ClubBook: “Machine Learning for Algorithmic Trading”

A dica de livro desta semana é sobre a obra “Machine Learning for Algorithmic Trading”, de Stefan Jansen. Com o subtítulo "Predictive models to extract signals from market and alternative data for systematic trading strategies with Python", em português "Modelos preditivos para extrair sinais do mercado e dados alternativos para estratégias de negociação sistemática com Python", é voltado aos alunos e praticantes de análises de mercado de bolsas de valores que buscam construir modelos a partir de algoritmos de inteligência artificial. É um livro robusto, cuja versão impressa possui 822 páginas, e está em sua segunda edição.

O livro começa pela histórico e ascensão do aprendizado de máquina (machine learning) e o surgimento dos fundos quantitativos. O uso aplicado para se encontrar o fator alfa e a construção de portfólios. No capítulo 2 apresenta as fontes e as técnicas para coleta de dados do mercado, onde e como executar "ordens", inclusive com High-Frequency Data, Nasdaq e o protocolo FIX. Detalha sobre como baixar os dados por scrapping do Yahoo! Finance.

O Capítulo 3 apresenta os dados e fontes alternativas. Aqui o leitor passa a ter conhecimento do uso de sensores, fotos de satélites, dados de geolocalização, "sentimentos" colhidos de redes sociais, além de critérios de qualidade como horizonte temporal, frequência e exclusividade.

O Capítulo 4 trata da engenharia de atributos financeiros voltada para a busca e identificação de fatores alfas. Em termos práticos, trata de como identificar sinais alfas no mercado. Um grupo de técnicas é demonstrada para a busca de fatores que predizem o retorno de ativos, como momentum, sentimentos, volatilidade, anomalias etc.

O Capítulo 5 é dedicado à otimização de portfólios e a avaliação de desempenho. O que é o "Sharpe Ratio", o "Information Ratio" e como identificar o trade-off entre risco e retorno. Trabalha com a variância média da análise de Markovitz, e outras alternativas, como a variância mínima, a otimização do portfólio global (abordagem Black-Litterman), paridade de risco e, por último, paridade de risco hierárquico.

Do capítulo 6 em diante, o autor apresenta a sua proposta de fluxo de trabalho, assim como os vários tipos de algoritmos que podem ser empregados na análise de investimentos, incluindo modelos lineares e não lineares, regressores e classificadores. Apresenta ainda exemplos dentro de aprendizagem profunda (deep learning) ou redes neurais, como convolutional neural network (CNN), recurrent neural network (RNN), long short-term memory (LSTM), autoencoders, generative adversarial network (GAN), usando Tensorflow e PyTorch. Inclui, por fim, um capítulo para tratar da aplicação em finanças de deep reinforcement learning, aprendizagem por reforço, que é um outro ramo dentro da inteligência artificial.

É um excelente livro, denso, com bastante conteúdo, muitos exemplos com uso de código Python e é uma das leituras obrigatórias para os candidatos à certificação CQF - Certificate in Quantitative Finance.

Desejo uma ótima leitura!

Autor:

Dr. Max Fortunato Cohen, Conselheiro do CORECON-AM, Registro 1.218.