1. O impacto geral da inteligência artificial e do machine learning no trade
A inteligência artificial (IA) permite que as máquinas assumam o lugar das pessoas. Nos anos 1980, os sistemas especialistas e a lógica fuzzy estavam na vanguarda da pesquisa em IA. Com a queda no custo do poder de processamento, usar máquinas para atacar problemas de otimização em larga escala se tornou economicamente viável. Como resultado dos avanços em hardware e software, a inteligência artificial agora se concentra no uso de redes neurais e outros métodos de aprendizado para identificar e analisar preditores — também conhecidos como características ou fatores — que tenham valor econômico e possam ser usados com classificadores para desenvolver modelos lucrativos. Esse tipo de aplicação de IA é frequentemente chamado de machine learning (ML).
O uso de metodologias para construir estratégias de trade baseadas em IA, tanto em prazos curtos quanto para investimentos de longo prazo, está se popularizando, e alguns hedge funds são particularmente ativos nesse tema. Porém, a adoção generalizada dessa nova tecnologia avança devagar por diversos fatores, sendo o mais importante o fato de a IA exigir investimento em novas ferramentas e em expertise humana. A análise fundamentalista é usada pela maioria dos fundos, pois é o que os gestores estudam nos seus MBAs. Não há muitos hedge funds que dependam exclusivamente de inteligência artificial. Embora o uso de IA no varejo esteja crescendo, a maioria dos traders continua se apoiando em métodos introduzidos em meados do século XX, como a análise técnica clássica, por serem simples de entender e usar.
É importante notar que a IA e o ML são empregados em áreas além do desenvolvimento de estratégias de trade, como a construção de algoritmos de busca de liquidez e a recomendação de portfólios para clientes. Consequentemente, à medida que as aplicações de IA ganham tração, o número de pessoas participando das decisões de trade e investimento diminui, o que impacta os mercados e o movimento dos preços. Ainda é cedo para especular sobre as implicações gerais dessa nova tecnologia no negócio, mas o uso disseminado de IA pode resultar em mercados mais eficientes, com volatilidade mais baixa por longos períodos, seguida de picos periódicos de volatilidade devidos a mudanças de regime. Isso é possível porque a influência da interpretação humana subjetiva das informações será reduzida, assim como o ruído associado. No entanto, isso ainda precisa ser demonstrado na prática.
2. O impacto da IA e do machine learning na geração de alfa
Quem entende a tecnologia de IA e sabe lidar com seus perigos terá uma oportunidade nos estágios iniciais da sua adoção. Um problema dos métodos de trade baseados em IA é que eles podem produzir modelos piores do que o aleatório. Vou tentar esclarecer o que quero dizer: a análise técnica convencional é uma estratégia de trade perdedora porque as técnicas baseadas em padrões gráficos e indicadores extraem seus retornos de uma distribuição com média zero antes de qualquer custo de transação. Alguns traders costumam se posicionar na cauda direita da distribuição, dando a falsa impressão de que essas estratégias têm valor econômico. A lucratividade de longo prazo é difícil de alcançar nos mercados de futuros e de câmbio, independentemente da abordagem, porque esses mercados foram concebidos para recompensar os formadores de mercado. Porém, por puro acaso, alguns traders podem obter grandes lucros em mercados alavancados num curto período. Então, em vez de à sorte, esses traders atribuem seu sucesso à sua estratégia e aos seus talentos.
Há impactos adicionais com IA e ML, como o trade-off entre viés e variância. O viés de data mining pode resultar em métodos superajustados aos dados passados, mas que falham em dados novos, ou em técnicas simplistas demais, que não capturam sinais cruciais com valor econômico presentes nos dados. Esse trade-off resulta em táticas piores do que o aleatório e em uma assimetria negativa na distribuição dos retornos desses traders, mesmo antes de incluir os custos de transação. No período pós-afrouxamento quantitativo, isso cria um potencial de lucro para os grandes fundos e investidores. Contudo, quando os traders de IA piores do que o aleatório forem expulsos do mercado e restarem apenas os que têm modelos sólidos, a competição pelos lucros vai esquentar. É cedo demais para prever se os traders de IA ou os grandes investidores prevalecerão nessa disputa.
Também gostaria de abordar um mal-entendido frequente nesse campo: algumas pessoas acham que o valor está nos algoritmos de ML utilizados. Isso não é correto. O valor real está nos preditores utilizados, frequentemente chamados de características ou fatores. Algoritmos de ML não conseguem detectar ouro onde não há ouro. Um problema é que a maioria dos especialistas em ML utiliza os mesmos preditores e tenta criar modelos numa abordagem iterativa para alcançar os melhores resultados. Essa técnica é prejudicada pelo viés de data mining e, no fim, fracassa. Em uma palavra, o viés de data mining surge da prática arriscada de reutilizar os dados com muitos modelos até que os resultados nas amostras de treino e teste fiquem satisfatórios. Segundo meu estudo nesse campo, se um classificador básico, como a regressão logística binária, não funciona de forma eficaz com um determinado conjunto de preditores, há uma forte probabilidade de que não exista valor econômico ali. Portanto, o sucesso depende da engenharia de características, que é ao mesmo tempo ciência e arte, envolvendo conhecimento, experiência e inspiração para criar características com valor econômico — e apenas uma fração minúscula dos especialistas é capaz de fazer isso.
