Quando se trata de machine learning ou aprendizado de máquina para problemas complexos, como por exemplo os relacionados ao investimento no mercado de capitais, ou ainda no planejamento estratégico nas empresas, 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.
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.
