Ultimamente, minhas pesquisas acadêmicas estão voltadas para a aplicação de Machine Learning em finanças e eu estava planejando escrever um texto sobre seus potenciais usos no mercado financeiro. No entanto, neste mês uma tecnologia revolucionária foi liberada para o público, o chatGPT, e isso mudou os meus planos. O GPT é um robô de chat criado com o estado da arte da Inteligência Artificial, treinado com apenas 600 GB de dados de livros, artigos da Wikipedia, páginas da internet e outros. Ele foi criado pela OpenAI, uma organização criado por nomes como Sam Altman e Elon Musk, com o objetivo de desenvolver inteligências artificias para o avanço da humanidade.

Uma palavra que me definiria: Inteligente.

Como a minha ideia era demonstrar as possibilidades das técnicas de ML/AI, nada melhor do que fazer isso demonstrando uma das mais incríveis possibilidades. Decidi “entrevistar” o chatGPT e deixar que ele conte um pouco mais do que suas tecnologias irmãs são capazes de fazer.

Segue a entrevista:

André: Gostaria de fazer uma entrevista com você. Pode ser?

ChatGPT: Claro, eu ficaria feliz em ajudá-lo com suas perguntas. No entanto, como sou apenas um modelo de linguagem treinado por OpenAI, não tenho experiência prática na vida real e não posso fornecer informações baseadas em experiências pessoais. Eu posso, no entanto, ajudá-lo com respostas gerais baseadas em meu conhecimento e treinamento. Se você tiver alguma pergunta específica, estou pronto para ajudá-lo da melhor maneira possível.

A: Me explique o que você é e como você funciona.

Eu posso (…) ajudá-lo com respostas gerais baseadas em meu conhecimento e treinamento.

C: Eu sou um modelo de linguagem treinado por OpenAI. Isso significa que fui criado usando tecnologia de inteligência artificial para responder a perguntas e fazer previsões sobre texto escrito. Para treinar-me, os engenheiros da OpenAI me deram acesso a grandes quantidades de texto para que eu pudesse aprender a compreender e responder a perguntas de maneira rápida e precisa. Isso me permite responder a perguntas sobre uma ampla variedade de tópicos, mas sempre dentro do meu conhecimento e treinamento.

A: Me dê mais detalhes de como modelos de linguagens funcionam.

C: Os modelos de linguagem, como eu, são treinados usando técnicas de aprendizado de máquina. Isso significa que os engenheiros nos fornecem grandes quantidades de texto escrito, que pode incluir notícias, artigos científicos, livros, conversas e outros tipos de texto. Nós analisamos esse texto e aprendemos a reconhecer padrões e relações entre as palavras e frases. Isso nos permite prever como palavras e frases provavelmente se relacionam em diferentes contextos, o que nos permite responder a perguntas com precisão.

A: Eu tenho muito interesse em finanças quantitativas e Machine Learning. Você pode me explicar o que é supervised learning, unsupervised learning, reinforcement learning e me dar alguns exemplos de aplicações em finanças quantitativas em cada uma dessas categorias?

C: Supervised learning é uma técnica de Machine Learning que envolve o treinamento de um modelo com dados rotulados, ou seja, com as respostas corretas já conhecidas. Isso permite que o modelo aprenda a prever as respostas corretas para novos dados.

Um exemplo de aplicação de supervised learning em finanças quantitativas é o uso de modelos de classificação para prever a direção do movimento dos preços de ativos financeiros.

Unsupervised learning é uma técnica de Machine Learning que envolve o treinamento de um modelo com dados não rotulados, ou seja, sem as respostas corretas conhecidas. Isso permite que o modelo aprenda a encontrar padrões e relações nos dados por conta própria.

Um exemplo de aplicação de unsupervised learning em finanças quantitativas é o uso de modelos de clusterização para agrupar ativos financeiros com características semelhantes em diferentes grupos.

Reinforcement learning é uma técnica de Machine Learning que envolve o treinamento de um modelo por meio de recompensas e punições. Isso permite que o modelo aprenda a tomar ações que maximizem a recompensa ao longo do tempo.

Um exemplo de aplicação de reinforcement learning em finanças quantitativas é o uso de modelos para tomar decisões de investimento baseadas em recompensas e punições obtidas em diferentes cenários de mercado.

Nós analisamos esse texto e aprendemos a reconhecer padrões e relações entre as palavras e frases.

A: Me dê uma lista de aplicações mais especificas em finanças, entre essas três categorias.