3. O impacto da inteligência artificial e do machine learning na análise técnica
Precisamos distinguir entre análise técnica convencional e quantitativa, já que todas as abordagens que dependem da análise das séries de preço e volume entram nessa categoria. A análise técnica tradicional — padrões gráficos, indicadores básicos, teorias de price action e assim por diante — era ineficaz desde o princípio. Com exceção de algumas iniciativas imperfeitas de alcance limitado, as publicações que promoviam essas abordagens raramente divulgavam suas expectativas estatísticas de longo prazo; ofereciam apenas garantias de que, seguindo esta ou aquela regra, haveria potencial de lucro. Como os ganhos e as perdas do mercado seguem uma distribuição estatística, sempre houve quem atribuísse sua boa sorte a essas abordagens. Ao mesmo tempo, todo um negócio surgiu em torno desses procedimentos, já que eram fáceis de dominar. Infelizmente, muita gente acreditou que poderia ganhar sendo melhor no uso de táticas que todos os demais usavam, e a consequência foi uma tremenda transferência de riqueza desses traders ingênuos para os formadores de mercado e outros profissionais bem informados.
Alguns especialistas de mercado descobriram, no início dos anos 1990, que um grande número de traders de varejo operava usando essas táticas pouco sofisticadas. Alguns construíram algoritmos e sistemas especialistas de IA para prever as formações e então operar contra elas, produzindo uma volatilidade que os traders de varejo, também chamados de mãos fracas, não conseguiam suportar. Num sentido mais amplo, o fracasso da análise técnica tradicional pode ser atribuído à eliminação da forte correlação serial dos mercados a partir dos anos 1990. Era principalmente a forte correlação serial que dava a falsa impressão de que esses procedimentos eram eficazes. Com poucas exceções, os mercados atualmente revertem à média, tornando ineficazes as ferramentas simples de análise técnica. Porém, algumas ferramentas de análise técnica quantitativa, como os modelos de reversão à média e de arbitragem estatística, além dos algoritmos de ML que exploram características com valor econômico, frequentemente funcionam bem.
Devido à grande variedade de modelos e ao fato de a maioria ser mantida em sigilo, é improvável que esse tipo de arbitragem se repita no caso da IA e do ML; mas a preocupação fundamental com essa nova tecnologia não é o viés de confirmação, como na análise técnica convencional, e sim o viés de data mining.
Observar o mercado e olhar gráficos, na minha opinião, está ficando ultrapassado. O futuro do trade é o processamento de informações em tempo real, o desenvolvimento de modelos e a validação. O hedge fund do futuro não dependerá da análise de gráficos. Algumas pessoas continuam fazendo isso porque estão numa encruzilhada em que os métodos antigos colidem com os novos. Muitos traders que não conhecem IA terão dificuldade para competir no futuro e vão se retirar.
4. Os vencedores e os perdedores da nova tecnologia de trade
O uso da inteligência artificial revolucionará o trade de diversas formas, e isso já está acontecendo. Os investidores podem descobrir em breve que, quando a atual tendência criada pelo QE terminar, os retornos de médio prazo serão bem menores do que o esperado. Se essa situação ocorrer, os investidores serão forçados a recorrer ao método tradicional de encontrar um consultor financeiro habilidoso, capaz de recomendar uma composição de portfólio e selecionar ações que se valorizem. Em certas circunstâncias, o consultor será um programa de inteligência artificial, e o procedimento será realizado online.
Os traders precisam se familiarizar com essa nova tecnologia. A maioria ainda está brigando com abordagens ultrapassadas, na esperança de que o "comprar na queda" continue funcionando e entregando lucros por mais alguns anos.
Um dos problemas é o risco moral fomentado pelo banco central com a assistência direta aos mercados financeiros nos últimos oito anos. Muitos traders e investidores agora sentem que bear markets são impossíveis, porque o banco central estará lá para transferir suas perdas para todos os demais enquanto preserva seus ganhos. Como resultado, a maioria dos participantes do mercado está despreparada para a próxima grande mudança de regime e pode sofrer perdas catastróficas.
Existem vários recursos online para aprender sobre machine learning, inteligência artificial e trade. A melhor forma de aprender é atacar algumas situações práticas. Contudo, acredito que a maioria dos traders não conseguirá se adaptar. A combinação de habilidades necessária para compreender e implementar IA elimina 95% dos traders acostumados a desenhar linhas em gráficos e observar médias móveis.
Os investidores devem fazer sua própria pesquisa e buscar o conselho de um consultor financeiro profissional que esteja por dentro dessas novidades. Cada investidor tem um perfil próprio de aversão ao risco, o que torna impossível dar sugestões genéricas. Em breve haverá uma profusão de robo-advisors, e escolher um que atenda a requisitos e objetivos específicos pode se revelar difícil.
Para quem não conhece ML e IA e suas aplicações no trade e nos investimentos, pode ser mais proveitoso procurar um profissional experiente nesse campo do que começar por uma trilha de leitura de livros e artigos — algo que pode ser feito depois que os fundamentos forem assimilados.