Machine Learning no Mercado de Capitais: Descobrindo com os robôs as verdades dos mercados

Quando se trata de machine learning ou aprendizado de máquina no mercado de capitais, é bom lembrar que o aprendizado – pelo menos nos modelos baseados em mercados regulados e com competição justa – será essencialmente baseado em dados do passado, ou seja, nossa amostra de testes e validação das previsões hipotéticas.
Dessa forma, me parece mais apropriado ficar com os pés no chão e considerar que o mercado poderá apresentar um comportamento futuro totalmente dissociado do passado, e, principalmente, de qualquer aprendizado obtido nele.
Mas se o futuro pode ser muito diferente do passado, será que uma rede regular não pode ser mais eficaz que uma convolucional, com realimentações, para enfrentar as incertezas de mercado?
A verdade é que não existe uma resposta correta para todos os instrumentos financeiros e mercados, já que nem mesmo existe alguma lógica confirmada que a aplicação de machine learning no mercado possa ser mais eficiente que a própria análise de gestores humanos.
Dessa forma, minha recomendação é projetar redes sem paradigmas, onde a realimentação seja apenas uma opção a mais de aprendizado.
Evidentemente que tudo seria mais fácil se o problema central do mercado fosse encontrar padrões no passado. Não que isso também não seja válido, pelo menos em determinados cenários e instrumentos financeiros, mas a alta competitividade dos gestores e demais players, com sofisticados níveis de informação analógica e digital, torna as coisas bem mais complexas.
Ou seja, aplicar aprendizado de máquina ou machine learning para classificação desses eventos óbvios pode ser útil em muitas aplicações corporativas, mas não no mercado.
Na verdade, enfrentamos um cobertor curto para a adoção do aprendizado de máquina nos mercados, pois a parte fácil do aprendizado é pouco realista, e a parte difícil pode exigir redes de deep learning complexas e de difícil ajuste.
E esse sem dúvida é um nível de complexidade que os robôs podem ajudar a enfrentar, como veremos nesse livro.

Veja mais em: https://www.amazon.com.br/dp/B072F2W6ZQ/ref=sr_1_1?s=digital-text&ie=UTF8&qid=1493823948&sr=1-1

Anúncios

Trades Invisíveis: Como os robôs lucram com oportunidades invisíveis para a maioria dos traders

“Não existe nenhuma inteligência operacional maior que o próprio mercado, com infinitas oportunidades, pois concentra todas as inteligências de todos traders e investidores, humanos e robôs, e por muitos anos. E faz isso agregando todos os novos movimentos, tick a tick, linha a linha do book e do fluxo de ordens, de todos os instrumentos financeiros existentes. Entretanto, a complexidade, os riscos e as oportunidades crescem exponencialmente quando migramos de traders discricionários para algotraders, que são os traders que operam com algoritmos e robôs traders, pois agora a frequência de operação e sua qualidade dependem apenas de um sistema automático. E você verá, utilizando cada vez mais os robôs para operar no mercado, que o automático está evoluindo cada vez mais para o autônomo, que é um efeito cuja principal causa é a evolução da tecnologia de aprendizado de máquina profundo – deep learning – e de todas demais áreas de inteligência artificial. Ou seja, autonomia na busca de oportunidades invisíveis.
Mas antes que você imagine, pelo título do livro, que é possível, literalmente, operar sem encaminhar ordens para o mercado, ou outra coisa qualquer nesse sentido, note que essa é apenas uma metáfora, no sentido que oportunidades invisíveis podem gerar vantagem competitiva. Em outras palavra, operações onde, para a maioria dos traders pelo menos, não existe uma visão suficientemente clara como a que os robôs estão percebendo, através da dedução de alguma lógica ou padrão de comportamento de forma antecipada.
Os trades invisíveis são, portanto, uma realidade para os algotraders e o resultado de uma percepção avançada de oportunidades invisíveis, através do uso de robôs para identificação delas, uma vez que, de forma discricionária, seriam dificilmente visíveis, pelas mais variadas limitações dos traders para isso.
E antes que você pense que esse tipo de oportunidade e trade existe apenas no universo da alta frequência, com análises em tempos muito curtos, irei apresentar outras lógicas que podem conduzir a um grau de inteligência de mercado de alta complexidade para traders discricionários, utilizado um conceito que defino de Big Brain, onde mesmo em baixa frequência as máquinas podem produzir informações relevantes para a tomada de decisão de operação, de forma absolutamente legal.”