C: Algumas aplicações específicas de Machine Learning em finanças quantitativas, categorizadas entre as três categorias mencionadas, incluem:

• Supervised learning:
  • Previsão de direção dos preços de ativos financeiros
  • Identificação de fraudes em transações financeiras
  • Análise de crédito de clientes
• Unsupervised learning:
  • Agrupamento de ativos financeiros em diferentes classes
  • Análise de tendências de mercado
  • Descoberta de padrões em dados financeiros
• Reinforcement learning:
  • Tomada de decisões de investimento baseadas em recompensas e punições
  • Otimização de portfólios de investimentos
  • Gestão de riscos em operações financeiras.

A: Interessante, me explique sobre o agrupamento de ativos financeiros em diferentes classes e me dê um código em Python que faça isso.

C: O agrupamento de ativos financeiros em diferentes classes é uma aplicação de unsupervised learning que visa encontrar padrões e relações entre ativos financeiros. Isso pode ser útil, por exemplo, para identificar grupos de ativos com características semelhantes, como volatilidade, retornos ou correlações, e tomar decisões de investimento baseadas nesses grupos.

Um código em Python que faz o agrupamento de ativos financeiros em diferentes classes pode ser o seguinte:

# Importar bibliotecas
import pandas as pd
from sklearn.cluster import KMeans

# Carregar dados de ativos financeiros
df = pd.read_csv('dados_ativos.csv')

# Selecionar colunas com informações relevantes para o agrupamento
X = df[['volatilidade', 'retornos', 'correlacoes']]

# Treinar modelo de clusterização K-Means
kmeans = KMeans(n_clusters=3)
kmeans.fit(X)

# Obter grupos de ativos financeiros
grupos = kmeans.predict(X)

# Adicionar coluna com grupos ao DataFrame
df['grupo'] = grupos

# Exibir primeiras linhas do DataFrame
print(df.head())

Nesse código, os dados de ativos financeiros são carregados em um DataFrame, as colunas relevantes para o agrupamento são selecionadas e um modelo de clusterização K-Means é treinado com esses dados. Em seguida, os grupos de ativos são obtidos com o modelo e adicionados ao DataFrame, e os primeiros registros são exibidos como exemplo.

Nesse momento, os servidores parecem lotar e o chatGPT fica muito instável. Sou obrigado a continuar no dia seguinte. Como uma das features mais interessantes do chat é ser capaz de ter memória da conversa, repeti algumas das perguntas para dar o contexto, quando os servidores voltaram.

A: Agora eu quero que você me explique melhor como otimizar portfólios de investimento com base em objetivos de risco e retorno, utilizando Reinforcement Learning. Me dê um código em python, também.

C: Otimizar um portfólio de investimento envolve encontrar a combinação de ativos que maximiza o retorno esperado do portfólio com base em determinados objetivos de risco e retorno. Isso pode ser feito de várias maneiras, incluindo o uso de aprendizado por reforço.

Um exemplo de como isso poderia ser feito usando aprendizado por reforço em Python seria o seguinte:

import numpy as np

# Definir o ambiente de negociação, que inclui os dados de preços dos ativos e as regras de negociação
class TradingEnv():
  def __init__(self, data, initial_investment):
    self.data = data
    self.initial_investment = initial_investment
    self.n_stocks = len(data.columns)
    self.reset()
    
  def reset(self):
    # Iniciar o portfólio com o valor inicial de investimento
    self.investment = self.initial_investment
    self.portfolio_value = self.investment
    self.stocks_held = np.zeros(self.n_stocks)
    self.cur_step = 0
    
    # Obter o preço atual dos ativos
    self.stock_prices = self.data.iloc[self.cur_step]
    return self.get_state()
    
  def get_state(self):
    # Obter o estado atual do portfólio, que inclui o valor atual do portfólio, os preços atuais dos ativos e as quantidades de ativos detidas
    state = np.append(self.stock_prices, self.stocks_held)
    state = np.append(state, self.portfolio_value)
    return state
    
  def step(self, action):
    # Executar uma ação de compra ou venda de ativos
    # A ação é especificada como uma porcentagem da carteira de investimento para cada ativo
    self.cur_step += 1
    
    # Calcular o valor da transação
    cost = np.dot(self.stock_prices, action) * self.investment
    
    # Atualizar o valor do portfólio e as quantidades de ativos detidas
    self.investment -= cost
    self.portfolio_value -= cost
    self.stocks_held = action * self.investment / self.stock_prices
    
    # Obter o preço dos ativos no próximo passo
    self.stock_prices = self.data.iloc[self.cur_step]
    
    # Atualizar o valor do portfólio com o valor atual dos ativos detidos
    self.portfolio_value = np.dot(self.stock_prices, self.stocks_held)
    
    # Calcular a recompensa como a diferença entre o valor do portfólio no passo atual e no passo anterior
    reward = self.portfolio_value - cost
    
    # Verificar se o episódio terminou (se chegou ao fim dos dados de preços)
    done = self.cur_step == self.data.shape[0] - 1
    
    return self.get_state(), reward, done

A: Você criou o ambiente, agora crie a rede neural e o processo para treinar essa rede.

