Inteligência Artificial nas Finanças

Parte III. Ineficiências estatísticas

"Há padrões no mercado", disse Simons a um colega. "Sei que os podemos encontrar."¹

Gregory Zuckerman (2019)

O principal objetivo desta parte é aplicar as redes neurais e a aprendizagem por reforço para descobrir ineficiências estatísticas nos mercados financeiros (dados). Uma ineficiência estatística, para efeitos deste livro, verifica-se quando um preditor (um modelo ou algoritmo em geral ou uma rede neuronal em particular) prevê os mercados de forma significativamente melhor do que um preditor aleatório que atribui igual probabilidade a movimentos ascendentes e descendentes. Num contexto de negociação algorítmica, dispor de um tal preditor é um pré-requisito para a geração de alfa ou de retornos acima do mercado.

Esta parte é composta por três capítulos que fornecem mais informações, detalhes e exemplos relacionados com as redes neurais densas (DNN), as redes neurais recorrentes (RNN) e a aprendizagem por reforço (RL):

• O Capítulo 7 aborda as DNNs com mais pormenor e aplica-as ao problema da previsão da direção dos movimentos do mercado financeiro. Os dados históricos são utilizados para gerar dados de caraterísticas desfasadas e para gerar dados de etiquetas binárias. Estes conjuntos de dados são depois utilizados para treinar DNNs através de aprendizagem supervisionada. O objetivo é identificar ineficiências estatísticas nos mercados financeiros. Em alguns dos exemplos, a DNN atinge uma precisão de previsão fora da amostra superior ...