Aplicações de machine learning em finanças

A área de finanças é geradora e dependente de grandes volumes de dados. As operações em mercados de ações, por exemplo, envolvem milhares de ativos que são negociados em intervalos de milissegundos, em tempo real, e cujo comportamento ainda é afetado por eventos que ocorrem no mundo real, como o efeito que o início da pandemia do novo coronavírus teve, por exemplo. Esta imensidão de informação interconectada é um prato cheio para as técnicas de machine learning, que aplica modelos estatísticos para estabelecer relações entre variáveis e, talvez ainda mais importante, fazer predições. Tanto que a área já tem se beneficiado significativamente dos avanços tecnológicos que transformaram o machine learning em ferramenta corriqueira de trabalho.

As principais vantagens que os agentes financeiros encontram ao usar machine learning são a redução de custos operacionais devido à automação de processos, o aumento de lucro decorrente de melhor produtividade e maior satisfação de seus clientes, e maior concordância com legislações e protocolos de segurança. Em termos práticos, esta incorporação pode ser feita em diversas tarefas, desde as mais clássicas até novidades que só são possíveis graças à computação super-rápida.

A seguir listamos as principais aplicações de machine learning em finanças.

Automatização de processos

Esta é uma das principais aplicações de machine learning em qualquer área. A automatização permite eliminar trabalho manual, já tendo alcançado desempenho surpreendente nas tarefas mais simples e repetitivas, reduzindo os custos e melhorando a experiência do usuário. Atualmente, as empresas financeiras usam machine learning na implementação de chatbots, que fazem o contato inicial com o cliente resolvendo de forma automática a maioria dos problemas ou solicitações de informação; na automatização de processamento de documentos, como durante o cadastro de novos clientes; e até em operações internas como o treinamento de colaboradores.

Além de reduzir o tempo necessário nas tarefas relacionadas, a automatização garante que os resultados estejam sempre alinhados com quaisquer mudanças de protocolo, como novas requisições legais para o cadastro de clientes, ou novas regras internas para operações financeiras.

Segurança

Os algoritmos de machine learning são muito eficientes para detectar operações fraudulentas. Eles conseguem analisar numa fração de segundos várias variáveis relacionadas a uma operação para estabelecer se ela é legítima ou representa um desvio de comportamento do cliente, o que pode indicar fraude. Além da necessidade de essas verificações serem feitas quase em tempo real, é importante reduzir o número de falsos positivos, ocasião em que o cliente pode desistir da compra, ou até do próprio produto financeiro, como o cartão de crédito usado para realizar a operação. No final das contas, se beneficia tanto o cliente, que tem mais segurança no uso do facilitador financeiro, e a empresa que fornece o serviço, garantindo a fidelidade de seus clientes.

Além de fraudes pontuais, os algoritmos podem detectar operações suspeitas de lavagem de dinheiro. Algumas técnicas ilegais possuem características peculiares, como microtransações, que apesar de terem sido inventadas para despistar os agentes tradicionais de monitoramento, são facilmente detectadas pelos algoritmos.

Pontuação para empréstimo ou seguro

Toda operação de empréstimo ou contração de seguro inicia com uma avaliação de crédito ou risco, que estabelece as taxas ou, em situações extremas, resulta na negação do pedido. O uso de algoritmos permite gerar sistemas de pontuação mais precisos, resultando em taxas que refletem melhor o risco de cada operação. Além de reduzir o risco assumido pelas empresas prestadoras, o sistema garante que o cliente tenha à disposição taxas mais justas, que ainda por cima incentivam o bom comportamento, quando aplicável.

Análise de contratos

Operações financeiras de maior volume, como a compra ou fusão de empresas, costumam envolver contratos que devem ser analisados de forma mais cuidadosa. Atualmente, grandes empresas possuem times responsáveis pela análise de contratos em relação aos seus aspectos legais, o que, nas operações mais complexas, pode levar meses. Mas já surgem opções que usam os algoritmos mais recentes de processamento de linguagem natural para, se não automatizar completamente o processo, pelo menos fazer boa parte do trabalho. Os algoritmos podem por exemplo resumir contratos, identificar as partes mais relevantes, ou estabelecer semelhanças com outros documentos, ao mesmo tempo melhorando a precisão e o diminuindo o tempo de análise.

Resolução de negociações

A resolução de negociações envolve a transferência de ativos para a conta de quem comprou e a transferência de capital para a conta de quem vendeu. Este processo já é automatizado e na maioria das vezes transcorre sem problemas, mas já que as contas podem estar em agentes diferentes, uma parte dessas resoluções falha e deve ser terminada manualmente. Machine learning pode ajudar a identificar a causa dessas falhas, propor uma solução e ainda prever quais operações vão falhar no futuro, permitindo acionar mecanismos secundários de resolução preventivamente.

Corretor de investimentos virtual

Escolher bons investimentos não é uma tarefa fácil. O universo de opções é gigantesco, sendo pouco produtivo escolher bons produtos que, ainda por cima, estejam alinhados com os objetivos e o perfil de risco do investidor. Mas os corretores virtuais, chamados em inglês de robo-advisors, servem justamente para facilitar esta tarefa. Substituindo os corretores humanos, eles são capazes de analisar as informações financeiras do cliente, sua aversão ao risco, seu objetivo de investimento, e assim recomendar produtos com resultados sólidos, dentro de um portfólio diversificado. Uma camada adicional de automatização pode inclusive habilitar que o portfólio seja reequilibrado periodicamente, seja em concordância com a estratégia de investimento que prevê estes ajustes, seja para se adequar a mudanças de perfil ou objetivo.

Negociação automatizada

Algoritmos já estão sendo usados para modelar o comportamento dos instrumentos financeiros, e assim prever quais operações no mercado de ações, por exemplo, vão ser lucrativas. Estes algoritmos podem ser utilizados em plataformas de investimento para realizar operações automaticamente. Uma das grandes vantagens do uso de algoritmos em negociação é a eliminação do fator humano: é fato conhecido do mercado que a subjetividade tende a comprometer o desempenho de estratégias de investimento. Assim, a estratégia pode ser avaliada puramente em razão de sua qualidade técnica. Outra vantagem é que os algoritmos operam ininterruptamente, reduzindo significativamente a necessidade de o investidor se dedicar ao acompanhamento do mercado.

O uso de algoritmos de machine learning permitiu inclusive criar novas modalidades de operação, como o trading de alta frequência (HFT, ou high frequency trading), que opera em intervalos de tempo onde uma pessoa seria incapaz de operar.

Análise de sentimentos e notícias

O mercado financeiro se move em resposta a uma infinidade de fatores relacionados ao universo humano, que às vezes nada têm a ver com a qualidade das empresas envolvidas. Por isso, alguns algoritmos podem ser utilizados para antecipar o impacto que eventos no mundo real terão nos mercados, acompanhando as notícias e os sentimentos associados através das redes sociais. A análise de sentimentos já é prática comum em machine learning, revelando informações como a percepção de marcas, mas ela pode ir além, estabelecendo o impacto futuro e muitas vezes inevitável que eventos inesperados têm no mercado financeiro.


A digitalização da grande maioria das operações financeiras, e os altos volumes de dados atualmente envolvidos nessas operações, fazem dela um estudo de caso de sucesso para a incorporação de técnicas de machine learning. Os agentes financeiros já aplicam algoritmos em seus serviços disponíveis ao público, mas a tendência é de uma participação cada vez maior. Ganham os clientes, ganham as empresas, e ganham os cientistas de dados, que encontram uma área prolífica onde trabalhar.