Veja mais em: https://www.amazon.com.br/dp/B01N9OJ5JD/ref=sr_1_1?s=digital-text&ie=UTF8&qid=1483627529&sr=1-1

A estratégia do acaso planejado: Programando a sorte em robôs traders e scalpers

Mesmo que você considere o mercado como uma competição de soma zero, onde sempre existe um ganhador e um perdedor, o que não é exatamente a realidade, pois no mínimo existem custos que podem ser relevantes para operar, levando a competição para uma soma negativa, ainda assim não existe uma forma de controlar situações de rebaixamento ou drawdown. Na verdade penso que toda estratégia irá mais cedo ou mais tarde enfrentar um rebaixamento em sua curva de capital. A diferença das boas estratégias e setups está justamente na capacidade de recuperação, em boa parte medido nos trading systems pelo fator de recuperação da estratégia.
Acredito que ter a consciência clara de que não existe uma solução determinística para operação, ainda mais sistêmica e automática, nos permite focar no real problema de tecnologia, que é encontrar métodos ou heurísticas que possam ser traduzidas em algoritmos que busquem minimizar o problema e serem suficientemente mais competitivas para geração de retorno, de preferência acima da média de mercado e consistentes.
Nesse livro, irei apresentar uma estratégia que desenvolvi e que será estudada utilizando um robô trader, que também pode atuar como scalper, especificamente para isso, que chamo de Estratégia do Acaso Planejado, baseada na junção de duas classes de algoritmos, com e sem aprendizado. Esses algoritmos são utilizados em outras áreas de conhecimento, como Monte Carlo e Fractais, esses sem aprendizado mas ainda bastante utilizados em robôs ou programas de jogos e inteligência de máquina, e as tecnologias mais recentes como o Deep Learning para permitir o aprendizado de padrões de mercado, onde estaremos focando em alguns tipos de análise, como entropia e risco.
A novidade aqui, portanto, está na união de forças de algoritmos com e sem aprendizado para identificar e enfrentar mercados caóticos.

Veja mais em: https://www.amazon.com.br/dp/B01N7OZFUI/ref=sr_1_1?s=digital-text&ie=UTF8&qid=1483618473&sr=1-1

Robôs HFT: Estudos de operação em alta frequência com Inteligência Artificial (Trajecta HFT Livro 1)

Os robôs de alta frequência, ou High Frequency Trading, também conhecidos no mercado internacional apenas por HFT, são hoje uma das grandes incertezas do mercado financeiro e de capitais, pelas grandes oportunidades e riscos demandados, principalmente pela grande capacidade de processamento e mínima latência desses sistemas, no estado da arte das mais variadas tecnologias.
A ideia dessa série de livros com estudos sobre esse tipo de robôs é buscar desvendar um pouco o potencial desses sistemas, com a força da detecção de padrões das redes neurais profundas, e com várias estratégias operando em paralelo executando vários trades por minuto, apresentando algumas das tecnologias que desenvolvo para isso, que estão disponíveis principalmente para empresas, mas que também podem ser cada vez mais viáveis para algotraders, como estarei analisando e apresentando formas para isso.
Como é natural nesse tipo de robô, nosso foco será essencialmente em instrumentos financeiros de alta liquidez e alta volatilidade, começando pelo mercado futuro da BMF&Bovespa, e explorando futuramente, em outros livros da série, diferentes mercados, como o Forex e seus pares de moedas mais relevantes, ou majors.
Assim como exploramos e investimos em tecnologia espacial ao mesmo tempo que a nanotecnologia, acredito que os algotraders devem da mesma forma estudar todas essas camadas e buscar as oportunidades mais alinhadas com seu perfil operacional. E minha contribuição para isso será no estudo de todos os tipos de robôs para o Mercado Financeiro e de Capitais, sem exceção, como tenho feito com uma série de livros na área, sendo que com essa nova série de Robôs HFT completamos todas as camadas existentes atualmente. A frequência e a diversificação de mercado não apresenta limites tecnológicos, portanto é esperado que os robôs sejam cada vez mais rápidos e diversificados, atuando com os mais variados tipos de instrumentos financeiros e mercados mundiais.
Os robôs e lógicas que estaremos estudando nessa série de livros são desenvolvidos para construção de laboratórios de alta frequência, que buscam os limites operacionais de execução de ordens e a otimização da relação custo x benefício, o que dependerá também dos custos de cada cliente para isso. Dessa forma, nos estudos e resultados estarei apresentando dois tipos de custos: o maior, que seria o relacionado à máxima corretagem aceita para operacionalizar a tecnologia e o menor, que seria o valor ideal para aumentar as chances de resultado em padrões similares a outros tipos de robôs traders, com um número menor de ordens executadas.
A ideia desse livro ser uma série é que justamente os Robôs HFT estão no limite máximo de capacidade das plataformas de algoritmos, e portanto, a cada livro muitas evoluções de tecnologia podem acontecer, principalmente em dois pontos que considero os mais relevantes da tecnologia de robôs de alta frequência para o Mercado de Capitais, que são a hipótese da volatilidade ativa e a arbitragem de latência, que serão analisadas nos estudos apresentados.

