Recentemente, o Dr. Hugo Bowne-Anderson (DataCamp) e o Dr. Yves Hilpisch (The Python Quants) discutiram como a IA pode ser aplicada em finanças, como ela se compara a abordagens mais tradicionais e por que cientistas de dados se tornaram peças-chave no setor financeiro. Eles também falaram sobre incerteza e risco, e sobre a utilidade da IA e do aprendizado de máquina em quedas de mercado, durante eventos cisne negro e em períodos de alta volatilidade. Assista ao webinar on-demand ou confira abaixo os principais insights.
O que é IA e quais são as implicações?
Yves define a inteligência artificial como todo o conjunto de disciplinas que buscam emular e melhorar o que as pessoas conseguem fazer. Nesse sentido, a IA no xadrez tenta jogar melhor do que humanos, e a IA em finanças pode significar construir e treinar bots que operem melhor do que nós.
"IA é quando um software realiza algo que consideraríamos um ato inteligente. E inteligência pode ser definida como a capacidade de alcançar um determinado objetivo." — Dr. Yves Hilpisch
Máquinas conseguem seguir o método científico de forma muito mais eficiente do que humanos. Elas analisam dados e identificam preferências reveladas ao rastrear o que as pessoas de fato fazem. A partir daí, extraem insights. Elas aproveitam milhões de pontos de dados para formar esses insights, que acabam sendo muito mais precisos do que modelos puramente teóricos.
Mas afinal, o que é o método científico?
"Você define um experimento, coleta dados e então tenta encontrar suporte para a hipótese, ou talvez encontre dados que a contradigam. O próximo passo é ajustar sua hipótese, seus pressupostos ou até mesmo descartá-la. Esse processo do método científico pode ser replicado por máquinas milhões de vezes em questão de segundos." — Dr. Yves Hilpisch
A IA trouxe uma grande vantagem competitiva nos últimos 20 anos
A IA serve ao mesmo propósito em finanças que em qualquer outra área: ganhar vantagem competitiva. Em finanças, suas raízes remontam aos anos 1950, quando Markowitz abriu caminho com o primeiro modelo de finanças quantitativas. Foi o primeiro modelo da teoria de portfólios por variância a ganhar ampla aceitação. Hoje, ainda é usado para gerenciar trilhões de dólares. Mas ele utiliza uma teoria normativa, baseada na análise de diferentes carteiras possíveis de ativos — não é prescritivo, pois não sugere um curso de ação. Ou seja, não é baseado em dados no sentido moderno, e sim em dados comportamentais ou de mercado.
Nos últimos 20 anos, os dados se tornaram mais acessíveis do que nunca — o segredo está em usá-los do jeito certo. O livro de Gregory Zuckerman, The Man Who Solved the Market, mostra como o hedge fund Renaissance Technologies liderou a coleta massiva de dados para ganho financeiro. Hoje, praticamente todos os setores adotaram a estratégia de criar modelos matemáticos e processar dados — e, com isso, conseguem tomar decisões muito mais assertivas.
Casos de uso atuais e boas práticas em finanças quantitativas
Houve uma evolução impressionante da IA nos mercados financeiros. Por exemplo, usando as montanhas de dados disponíveis hoje, modelos de aprendizado supervisionado conseguem prever o comportamento de credores ou consumidores com alto grau de precisão. A negociação algorítmica também usa aprendizado por reforço para recompensar e punir bots de acordo com o quanto eles ganham ou perdem.
"Hoje temos milhões e milhões de pontos de dados para analisar o comportamento das pessoas. E com as novas tecnologias, bancos e instituições, como startups de fintech, são dez, cem vezes melhores em prever o comportamento do consumidor, do credor etc., do que qualquer teoria já criada por professores de finanças." — Dr. Yves Hilpisch
Mas, em momentos como este, de alta volatilidade de mercado, fica claro que a IA em finanças exige cuidados. O aprendizado supervisionado depende de dados históricos e pressupõe que o passado representa o futuro. Essa lógica falha em períodos de turbulência. Por isso, é fundamental ter regras para evitar decisões ruins de negociação, como configurar um stop loss — que define um preço no qual um ativo será vendido — nos algoritmos. Essa lógica limita perdas difíceis de absorver e se assemelha a colocar mecanismos de segurança em um carro autônomo para evitar atropelar pedestres. A IA é útil para reduzir riscos decorrentes de eventos atuais e de seus impactos no mercado. Em eventos cisne negro, táticas de aprendizado supervisionado devem ser monitoradas com muito cuidado, e o aprendizado por reforço pode ser usado para retreinar modelos com base nas novas condições de mercado. Intervenção humana e monitoramento rigoroso de algoritmos em produção ainda serão necessários no futuro previsível.
A necessidade de ferramentas simples, replicáveis e escaláveis
Em finanças computacionais, a simulação de Monte Carlo tem uma abordagem prospectiva que parte de um ponto no tempo e simula o futuro à frente. Python é uma ótima ferramenta para isso. Hoje, o ecossistema de dados em Python é um conjunto de pacotes interoperáveis que permite ingerir dados, transformá-los com pandas, realizar modelagem estatística e criar algoritmos de aprendizado de máquina. Python possibilita fazer tudo isso em escala. Hoje, a negociação algorítmica depende de ter as ferramentas certas. E trabalhar nessa área exige domínio desses recursos — principalmente, Python e R. O pacote pandas e frameworks como TensorFlow e Keras permitiram que muita gente fizesse o que antes era impossível.
Derrubando barreiras de entrada
Aprender a usar essas ferramentas é um grande investimento, e mais empresas e profissionais estão fazendo esse investimento do que nunca. Ofertas educacionais como a DataCamp e a The Python Quants ajudam a democratizar o aprendizado. Alunos se familiarizam com conceitos de ciência de dados e aprendizado de máquina e ganham confiança para construir algoritmos por conta própria em um ambiente de código. Eles também aprendem a configurar um ambiente e uma cadeia de ferramentas adequados para trabalhar no servidor — capacitando-os a implantar algoritmos na nuvem.
