Financial Science
Com o surgimento dos computadores, da internet e todos os seus derivados, vivemos em um mundo em que estamos rodeados de dados. Hoje os semáforos geram dados, o consumo de energia das famílias, histórico de pesquisa do smartphone, redes sociais, etc, etc. A quantidade de dados geradas diariamente é enorme. Por exemplo, são criadas dezenas de terabytes somente de tweets diariamente. Tal quantidade de dados é humanamente impossível de ser analisadas. Para isso, foram desenvolvidas ferramentas para analisar tais dados.
Os dados gerados podem ser classificados de duas formas. Dados estruturados e dados não estruturados.
Os dados estruturados são aqueles mais simples de ser analisados, pois possuem formato padrão como banco de dados, arquivos de texto, etc. Por tais dados estarem organizados e de fácil extração, as análises para esses se tornam bem mais simples.
Já os dados não estruturados, são dados bem mais complicados para extração. Podem ter qualquer tipo de formato. Desde arquivos .doc, vídeos, fotos, áudios até análises de postagens em tempo real de redes sociais. Para obter e analisar tais dados, são necessárias ferramentas bem mais avançadas que as ferramentas utlizadas nos dados estruturados.
A solução para análise de tais dados traz incontáveis possibilidades. Predição de engarrafamentos, falta de energia elétrica, fraudes em cartões de crédito até o preço de ativos no mercado financeiro.
MODELAGEM MATEMÁTICA
A modelagem matemática visa descrever matematicamente um fenômeno. Isso consiste em transformar uma situação real em um modelo matemático para que este possa ser utilizado em uma simulação do modelo real.
A seguinte imagem ajuda a descrever o processo que se inicia no entendimento do processo real até a validação dos resultados obtidos. Uma das principais utilidades dessa técnica consiste na possibilidade de predição do modelo real a partir do modelo simulado.
A primeira parte consiste no entendimento e na simplificação do problema, onde é necessário identificar os principais pontos que descrevem a situação. A segunda parte consiste na conversão de tais pontos em fórmulas que descrevem tais comportamentos. A associação de tais condições e fórmulas é a definição do modelo. Ao obter o modelo, é preciso simular e comparar os resultados do modelo matemático com os resultados do modelo real a fim de ajustar o modelo para melhor descrever a situação real. Por final, é testada a capacidade de predição do modelo para que novamente o modelo seja reajustado e tenha uma melhor capacidade de predição.
DATA PROCESSING
O termo pode ser classificado como um processo de conversão da extração bruta de dados para informações de melhor leitura (gráficos, tabelas, documentos, etc.) que possam ser utilizadas.
BACKTESTING
O backtesting consiste em verificar os resultados de uma estratégia de trading com base nos dados passados de um determinado ativo. O objetivo do backtesting é analisar os riscos e retornos da estratégia para que se tenha uma previsibilidade de como tal estratégia se comportará durante a execução dela no mercado.
Para aquela estratégia em que os resultados que forem positivos e o mercado real esteja em condições análogas ao backtest, normalmente a estratégia é colocada em execução para que de fato se confirmem os resultados.
Caso o resultado seja negativo ou as condições de mercado não estejam condizentes com o backtest, a estratégia pode ser ajustada ou até mesmo outra estratégia pode ser escolhida para realização de novos backtests.
Essa etapa é essencial para auxiliar os processos de decisões na gestão dos portfólios.
ALGORITHMIC TRADING
Algorithmic traging nada mais é que a execução automatizada de ordens de compra e venda de ativos através de computadores. Isso vai desde a execução de ordens de uma simples cesta de ativos através de uma planilha de excel ou estrutura interna do programa de execução mediante condições de mercado como preço, volume e derivações de tais informações (Ex. Indicadores técnicos) associados a uma estratégia.
Até mesmo informações mais avançadas obtidas através do BIG DATA sobre metereologia, reconhecimento facial, análises de textos e análises de fluxo de trânsito podem ser utilizadas para compra e venda de ativos em sistemas de trading mais complexos.
ARTIFICIAL INTELLIGENCE
Rigorosamente, podemos definir a inteligência artificial como uma subárea da ciência da computação que visa solucionar problemas que normalmente seriam solucionados por seres humanos, através do desenvolvimento de computadores. Na prática, podemos definir como técnicas algorítmicas avançadas para solucionar problemas complexos.
Reconhecimento de vozes, imagens, textos; manipulação robótica de objetos; atendimento virtual via chat e solução de diversos problemas de engenharia e matemática são dos alguns dos exemplos de utilização de inteligência artificial que já se tornou parte do cotidiano.
Reconhecimento de vozes, imagens, textos; manipulação robótica de objetos; atendimento virtual via chat e solução de diversos problemas de engenharia e matemática são alguns dos exemplos de utilização de inteligência artificial que já se tornou parte do cotidiano.
Mas como isso pode ser aplicado no Mercado Financeiro?
Existem das mais diversas aplicações possíveis no mercado financeiro, desde a concessão de crédito de uma financeira, seleção de ativos na gestão de portfólio, análises de risco até mesmo previsão de sinistros de uma seguradora. O leque de aplicabilidade é imensamente amplo.
MACHINE LEARNING
O que é isso?
Quantas vezes você já ouviu essa expressão e não entendeu ao certo o que isso significa e como de fato isso se aplica?
Para aqueles que não entenderam ou até aqueles que nunca ouviram. A expressão machine learning se refere a uma técnica computacional onde os algoritmos são construídos de tal forma que o seu comportamento se modifica automaticamente com base na sua própria experiência de execução. É um ramo da inteligência artificial baseado na ideia de que sistemas podem aprender com dados, identificar padrões e tomar decisões autônomas.
Ok. Mas na prática, o que isso significa?
Significa que de forma análoga a um algoritmo comum em que o seu comportamento nunca se modifica, ou seja, o programa obterá sempre as mesmas respostas para os mesmos padrões de entrada. O algoritmo que utiliza das técnicas de machine learning poderá obter respostas diferentes para as mesmas entradas a depender do estágio de seu treinamento.
Mas em que consiste esse treinamento? Como funciona?
A construção do processo se inicia no estabelecimento de regras básicas lógicas dentro do algoritmo que possibilitam que o algoritmo tome determinadas decisões para determinadas situações. Tais decisões são tomadas com base no padrão histórico dos dados.
DEEP LEARNING
O Deep Learning é uma subárea do Machine learning em que os algoritmos se organizam em forma de redes neurais, que se assemelham ao funcionamento dos neurônios no cérebro humano. Diferente do machine learning, no deep learning é necessário apenas a definição de parâmetros básicos sobres os dados para que seja realizado o treinamento e o computador possa aprender de forma automatizada por reconhecimento de padrões através das várias camadas de processamento de redes neurais.