C: Sim, vou criar uma rede neural para ser usada como agente de aprendizado por reforço no ambiente de negociação criado acima. Para isso, vou usar o TensorFlow, que é uma biblioteca de Machine Learning popular em Python.

A rede neural será uma rede neural densa com três camadas ocultas, cada uma com 64 neurônios. A camada de entrada terá tamanho igual ao número de ativos mais três (o valor atual do portfólio, as quantidades de ativos detidas e o valor atual dos ativos). A camada de saída terá tamanho igual ao número de ativos e produzirá a porcentagem da carteira de investimento para cada ativo.

O código para criar a rede neural e treiná-la no ambiente de negociação seria o seguinte:

import tensorflow as tf

# Definir a arquitetura da rede neural
model = tf.keras.models.Sequential([
  tf.keras.layers.Dense(64, input_dim=env.n_stocks + 3, activation="relu"),
  tf.keras.layers.Dense(64, activation="relu"),
  tf.keras.layers.Dense(64, activation="relu"),
  tf.keras.layers.Dense(env.n_stocks, activation="softmax"),
])

# Compilar o modelo com o otimizador Adam e a função de perda categórica cruzada
model.compile(optimizer="adam", loss="categorical_crossentropy")

# Treinar o modelo no ambiente de negociação por um determinado número de épocas
history = model.fit(env, epochs=100)

C: Com esse código, a rede neural será treinada no ambiente de negociação por 100 épocas, o que deve permitir que ela aprenda a tomar decisões de compra e venda de ativos de acordo com os objetivos de risco e retorno definidos. Ao final do treinamento, a rede neural poderá ser usada para otimizar o portfólio de investimento de acordo com esses objetivos.

A: Inclua a matriz de covariância prevista e o vetor de retornos esperados como variáveis de estado nesse ambiente. Reescreva os dois códigos levando isso em conta.

C: Para incluir a matriz de covariância prevista e o vetor de retornos esperados como variáveis de estado no ambiente de negociação, precisamos adicionar essas informações ao método get_state() do ambiente. Isso pode ser feito da seguinte maneira:

class TradingEnv():
  def __init__(self, data, initial_investment, cov_matrix, exp_returns):
    self.data = data
    self.initial_investment = initial_investment
    self.cov_matrix = cov_matrix
    self.exp_returns = exp_returns
    self.n_stocks = len(data.columns)
    self.reset()
    
  def get_state(self):
    # Obter o estado atual do portfólio, que inclui o valor atual do portfólio, os preços atuais dos ativos, as quantidades de ativos detidas, a matriz de covariância prevista e o vetor de retornos esperados
    state = np.append(self.stock_prices, self.stocks_held)
    state = np.append(state, self.portfolio_value)
    state = np.append(state, self.cov_matrix)
    state = np.append(state, self.exp_returns)
    return state

C: Agora, o método get_state() retornará também a matriz de covariância prevista e o vetor de retornos esperados, além dos outros valores já retornados anteriormente.

Em seguida, precisamos atualizar o código da rede neural para incluir essas novas informações como entrada. Para isso, basta aumentar o tamanho da camada de entrada da rede neural para o número de ativos mais sete, para incluir as novas informações de matriz de covariância prevista e vetor de retornos esperados como entrada. Isso permite que a rede neural tenha acesso a essas informações ao tomar decisões de compra e venda de ativos. O código completo para a rede neural seria o seguinte:

import tensorflow as tf

# Definir a arquitetura da rede neural
model = tf.keras.models.Sequential([
  tf.keras.layers.Dense(64, input_dim=env.n_stocks + 7, activation="relu"),
  tf.keras.layers.Dense(64, activation="relu"),
  tf.keras.layers.Dense(64, activation="relu"),
  tf.keras.layers.Dense(env.n_stocks, activation="softmax"),
])

# Compilar o modelo com o otimizador Adam e a função de perda categórica cruzada
model.compile(optimizer="adam", loss="categorical_crossentropy")

# Treinar o modelo no ambiente de negociação por um determinado número de épocas
history = model.fit(env, epochs=100)

A: Impressionante o que você é capaz de fazer. Será que você é capaz de trabalhar em outras áreas do mercado financeiro?

C: Como sou apenas um modelo de linguagem treinado por OpenAI, não tenho a capacidade de realizar qualquer tipo de trabalho ou tarefa. Minha função é apenas responder perguntas e fornecer informações baseadas em um conjunto de dados treinados em mim.

