Embora machine learning não possa fazer tudo o que as pessoas fazem, a tecnologia está encontrando força no campo das finanças.
Machine learning não pode fazer tudo o que as pessoas fazem, mas a tecnologia está encontrando uso mais difundido no campo das finanças.
Barry Porter fala com Gary Kazantsev, Chefe de Machine Learning da Bloomberg, Gideon Mann, Chefe de Ciência de Dados da Bloomberg, e Bruno Dupire, Chefe de Pesquisa Quantitativa da Bloomberg, sobre as possibilidades.
P: Qual é o maior equívoco sobre machine learning em finanças?
Gary Kazantsev: Que é uma espécie de varinha mágica que resolverá problemas difíceis em violação de verdades conhecidas por estatísticas básicas.
Nenhuma quantidade de machine learning ajudará se o problema que você está tentando resolver estiver mal colocado, ou se você não tiver dados suficientes ou tomar cuidado com problemas como não estacionariedade e viés.
Gideon Mann: Um grande equívoco é que machine learning pode fazer coisas que as pessoas não podem — que pode magicamente realizar coisas que sobrecarregam a capacidade humana. Normalmente, os maiores impactos da machine learning são a automação de decisões humanas simples e diretas, mas o fazendo com base no custo, o que torna econômico diversos processamentos. Isto, por sua vez, leva à aparência de mágica.
P: O que mais te entusiasma?
GK: A gama de problemas disponíveis que agora são possíveis de resolver usando métodos de machine learning.
Bruno Dupire: Os desafios que a inteligência artificial nos lança, como nos força a questionar o que constitui nossa essência como seres humanos. Domínios de competências anteriormente considerados como nosso reino intangível estão se rendendo um por um, redefinindo questões ontológicas.
Duas grandes questões são: As máquinas podem executar todas as nossas tarefas cognitivas? E, se puderem, vão realizá-las muito melhor do que nós?
P: Quão avançado é machine learning nas finanças hoje em dia?
GK: Depende. A gama de problemas sendo abordados e os métodos usados agora são vastos e estão se expandindo rapidamente. Estamos familiarizados com organizações que desenvolvem estratégias de ponta a ponta (da seleção de portfólio à execução) como um problema conjunto de machine learning.
Há também muitas empresas que só agora estão começando a investigar este campo.
O nível de aceitação de novas tecnologias nas instituições financeiras varia de acordo com seu perfil de risco aceitável, requisitos específicos de interpretabilidade e transparência de modelos e até mesmo região geográfica. Isso se aplica mais ainda a machine learning do que muitas outras tecnologias.
BD: Ainda está em seu estágio inicial, mas evoluindo muito rapidamente, avidamente. Dados, tanto estruturados (séries temporais de preços de títulos, fundamentos) como não estruturados (texto de notícias/tweets/transcrições de chamadas, buscas online, imagens de satélite) são sistematicamente explorados e a matriz de métodos está expandindo incessantemente.
Florestas aleatórias, máquinas de vetor de suporte, gráficos de conhecimento, redes recorrentes, LSTM (memória de curto prazo longa), redes de convolução, GAN (Generative Adversarial Networks). O cenário mudou muito desde que usei redes neurais para prever séries temporais financeiras em 1987.
P: Como clientes sofisticados usam machine learning em seu fluxo de trabalho e como isso está afetando as estratégias de investimento?
GK: Vimos de tudo, desde a análise de risco de contraparte até a execução ideal, e da previsão do risco de falência à previsão de retornos, lucros ou estatísticas de desemprego. Também está sendo aplicada na construção de portfólio, análise de sentimentos de notícias financeiras e assim por diante. Machine learning está se tornando parte integrante da caixa de ferramentas usada na criação de estratégias sistemáticas.
P: O que está impulsionando o investimento e a atenção em machine learning no setor financeiro?
GM: Machine learning teve um efeito enorme em outros setores e gerou um crescimento significativo. Pense em Google, Amazon, Facebook. Há também um número crescente de empresas financeiras que conseguiram aproveitar a machine learning para gerar valor.
Por último, a pressão para reduzir custos concentrou as empresas no mercado interno para ver se elas podem fazer mais com menos, e aumentar a produtividade dos funcionários através da tecnologia aumentativa se tornou mais atraente.
P: De qual novo aplicativo ou ferramenta de machine learning da Bloomberg você mais se orgulha e por quê?
BD: Estamos construindo uma suíte de prototipagem de machine learning que permite ao usuário acessar scikit-learn, TensorFlow e nossas próprias funções, em um ambiente interativo muito fácil de usar.
Oferece várias maneiras de visualizar os dados, o progresso da aprendizagem e como o algoritmo opera.
GM: Fizemos investimentos significativos em nossa infraestrutura de rede neural e, por causa de nossos esforços, vimos diversos exemplos de modelos de redes neurais implementadas.
Destes, o esforço na compreensão de tabelas me deixou particularmente orgulhoso, pois demonstra o poder destas novas tecnologias em uma questão antiga e penosa.
GK: Sou particularmente orgulhoso do trabalho que fizemos em resposta a perguntas. Conseguimos causar impacto na forma como os clientes usam o Terminal, apesar de este ser um problema aberto muito desafiador.
P: Pode dar uma previsão para o futuro?
GM: Acho que o futuro deve ser cada vez mais caracterizado por períodos razoavelmente estáveis, interrompidos por mudanças muito rápidas à medida que a velocidade com que a informação e a tecnologia são disseminadas aumenta.
GK: O nível do mar vai subir, os mercados vão flutuar, e a aprendizagem profunda não nos dará inteligência artificial de nível humano.
BD: Para tarefas avançadas, não é suficiente deixar que os dados conduzam o processo de aprendizagem, também é necessário injetar conhecimento especializado, levando a sistemas híbridos.