Machine Learning em Finanças: prever é muito difícil

Machine Learning é algo antigo que é usado desde os anos 1980 no mercado financeiro. Apesar de toda evolução dos algoritmos nos últimos anos, a capacidade de previsão dessas ferramanentas é muita pequena.

Em suma: os mercados financeiros são inerentemente imprevisíveis. Existem vários motivos pelos quais é tão difícil prever. O engenheiro indiano Hardik Patel , que trabalha no Google e foi chefe num fundo quantitativo em nova york, destaca os principais motivos que dificultam isso.


1 º Distribuição dos dados: O futuro é  distinto do passado. Esse é um problema comum quando se trata de aplicar o aprendizado de máquina a problemas do mundo real. Além de garantir que os conjuntos de teste e treino tenham distribuições semelhantes, também é preciso garantir que o modelo treinado seja usado apenas quando os dados futuros estiverem em conformidade com a distribuição do treinamento / validação.

2 º Amostra dos dados  pequena: quando o conjunto de dados é bem pequeno, como no caso de estatísticas de desemprego fica bem difícil fazer previsões.

3 º Previsão em finanças é algo bem complexo: muitas coisas afetam os preços em diferentes escalas:

a) Em intervalos de alta frequência, o preço dos ativos é afetado pelos algoritmos de negociação;

b) Os preços de abertura e fechamento têm seus próprios padrões - tanto em ações quanto em futuros

c) Notícias e rumores são as forças motrizes quando se trata de horizontes de vários dias. Notícias específicas da empresa podem acontecer a qualquer momento sem aviso prévio. No entanto, a linha do tempo para alguns eventos é conhecida de antemão. O cronograma de resultados da empresa, bem como o calendário de dados econômicos, são conhecidos de antemão.

d) Valuation e os ciclos econômicos são importantes quando se trata de mudanças de preços em faixas de vários anos.

4º Outros problemas:

a) Previsões financeiras têm baixa acurácia;
b) Há muito ruído nos dados;
c)Dados financeiros têm sazonalidade;
d) Há eventos que nunca foram vistos pela máquina; os dados financeiros podem conter eventos totalmente diferentes do que estava disponível durante o treinamento do modelo.
e) um conjunto de dados financeiros pode consistir em preços de frequência mais altos, bem como dados econômicos de menor frequência.