Veja mais em: https://www.amazon.com.br/dp/B01N4I5RNU/ref=sr_1_1?s=digital-text&ie=UTF8&qid=1482859762&sr=1-1

StopLoss com Inteligência Artificial: Estratégias de ajuste de perda máxima de posições usando robôs inteligentes

Quando abrimos uma posição em algum mercado, seja comprada ou vendida, utilizando algum instrumento financeiro qualquer, estamos nos baseando em uma série de expectativas sobre os movimentos futuros dos preços, embora tudo seja especulação, pois, em renda variável, nada podemos garantir sobre eles.
Mesmo se você estiver operando com arbitragem estatística, com abertura de outro instrumento de comportamento similar ao anterior, porém com uma posição contrária, ainda assim existirão os riscos de os movimentos serem justamente contrários às expectativas, dobrando o prejuízo.
Na verdade, a única variável que temos controle, a partir da abertura da posição, ou das posições, no caso da arbitragem ou de uma carteira de ativos, é minimizar nossa perda ou realizar nosso lucro, ou seja, encerrar a posição.
Mas encerrar uma posição em um momento de perda é sempre uma decisão de alta complexidade, pois, além dos aspectos emocionais, que passam a pressionar o trader para uma tomada de decisão, e os custos envolvidos, existe o risco de justamente após a posição ser finalizada o mercado se mover justamente a favor da antiga posição, o que causa uma frustração e sensação de perda ainda maior e erro de decisão.
Afinal, uma coisa é aceitar uma perda no mercado variável por falha da estratégia, que se posicionou de forma errada, e outra coisa é ter que aceitar uma perda por ansiedade ou erro de decisão de parada, que afetou a decisão da própria estratégia original.
Uma forma de buscar diminuir os riscos de erro dessa decisão, e que trataremos nesse livro, é fazer a gestão do StopLoss, ou encerramento de uma posição por perda, utilizando inteligência artificial, aproveitando a tecnologia de robôs traders e investidores existente nas plataformas de algoritmos.
No meu entender, a vantagem dessa abordagem é abstrair as questões emocionais com a confiança em um sistema mais inteligente, talvez até mesmo que nossa decisão discricionária, que não irá levar em conta o número necessário e suficiente de variáveis para a tomada de decisão. E essa é uma abordagem que utilizo a bastante tempo em meus robôs traders, mas que exige alguns cuidados de treinamento e aprendizado do mercado, pelas redes neurais artificiais, como veremos com mais detalhes, para ser mais eficaz, principalmente com as diversas evoluções existentes no mercado, que exigem uma modelagem mais eficiente das questões relacionadas ao StopLoss.
Evidentemente que essa será apenas mais uma abordagem de análise, uma vez que não há como garantir que a tecnologia em si seja mais eficiente que outras abordagens.
Mas, em um mercado complexo como o atual, penso que é justamente a análise e teste de várias ideias que pode conduzir a melhores soluções, dentro de nossas próprias convicções.

Veja mais em: https://www.amazon.com.br/StopLoss-com-Intelig%C3%AAncia-Artificial-inteligentes-ebook/dp/B01N9G6RMO/ref=sr_1_11?s=digital-text&ie=UTF8&qid=1481572749&sr=1-11