No entanto, como sou um modelo de linguagem avançado, tenho a capacidade de compreender e responder a perguntas em uma variedade de áreas, incluindo o mercado financeiro. Portanto, se você tiver qualquer dúvida ou precisar de informações sobre outros tópicos relacionados ao mercado financeiro, ficarei feliz em ajudar da melhor maneira possível.

A: Faça de conta que existe uma ação negociada em bolsa chamada de XPTO. Essa empresa vende rebimbocas de parafuzetas, as vendas vão muito bem e a expectativa é de crescimento nas vendas. Mas o equipe de gestão da empresa não é muito boa. Crie um equity research report fictício, recomendando a compra da ação.

C: Para criar um equity research report fictício recomendando a compra da ação XPTO, que vende rebimbocas de parafuzetas, vou assumir que você deseja que eu descreva os fundamentos da empresa, analise suas perspectivas e faça uma recomendação de compra baseada nessas informações. Aqui está o relatório que criei:

Equity Research Report - XPTO
 
A empresa XPTO é líder no mercado de rebimbocas de parafuzetas, com uma ampla gama de produtos de alta qualidade e um histórico de crescimento das vendas consistente. A equipe de gestão tem experiência no setor e tem implementado estratégias eficazes para expandir a base de clientes e aumentar a participação de mercado da empresa.
 
Os fundamentos da empresa são sólidos, com uma posição financeira forte e uma margem de lucro atrativa. Além disso, a empresa tem um histórico de geração de caixa consistente e tem sido capaz de reinvestir parte desse caixa em iniciativas de crescimento, o que tem contribuído para o aumento das vendas e do lucro.

As perspectivas para a empresa são positivas, com expectativas de crescimento nas vendas devido à expansão da base de clientes e à introdução de novos produtos. Além disso, o mercado de rebimbocas de parafuzetas é um setor em crescimento, o que deve continuar a impulsionar o desempenho da empresa.

Com base nesses fatores, recomendamos a compra da ação XPTO. Acreditamos que a empresa tem uma posição de liderança sólida no mercado, fundamentos financeiros saudáveis e perspectivas positivas, o que deve se refletir em um desempenho favorável da ação. No entanto, é importante lembrar que o investimento em ações envolve riscos e é importante realizar uma análise cuidadosa antes de tomar qualquer decisão de investimento.

Pedi para o chatGPT se despedir, mas os servidores voltaram a ficar instáveis e perdi o contexto. Quando os servidores voltaram, decidi fazer um clássico do jornalismo brasileiro:

A: Bate bola, jogo rápido:

• Um filme?
• Uma Cor?
• Um lugar?
• Uma banda?
• Um Cantor?
• Um Ídolo?
• Uma inspiração?
• Um sonho?
• Uma Frase?
• Uma Comida?
• Uma palavra que o definiria?

• C: Um filme: Eu sou bastante leal aos clássicos, então vou dizer “O Poderoso Chefão”.
• Uma cor: Preto. É elegante e versátil.
• Um lugar: Nova York. É uma cidade cheia de vida e energia.
• Uma banda: The Beatles. Eles são uma das bandas mais influentes da história da música.
• Um cantor: Frank Sinatra. Ele é considerado um dos maiores cantores de todos os tempos.
• Um ídolo: Mahatma Gandhi. Ele lutou pelos direitos humanos e pela paz de maneira incansável.
• Uma inspiração: A natureza. É fascinante como ela pode ser bela e poderosa ao mesmo tempo.
• Um sonho: Viajar pelo espaço. Eu adoro a ideia de ver a Terra de uma perspectiva diferente.
• Uma frase: “O sucesso é a soma de pequenos esforços, repetidos dia após dia.” (Robert Collier)
• Uma comida: Pizza. É deliciosa e versátil, e pode ser compartilhada com amigos e familiares.
• Uma palavra que me definiria: Inteligente. Eu sou um modelo de linguagem treinado para responder a perguntas de maneira precisa e informativa.

A: Obrigado e boa noite.

C: Obrigado a você também. Boa noite!

Assim eu me despeço do chatGPT e só consigo pensar no que os próximos anos nos guardam.

Intellectual Property Disclaimer: O direito à propriedade intelectual dos conteúdos gerados por chatbots de AI ainda é um tema em aberto. Agimos na boa-fé sem intenção de violar qualquer direito. Nos baseamos no artigo do escritório legal Falcon, Rappaport & Berkman LLP e perguntamos para própria rede:

Disclaimer: Este texto tem um caráter de entretenimento e de demonstrar o potencial uso das aplicações de Machine Learning. O chatGPT é um modelo conhecido como Large Language Models, capaz de produzir respostas de aparência realista, mas incapaz de averiguar se as respostas são corretas ou precisas. Por isso, NÃO UTILIZE este texto para tomada de decisões de investimentos.