Por Paulo Boghosian*    

Trazendo uma abordagem inovadora para o mundo dos investimentos, os fundos de investimentos quantitativos se baseiam na ciência de dados e na matemática aliadas à tecnologia para tomar decisões objetivas e eficazes. Sua capacidade de análise em grande escala e de reação rápida aos eventos do mercado os coloca como uma escolha atraente para muitos investidores.

A gestão quantitativa está na vanguarda da inovação no setor financeiro e, com a combinação certa de técnicas avançadas, dados e expertise, o futuro é promissor e repleto de oportunidades inexploradas. Conhecer a trajetória tecnológica e o embasamento científico por trás destes fundos ajuda o investidor a entender por que eles têm se mostrado uma alternativa lucrativa de investimento.

O que são fundos quantitativos?
A área de gestão quantitativa está enraizada em modelos matemáticos e métodos estatísticos constantemente atualizados e desenvolvidos para aumentar o seu poder de previsão. Cientistas, matemáticos, físicos e engenheiros são alguns dos profissionais que atuam hoje como gestores quantitativos ou “quants”, como também são conhecidos.

Eles utilizam quantidades gigantescas de informação e infraestruturas complexas de software para buscar padrões no mercado que os auxiliem a predizer o futuro de certos dados, dentro de um intervalo de confiança estipulado.

Essa predição consiste em prever não somente o preço de uma ação ou de um ativo, mas também qualquer dado ou variável de relevância para o mercado. É possível prever dados de fundamento meses antes do release de resultados de uma empresa; prever indicadores macroeconômicos; prever resultados de processos de relevância para empresas de capital aberto; ou predizer ainda dados mais alternativos ao mercado tradicional, como a chuva em certas regiões agrícolas ou a movimentação de pessoas em lojas físicas de algum varejista.

Origem dos fundos quantitativos
Ainda em 2010, a integração da aprendizagem automática (conhecida em inglês como Machine Learning, um subconjunto do campo de IA) aos modelos tradicionais de investimentos fez surgir uma nova tendência. Técnicas como regressões lineares e logísticas, que podem ser aplicadas dentro da área da aprendizagem automática são os pilares dos fundos quantitativos.

Muitos modelos começaram com formas lineares simples para prever preços de ativos ou categorizar tendências de mercado. Enquanto outras técnicas, como SVMs, árvores de decisão e florestas aleatórias foram adotadas para segmentar e identificar padrões complexos nos mercados financeiros, oferecendo também uma representação gráfica que facilita a interpretação.

Além disso, os métodos de agrupamento, os famosos Clustering Algorithms, são capazes de gerar insights e apresentar padrões de similaridade entre dados de larga escala muito rapidamente, um trabalho que poderiam levar dias ou semanas se fosse realizado por humanos, que muitas das vezes são os responsáveis pela tarefa de segmentar ativos semelhantes, clientes ou padrões de comportamento de mercado.

IA e fundos quantitativos
Atualmente, as técnicas desenvolvidas na área da inteligência artificial estão sendo adaptadas e aplicadas para diversos outros campos do conhecimento. Desde medicina, passando pelo campo jurídico, até os campos de gestão empresarial e de recursos humanos: todas as áreas estão encontrando aplicações para técnicas de IA.

Isso acontece na esfera acadêmica também, com diversas novas áreas de estudos sendo formadas a partir da esfera da IA. Este crescimento nos últimos anos foi tão expressivo que ganhou o nome de “Primavera da Inteligência Artificial”, marcada principalmente pelos avanços na área de aprendizado profundo, conhecida popularmente como Deep Learning.

As estruturas do aprendizado profundo são compostas por redes neurais que possuem capacidade para processar conjuntos de dados de grande dimensão. Neste sentido, diferentes técnicas de IA foram aplicadas ao campo da gestão quantitativa na última década. Técnicas de redes neurais recorrentes tornaram-se fundamentais na otimização de estratégias.

Técnicas de aprendizado por reforço passaram a ser estudadas para simulações de seleção de ativos. As estruturas de aprendizado começaram a ser utilizadas para a geração de novos datasets e, mais recentemente, até as LLMs (Large Language Models, sistemas de IA que usam algoritmos para reconhecer, resumir e criar linguagem humana em conversas, como o ChatGPT, por exemplo) passaram a auxiliar gestores e analistas.

No campo da modelagem de risco, que está completamente ligado à atividade de gestão dos fundos quantitativos, algoritmos de aprendizagem não supervisionada foram empregados para gerar perfis de risco mais abrangentes, analisando fatores multivariados muitas vezes não cobertos na literatura tradicional.

Desafios no cenário da IA para os fundos quantitativos
A recente expansão da IA também trouxe novos desafios. O principal deles começa pela própria natureza do mercado, que pode ser resumido como consistentemente inconsistente. Ou seja, ativos e, por consequência, seus dados e suas séries temporais, tendem a ser dinâmicos e estocásticos, com períodos de tendência seguidos por períodos de altas e baixas de volatilidade não previstos (os famosos Black Swans) e quebras de paradigmas.

Isso dificulta muito a identificação de padrões e a capacidade de discernir os padrões reais, que se tornam lucrativos, dos padrões espúrios. Na área dos fundos quantitativos, este problema influencia os algoritmos, mostrando performance inflacionada em backtests, que são as simulações usadas por gestores para averiguar a qualidade de uma estratégia, apresentando retornos reduzidos.

Um segundo desafio trazido pelos novos modelos de IA é a sua interpretabilidade. Afinal, por mais convidativa que seja a natureza de caixa preta dos modelos mais elaborados e dos que apresentam os melhores backtests, é importante que os gestores sejam capazes de interpretar o que ocorre por baixo do capô. Essencial não somente para o entendimento do dia a dia da gestão das máquinas, mas também para atender às exigências regulatórias e ser capaz de antecipar riscos que podem estar ocultos nos backtests.

Soluções e possibilidades para quem deseja investir em fundos quantitativos
Com o avanço contínuo da tecnologia e da pesquisa surgem múltiplas soluções e inovações. Pesquisas recentes têm buscado tornar transparentes as decisões tomadas pelos modelos de IA, oferecendo explicações tanto matemáticas quanto intuitivas para os resultados obtidos.

Novas ferramentas de backtesting estão surgindo para minimizar o risco de overfitting, e a crescente disponibilidade de dados promete trazer ainda mais segurança e precisão aos resultados. Além disso, a emergência de novas fontes de dados, como geolocalização e LLMs, está expandindo os horizontes da área quantitativa.

O que era impensável uma década atrás, como usar dados de geolocalização para prever receitas de lojas de varejo ou usar LLMs para sintetizar e extrair informações de comunicados empresariais e sites de notícias, agora não apenas é discutido, mas também é respaldado por publicações em revistas científicas, repositórios open-source dedicados e provedores de dados especializados para aplicações no mundo financeiro. Com o tempo, essas tecnologias deverão ganhar cada vez mais espaço e protagonismo no mercado financeiro.

*Paulo Boghosian é  diretor executivo da TC Pandhora Investimentos