Copiloto, e não piloto automático: Como a IA generativa aumenta, mas não substitui o gerenciamento ativo

A inteligência artificial (IA) geralmente é definida como máquinas que imitam as funções cognitivas do cérebro humano. Em alguns casos, como no jogo de damas, em que as regras são simples, essa é uma tarefa relativamente simples.​ Na realidade, esse foi um dos primeiros casos de uso de IA criado por Arthur Lee Samuel em 1952.¹ No entanto, a dificuldade aumenta exponencialmente conforme cada nível de complexidade. Foi só em 1997 que Gary Kasparov perdeu uma partida completa para o Deep Blue.² Demorou quase mais duas décadas, mesmo com todos os avanços exponenciais da computação ao longo desse tempo, para que o AlphaGo vencesse o grão-mestre do Go, Lee Sedol, em 2016.³ Assim, embora os avanços na IA, incluindo os que discutiremos neste artigo, estejam expandindo a capacidade cognitiva coletiva do planeta, é prematuro se preocupar com os robôs super inteligentes ou mesmo temer que eles substituam totalmente muitos profissionais da área de conhecimento, como os profissionais de investimento.

No entanto, com o surgimento de modelos de linguagem de grande escala (LLMs), que são algoritmos de aprendizado profundo treinados em conjuntos de dados gigantescos, a saída da IA pode variar de resumos concisos a insights detalhados. O que pode vir à mente em primeiro lugar é o GPT-3 da OpenAI, do qual o ChatGPT é o resultado.⁴ O GPT-3 foi treinado em praticamente toda a internet e quase todos os livros.⁵ Isso deu à sua rede neural 175 bilhões de parâmetros,⁶ que ele utiliza para opinar sobre tópicos que vão desde os mais banais até os mais sublimes. Com terabytes de dados de treinamento, poder computacional amplificado por computação distribuída e um pouco da velha engenhosidade humana, as aplicações da IA em diversos campos, incluindo o setor de investimentos, continuarão a avançar rapidamente. Embora muitos dessas aplicações estejam além do escopo deste artigo introdutório, apresentamos casos de uso sobre como a IA pode ser utilizada por diferentes investidores para potencialmente melhorar os resultados desejados e os fluxos de trabalho.

Recursos da IA: Análise de dados e capacidade preditiva

Simplificando o investimento ao máximo, poderíamos dizer que ele se resume em determinar o valor justo dos ativos com base na análise de toda a informação pública disponível e, em seguida, se os preços de mercado prevalecentes diferirem dos resultados, comprar ou vender esses ativos. A quantidade de dados relevantes é imensa, incluindo documentos financeiros, transcrições de ganhos, arquivos regulatórios, artigos de notícias, depoimentos congressistas que duram o dia inteiro e, nos dias de hoje, até mesmo conversas no Reddit e tweets. Esses dados não são precisos, não seguem uma distribuição normal e estão cada vez mais desestruturados (ou seja, intrinsecamente difíceis de analisar). Os LLMs podem não apenas consumir esses dados, mas também, de forma crítica, compreendê-los a taxas que superam qualquer equipe de analistas.

Uma saída básica dessa tarefa é a capacidade de resumir informações para consumo humano, seja milhares de threads em mídias sociais escritos em linguagem própria da geração Z (no cap⁷) ou em denso jargão legal de um depoimento corporativo (veritably⁸). Considerando um passo adiante, a IA pode combinar diferentes conjuntos de dados para extrair insights que nem mesmo um investidor humano experiente perceberia imediatamente.

Então, devemos todos nos aposentar e deixar as máquinas assumirem o controle? Não é bem assim. Quando devidamente solicitados, os LLMs são rápidos em oferecer respostas com a confiança de um economista que expõe pontos de discussão na televisão. Isso ocorre porque os LLMs são treinados de maneira condicionada para oferecer as respostas nas quais os humanos confiarão. Na maioria dos algoritmos, existe uma função de recompensa para fornecer respostas aceitáveis. No entanto, a confiança deles tem fundamento? Isso depende de muitos fatores, e mesmo se forem alimentados com dados de alta qualidade, os algoritmos de aprendizado profundo podem cometer erros. Por exemplo, os modelos transformadores (que compõem a maioria dos LLMs) podem facilmente se desviar do caminho certo ou criar informações fictícias, porque funcionam prevendo sequencialmente a próxima palavra mais provável em uma frase. Esse processo é autorregressivo, pois as palavras geradas pelo LLM são usadas para prever as seguintes. Embora a princípio pareça semelhante à forma como os seres humanos pensam, afinal, as palavras que dizemos em seguida são baseadas nas que acabaram de sair de nossas bocas, os LLMs têm muito mais dificuldade em perceber se estão dizendo algo sem sentido. Reconhecer quando uma IA que soa confiante está completamente errada, elaborar perguntas para ela com precisão, ajustar seu treinamento e fornecer os dados mais relevantes são todas razões pelas quais os seres humanos continuam sendo uma parte fundamental do processo. Oferecemos a seguir alguns exemplos práticos no mundo dos investimentos.

