Lições do Mestre dos Robôs

[Rogerio Figurelli]

Boa tarde a todos,

Talvez você já se considere um mestre dos robôs, mas, seja como for, recomendo estudar alguns dos conselhos de Marco Lopez de Prado [1], especialmente se está buscando aplicar machine learning (ML) aos seus robôs, onde recomendo ler atentamente algumas de suas lições [2].

Acompanho a bastante tempo o trabalho de vários dos ícones de mercado, como Prado, principalmente na área de inteligência artificial, e sem dúvida esse crédito é merecido, e estamos tratando de um profissional de profundo conhecimento e expertise na área de finanças quantitativas, e onde encontro alinhamento de várias ideias, principalmente no que se refere ao pouco valor prático da grande maior parte de artigos de aplicações de aprendizado de máquina no mercado financeiro, por estarem dissociados da realidade e de maior comprovação prática e o fato de que ML, de uma forma ou outra, irá encontrar padrões, mesmo que não se comprovem ou gerem retorno no mundo real. Recomendo também, a todos, conhecerem as teorias e o combate ao overfitting proposto por Marcos, principalmente sua abordagem True Positive Technologies (TPT), que são brilhantes, e, o mais importante, apresentam reconhecido resultado de mercado na maioria dos grandes fundos quantitativos.

Mas, apesar disso, discordo em vários pontos do Mestre, principalmente relacionados a sua maior especialidade, que é o machine learning. Na verdade, quando entramos na área de inteligência artificial, principalmente de deep learning, estamos tratando de um campo aberto, onde as verdades mudam a todo o momento, principalmente quando aplicadas na área financeira e de incerteza e complexidade infinita do mercado de capitais.

Nesse sentido, apresento uma pequena contribuição de meus contrapontos sobre as reflexões do Mestre, para quem tiver interesse em debater.

- Quando afirma que o ML não deve ser considerado como uma caixa-preta, penso que esse é um paradigma que pode ser endereçado de forma específica no mercado financeiro, se segmentamos os problemas em pequenas partes, como proposto pela abordagem do Mestre. Mas a realidade é que o grande problema do ML é a falta de interpretabilidade de modelos que envolvem grande volume de variáveis de entrada, e, no meu entender, são justamente esses problemas as grandes evoluções dessa tecnologia e onde existem grandes oportunidades e ameaças para os traders, com descoberta de padrões que possam ser aprendidos pelas máquinas.

- Outro ponto relevante, que é pouco ou quase não tratado pelo Mestre, é a questão de causalidade, o que é muito natural em um mercado onde os principais ícones estão buscando por padrões estacionários. Mas a verdade é que o próprio ML se mostra cada vez mais em seu limite em termos de arquitetura cognitiva de fato, e esse é um dos pontos onde Yoshua Bengio, outro mestre, mas da Inteligência Artificial, vencedor do Prêmio Turing de 2018, que é uma espécie de Prêmio Nobel da computação, tem reconhecido e buscado trabalhar em seus últimos artigos [3]. Antes que você pense que, se fosse possível unir esses dois mestres para construção de um robô trader, os mercados estariam ameaçados, lembre que no mundo real, principalmente da IA, as verdades mudam a todo momento. Entretanto, a lógica de causalidade me parece fundamental na área de trading systems, e esse é um dos pontos que mais busco encontrar a verdade, e vejo a entrada de Bengio nessa evolução do ML como fundamental para sua credibilidade.

- Outra contribuição de contraponto ao Mestre é em relação aos grandes riscos do ML, a partir da reconhecida falta de causalidade que citei anteriormente, e, principalmente, à aplicação de deep learning sem um foco realmente de risco sistêmico, já que acredito que existem dois princípios que desafiam bastante suas lógicas de aplicação de ML, ou qualquer outro método sistêmico, no mercado: a lógica do cisne negro, de outro Mestre, Nicholas Taleb [5], que parece ter sido esquecida nos últimos anos após a grande Crise do Subprime, iniciada nos EUA em 2008, e, principalmente, a de O-Ring, que é um princípio econômico, proposto pelo economista Michael Kremer [6], da universidade de Harvard, e que afirma que uma coleção de tarefas de produção deve ser executada com sucesso, em conjunto, para que qualquer uma delas seja realmente de valor. Na verdade, vejo que esse brilhante princípio econômico de Kremer desafiam o ML e toda a IA aplicada às finanças, e até mesmo a brilhante abordagem de TPT, como, infelizmente, desafiaram os engenheiros do ônibus espacial Challenger, literalmente surpreendidos pela falha de um o-ring.

Nesse sentido, meu principal contraponto é que, na verdade, todo e qualquer sistema de modelagem de robôs por ML, principalmente por deep learning, irá possuir algum viés de alto risco, que, de uma forma ou outra, pode representar um risco sistêmico, que afetará todo os resultados até então, como tantas vezes vimos no passado, principalmente pela pressão de operação e resultados do mercado atual. 

Seja como for, estamos tratando de problemas de alta complexidade na área de Inteligência Artificial, e de ombros de gigantes, portanto recomendo a todos pisarem em ovos! 

Bom debate a todos.

Sds.,

Rogério Figurelli

---

Referências:

[1] The Master of Robots Left AQR. Now He’s Coming for Wall Street

https://www.bloomberg.com/news/articles/2019-10-09/the-master-of-robots-left-aqr-now-he-s-coming-for-wall-street

[2] Q&A on Financial Machine Learning (Course Materials)

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3459207

[3] A Meta-Transfer Objective for Learning to Disentangle Causal Mechanisms

https://arxiv.org/abs/1901.10912

[4] True Positive Technologies (TPT)

https://www.truepositive.com/

[5] Black swan theory

https://en.wikipedia.org/wiki/Black_swan_theory

[6] O-ring theory of economic development

https://en.wikipedia.org/wiki/O-ring_theory_of_economic_development