, cerne da operação quantamental, é o principal elemento de diferenciação em relação à concorrência.
Nessa esteira, algumas gestoras optam por desenvolver soluções in-house para extrair insights. Mesmo assim, recorrem, muitas vezes, às tecnologias disponíveis no mercado, como feed de dados, armazenamento, plataforma de desenvolvimento e motor de cálculos, para alimentar seus sistemas proprietários.
Tecnologias: adquirir ou desenvolver em casa?
Não há uma estratégia melhor ou pior neste caso, e a escolha deve ser guiada de acordo com as necessidades de cada empresa. O desenvolvimento in-house tem vantagens, no entanto, o time de Tecnologia da Informação pode acabar sobrecarregado com a gestão de muitos recursos, sem contar os altos custos de desenvolvimento. Nesse sentido, é importante contar com soluções escaláveis, abertas e especializadas para contribuir com uma transição segura.
Data science: transparência e precisão
Diferentemente do modelo de gestão discricionária, com o julgamento humano nas diversas etapas do processo do investimento, a abordagem quantitativa é decidida por modelos analíticos. Aqui, todos os dados são avaliados (indicadores financeiros e não financeiros), enquanto máquina/modelo tomam a decisão. Esse tipo de investimento também é consistente, contribui na redução de possíveis riscos operacionais e libera mais tempo para a equipe focar em atividades estratégicas como relacionamento com clientes e planejamento estratégico.
Ambas as abordagens são complementares, de modo que muitas gestoras optam por aplicá-las em conjunto para aumentar a previsibilidade.
Evoluir para o quant, contudo, exige o investimento em tecnologias de analytics, aquisição de dados de fontes convencionais e alternativas, ambientes de alta capacidade de processamento e armazenamento de dados, bem como o desenvolvimento contínuo de talentos capazes de operar e gerenciar esses novos modelos.
O fator humano também é crucial para a operação quantamental. As decisões podem ser automatizadas, porém o processo não deixa de ser humanizado, uma vez que depende exclusivamente da capacidade de profissionais para construir os melhores modelos e testar hipóteses em diferentes cenários. Este é um processo contínuo de aprimoramento.
Integrar abordagens discricionárias às sistemáticas será cada vez mais popular, e é algo que deve ser efetivamente mais explorado. Tanto que as empresas investirão em uma variedade de tecnologias, com prioridade para adoção de aplicações de gerenciamento de dados (41%) e desenvolvimento de equipes quantitativas (40%), aponta a pesquisa “Brazil Buy Side – 2023”.
O profissional do futuro
Frente às principais tendências do buy-side, o levantamento da Bloomberg aponta que a maior parte dos entrevistados afirma ter pelo menos algum conhecimento sobre ciência de dados e investimento quantitativo. Mas este número é menor quando questionados se estão atualizados em automação comercial ou em computação em nuvem.
Exemplos bem-sucedidos no mercado mostram que gestoras exponenciais combinam os modelos de análises discricionárias e quant. Adotar novas tecnologias e abordagens será definitivo para avançar na jornada exponencial.
Confira outros materiais que preparamos para apoiar sua empresa na transição digital.
Quer evoluir na jornada da transformação digital e potencializar o uso de dados em sua gestora para ganhar mais competitividade? As tecnologias de dados e analytics da Bloomberg foram projetadas para apoiar as gestoras de investimentos a expandir os modelos de análise e acessar visualizações interativas. Converse com um especialista Bloomberg.