Casos de uso de gestão de ativos, gestão de patrimônio, traders e investidores de varejo:

Investidores de todos os tipos podem potencialmente se beneficiar ao utilizar a inteligência artificial. A tecnologia não colocará os comerciantes de varejo em pé de igualdade com os investidores institucionais, uma vez que os comerciantes de varejo geralmente não têm acesso aos dados desproporcionalmente caros e frequentemente proprietários nos quais treinar um sistema de IA, dados esses que os investidores institucionais vêm cultivando há décadas. Além disso, geralmente, eles não saberiam como ajustar os algoritmos de aprendizado profundo para maximizar seu potencial. Ainda assim, a inteligência artificial pode impulsionar a escala, a velocidade e a sofisticação da maioria dos investidores.

Casos de uso de gestão de ativos:

Os gestores de portfólio podem treinar LLMs em chamadas de ganhos, movimentos de preços de ações, artigos de notícias e conversas em redes sociais. Eles também podem fornecer informações sobre vieses comportamentais (a teoria de que as ineficiências no mercado ocorrem devido à irracionalidade humana), suas próprias notas de pesquisa, classificações de segurança e execução de negociações. Após o treinamento, esses dados podem ser inseridos em tempo real no LLM. Por sua vez, isso leva a várias aplicações inovadoras, como:

• Combinar o sentimento expresso por meio de informações não estruturadas (tweets, subreddits, relatórios de analistas, notícias etc.) com dados estruturados (fundamentos da empresa, previsões de consenso, indicadores macroeconômicos) para identificar inconsistências que podem resultar em movimentos de preço significativos.
• A IA pode ajudar os gestores de riscos fornecendo alertas antecipados de choques de mercado inferidos a partir de efeitos secundários e terciários. Por exemplo, imagine um portfólio de renda fixa em que os spreads de crédito de algumas posições começam a aumentar rapidamente. Um gestor humano entenderia imediatamente o aumento do risco das posições subjacentes, mas e quanto ao restante do portfólio? Uma IA com bilhões de sinapses otimizadas poderia prever quais emissores podem ser os próximos a cair, com base em uma infinidade de pontos de dados, desde correlações de séries temporais até artigos de notícias e relatórios anuais das empresas (10-Ks). Um exemplo recente, embora trágico, seria a invasão da Ucrânia, que levou a uma contração súbita nas exportações de gás neon, um componente-chave dos semicondutores automotivos, afetando assim as fabricantes de chips e, consequentemente, as montadoras de automóveis. Uma rede neural bem treinada poderia identificar essa ligação complexa no momento em que o primeiro morteiro atingiu Mariupol, algo que poucos humanos conseguiram fazer.
• A IA é capaz de alertar os gestores de portfólio se suas negociações desejadas exibirem vieses comportamentais. Por exemplo, de acordo com o efeito de disposição, alguns investidores relutam em vender posições perdedoras, mas estão dispostos a se desfazer de ativos que acabaram de apresentar grandes aumentos de preço. Diferenciar entre uma decisão prudente baseada em valuations e uma impulsionada por emoções, como evitar arrependimentos, é onde uma IA treinada em negociações anteriores e finanças comportamentais pode desempenhar o papel de um orientador imparcial.
• Tendo em vista que os LLMs podem processar consultas conversacionais, as barreiras de conhecimento para realizar tarefas complexas de investimento, como a otimização de vários períodos, a simulação de estratégias e a decomposição de fatores, estão diminuindo. De certa forma, a IA generativa está democratizando algumas das habilidades sobrenaturais que os investidores quantitativos anteriormente monopolizavam. Em breve, um gestor de portfólio multiativo poderá pedir ao seu copiloto de IA para "criar um portfólio que seja mais resiliente a uma mudança de postura do Federal Reserve dos EUA, mas que ainda seja capaz de oferecer um rendimento de 4%, que não apresente sobrepeso no fator de crescimento e não tenha tido um risco anualizado superior a 17% nos últimos cinco anos" e receber um modelo como resposta. Contanto, é claro, que seja possível criar um portfólio com esses desafios. Embora saibamos que não há garantias para se alcançar esses resultados, estamos trabalhando na criação de uma ferramenta desse tipo na Franklin Templeton Investment Solutions.

