Por Saijel Kishan.
Os fundos de hedge vêm tentando há anos ensinar computadores a pensar como traders.
Agora, após muitos passos em falso, uma tecnologia de inteligência artificial chamada aprendizado de máquina profundo — que imita vagamente nossos neurônios — traz promessas para essas firmas. A WorldQuant está usando a tecnologia para negociação de instrumentos financeiros em pequena escala, segundo uma pessoa com conhecimento da decisão. A Man AHL deve começar a usar o processo em breve. Winton e Two Sigma também avançam nesse universo.
A esperança desses fundos de hedge de perfil quantitativo é que a inteligência artificial proporcione vantagens na corrida de armas tecnológicas que se deflagra no mundo das finanças. Se estiverem corretos, as redes neurais podem acelerar a transformação do mundo das finanças, colocando máquinas contra seres humanos e ameaçando empregos de profissionais de investimento. Contudo, após várias decepções, os pesquisadores têm o cuidado de não exagerar o potencial da tecnologia, colocando-a como apenas mais uma opção.
“Tendo testemunhado na década de 1990 o frenesi e subsequente fracasso dos fundos de hedge que diziam usar redes neurais, nossa tendência é o ceticismo em relação a afirmações de que o ‘aprendizado profundo’ solucionará o problema geral da gestão de investimentos”, afirmou em comunicado a Winton, fundo de perfil quantitativo com sede em Londres que administra US$ 31,5
bilhões em ativos.
Os fundos de perfil quantitativo seguem as pegadas de gigantes de tecnologia como o Google, que já comprovaram o potencial do aprendizado profundo. A tecnologia — que requer computadores superpoderosos e quantias enormes de dados — está por trás dos carros que rodam sem motorista da Tesla e do alto-falante inteligente da Amazon.com chamado Echo. Para Nicolas Chapados, cientista da computação que colabora com o professor Yoshua Bengio, pioneiro do aprendizado profundo, a tecnologia será ferramenta de uso comum entre os fundos de hedge em mais ou menos cinco anos.
“Existe uma enorme classe de modelos de aprendizado profundo usados em companhias de tecnologia que podem ser adaptados ao processamento financeiro”, disse Chapados, que é corresponsável pelo fundo quantitativo Chapados Couture Capital, em Montreal, e também pela empresa de pesquisas Element AI, que utiliza a tecnologia.
Os fundos de hedge ainda não aplicaram o aprendizado profundo da mesma forma porque não têm o conhecimento para aplicar a tecnologia a dados financeiros complexos.
A tecnologia de reconhecimento de imagens do Facebook (a capacidade de identificar um cachorro em uma fotografia, por exemplo) foi bem sucedida porque usa quantidades ilimitadas de dados, com pontos fixos como pixels, carregados por usuários da rede social. Já os dados de mercado são limitados e mudam constantemente, o que dificulta a realização de previsões como a movimentação de ações.
O aprendizado profundo imita a atividade de múltiplas camadas de neurônios no cérebro humano. Os neurônios são densamente interconectados de maneiras complexas, trocando sinais com outras células e forjando novas conexões à medida que a pessoa aprende. O aprendizado profundo também ocorre a partir do processamento de dados não linear e em múltiplas camadas, de modo que os computadores constroem conceitos sofisticados a partir de conceitos básicos.
Por exemplo: a busca de fatores capazes de fazer uma ação superar um índice de referência. Hoje, um analista precisa selecionar manualmente fatores como a razão entre o preço da ação e o lucro da empresa. Já o usuário do aprendizado profundo define um preço-alvo para uma rede neural e então insere no modelo dados brutos sobre a empresa e o mercado. Os neurônios artificiais são funções matemáticas que processam dados. À medida que avançam pelas camadas, os neurônios se ajustam – ou seja, aprendem – para se aproximar do objetivo: encontrar os fatores preditivos de quando o preço da ação atingirá o alvo.
Entre em contato conosco e assine nosso serviço Bloomberg Professional.