Este conteúdo foi produzido pelo blog Meu Robô Investidor

Um termo que constantemente vem recebendo atenção, embora não seja tão novo assim, é o Machine Learning (ML) ou Aprendizado da Máquina — uma das ferramentas da Inteligência Artificial. Esse conceito foi desenvolvido em 1959 e pode ser entendido como a capacidade de uma máquina composta por um conjunto de algoritmos, ser melhorada a partir da aquisição e predição de novos dados.

Pode parecer complicado à primeira vista, mas o conceito, basicamente, se refere à estatística e otimização aplicada, em que o foco é a predição de resultados baseados em propriedades conhecidas, sendo que essas são pré-estabelecidas ao serem adquiridas pela análise de dados a qual foram submetidos os conjuntos de algoritmos.

O funcionamento geral desta tecnologia se baseia no princípio de redes neurais, uma tecnologia que mímica o funcionamento de um cérebro orgânico, com sua hierarquia de padrões que nos permitem significar o mundo.

Tipos de machine learning

Para compreender sobre o funcionamento desta tecnologia, é importante compreender que ela funciona por diferenças no input (entrada da informação), output (saída da informação) e tarefa ou resolução de problema para o qual são designados.

O 3 principais tipos são:

Aprendizado supervisionado

Neste tipo de aprendizado, o conjunto de dados utilizados já estão agrupados no que se deve esperar deles e a máquina aprende a verificar se há concordância entre os inputs e os valores esperados. Em geral, são métodos preditivos, ou seja, têm foco na possibilidade de um evento e são utilizados para predizer algo dentro de um espectro de resultados já esperados. É o tipo de Machine Learning utilizado para a geração de recomendações de compra e venda e reconhecimento facial.

Aprendizado não supervisionado

Os algoritmos analisam clusters de dados não previamente definidos ou categorizados, e, em vez de simplesmente responderem a um feedback, precisam analisar o conjunto de dados e definir pontos em comum daquele conjunto. Em geral, caracterizam-se por métodos descritivos de aprendizagem, nos quais é possível agrupar conjuntos de dados para identificar padrões, variabilidade dos dados e inferir causalidades. Esse é o tipo de Machine Learning mais utilizado pela área de finanças e análises climáticas, por exemplo.

Aprendizado por reforço

As predições são feitas de modo a maximizar um tipo de resultado cumulativamente, que é tido como resultado esperado em detrimento de outros resultados. O aprendizado se dá por tentativa e erro em um modelo no qual o ambiente deve ser aprendido e o resultado final depende de uma sequência de tomadas de decisão.

O êxito ou fracasso da tarefa só é medido no final e, portanto, a máquina deve aprender a sequência de ações ótima que leva ao final desejado. É o principal tipo de aprendizado por trás de carros autônomos, por exemplo, e possibilita processos de tomada de decisão, como ocorre nos robôs investidores.

Aplicações do Machine Learning no setor financeiro

A aplicação do Machine Learning para a previsão de cotações já é utilizada há algum tempo, e sua base de operação se norteia na geração de séries temporais com valores reais, que são conjuntos de dados gerados em intervalos pré-definidos.

Na composição de uma carteira de investimentos, algo interessante de se notar é que o processo desta tecnologiausa técnicas baseadas em busca, como as bioinspiradas. Um exemplo são algoritmos genéticos para definir o peso ou grau de participação de cada ativo na composição de carteira.

Num algoritmo genético, o algoritmo se comportará tal qual um gene na evolução do mercado. Assim, ele tende a maximizar o retorno em um período de tempo utilizando as variações do conjunto de pesos determinados pela resiliência desses genes.

Outros exemplos de uso deste conceito, já tradicionais para a área financeira, incluem análises de crédito, risco e falência, além de verificação de fraudes.

A tecnologia e os Robôs de Investimentos

A utilização do Machine Learning para o funcionamento de robôs de investimentotoma um passo adiante, na qual o aprendizado da máquina não tem a função de gerar séries de dados, tampouco predizer a evolução de variáveis em um mercado.

Para investir, um robô deve ser capaz de analisar e interagir com diversas séries de dados e entender o processo evolutivo de mercado em curso, para, enfim, tomar uma decisão.

A tomada de decisão será feita com base em parâmetros e estratégias definidas pelos humanos. Portanto, o robô de investimento obedece aos princípios do investidor, sendo mais arrojado ou conservador de acordo com o perfil do cliente. Ao robô, cabem as tarefas da análise contínua, predição e tomada de decisão.

Portanto, a utilização dos algoritmos de predição baseados no aprendizado da máquina para o investimento no mercado financeiro pelos robôs segue uma base lógica já existente e confiável, principalmente para algoritmos bem testados.

Mas afinal, como lidar com a desconfiança?

Ainda existem limitações do Machine Learning em solucionar problemas. É uma tecnologia em desenvolvimento, mas que já conquistou um mercado enorme.

Empresas como a IBM, por exemplo, já desenvolveram softwares com Inteligência Artificial que são capazes de aprender analisando um volume menor de dados, o que reflete na qualidade do desenvolvimento dos processos dos negócios de uma empresa.

No caso dos robôs investidores, o trader precisa definir a estratégia e direcionar o comando ao bot. O papel do robô trader é apenas o de executar o direcionamento e não de criar a estratégia. Portanto, entender o seu mercado, qual o robô mais adequado para o seu perfil e os objetivos que você pretende alcançar utilizando uma automação robótica faz toda a diferença no seu resultado final.

A Inteligência Artificial é cada vez mais disruptiva e utilizada no mercado. No Brasil, entretanto, ainda falta um amadurecimento sobre a utilização destas tecnologias e sobre a coleta de dados.

Contudo, se você ainda tem desconfianças sobre a utilização do Machine Learning e o quão confiável essa tecnologia pode ser, vale ressaltar que algumas das limitações das máquinas se encontram, principalmente, relacionadas às falhas humanas ao escolher como programar a árvore de decisões ou na disponibilização de dados insuficientes, e não na execução da automatização dos robôs!