Casos de uso de investimento sustentável:

Os analistas ambientais, sociais e de governança corporativa (ESG) podem treinar seus sistemas de IA com base nas divulgações de sustentabilidade de empresas públicas, em métricas ESG quantificáveis e em comunicados à imprensa sobre as declarações ESG de uma empresa.

• A IA poderia então tentar decifrar se as crenças populares sobre as práticas ESG de uma empresa correspondem à realidade, ou se as empresas praticam o que pregam em uma série de métricas de sustentabilidade, como igualdade salarial, redução da pegada de carbono e independência do conselho.
• Ao analisar dados que ainda não foram incluídos em divulgações, a IA é capaz de identificar quais empresas estão fazendo melhorias em suas práticas ESG. Identificar cedo essas melhorias ESG pode acarretar em resultados de investimento melhores. Por exemplo, e se uma empresa enfrentando problemas relacionados ao tratamento de funcionários de minorias começasse a inserir linguagem de diversidade, equidade e inclusão (DEeI) em suas vagas de emprego mais recentes? A IA é capaz de gerar inferências a partir de pontos de dados como esse quase em tempo real quando ajustada e treinada adequadamente.

Casos de uso de gestão de patrimônio:

Os consultores financeiros podem usar sistemas de IA para maximizar a capacidade de seus clientes de alcançar os objetivos mais importantes para eles, uma tarefa que frequentemente envolve mais do que simplesmente maximizar o retorno para um determinado nível de risco.

• Determinar os objetivos de investimento do cliente e a tolerância ao risco muitas vezes é feito por meio de perguntas diretas. Mas os clientes realmente se conhecem bem, especialmente sob pressão? Os consultores frequentemente recebem ligações de clientes em pânico após pequenas quedas no mercado, exigindo ação "corretiva", mesmo daqueles que afirmam poder tolerar grandes oscilações de mercado. Essas solicitações muitas vezes vão contra os interesses dos clientes. A IA treinada em interações passadas pode ir além das pesquisas e prever melhor o comportamento do cliente para sugerir portfólios mais propensos a mantê-los comprometidos durante a volatilidade e até mesmo recomendar oportunidades de entrar em contato de forma proativa, antes que o pânico se instale.
• Assim como a tolerância ao risco autodeclarada pode não corresponder à realidade, os objetivos financeiros dos clientes muitas vezes não são adequadamente priorizados. A IA pode analisar os padrões de consumo, as necessidades e os desejos do cliente para traçar um caminho dinâmico mais provável de maximizar a chance de alcançar seus objetivos de maior prioridade, ao mesmo tempo em que minimiza a chance de ficar sem dinheiro. Essa é uma área em que somos pioneiros no uso de IA desde 2020, criando uma solução que oferece alocação de ativos personalizada e recomendações de consumo.

Casos de uso para investidores de varejo:

A maioria dos exemplos acima requer dados proprietários extensivos e o conhecimento para treinar e ajustar modelos. Vale a pena repetir que, embora a IA represente um passo em direção à democratização dos investimentos, ela não é um equalizador. Sem terabytes de dados de qualidade, feeds em tempo real e poder de computação excepcional, até mesmo investidores de varejo sofisticados estarão em desvantagem em comparação com as instituições. No entanto, os modelos de IA comercialmente disponíveis podem beneficiá-los.

• Ainda mais do que gestores de portfólio institucionais que geralmente têm gerentes de risco supervisionando-os, a IA pode alertar investidores de varejo sobre vieses comportamentais que eles podem estar exibindo com base no contexto em torno de suas negociações. Por exemplo, eles estão entrando em uma posição de opção onde o risco pode superar em muito as negociações de ações às quais estão acostumados?
• A IA pode ajudar a criar gráficos informativos, com sobreposições temáticas para fornecer contexto visual a anúncios de resultados, regimes econômicos, margens de lucro setoriais e possíveis pagamentos para uma estratégia de negociação.
• Os LLMs podem extrair conceitos-chave de documentos extensos, como comentários de gerenciamento ou discursos de banqueiros centrais, para ajudar investidores de varejo a compreender conceitos importantes.

Conclusão

É compreensível que haja tanto medo quanto entusiasmo em relação ao advento da IA, e, como acontece com a maioria das descobertas, a verdade sutil deve evocar um pouco de ambos. Embora a IA possa criar externalidades negativas, é improvável que seu objetivo se torne erradicar a humanidade; e embora vá melhorar nossas vidas, ela não criará uma utopia. Por enquanto, no mundo dos investimentos, ela pode desempenhar o papel de um analista júnior incansável ou um treinador imparcial, conforme ilustrado pelos estudos de caso acima. Ao se associar com algoritmos, os investidores podem produzir retornos melhores, mitigar riscos, reduzir seus impulsos irracionais e se aproximar mais da realização de seus objetivos financeiros.