A era das soluções financeiras orientadas para o ML: Uma nova era na Fintech

Na minha recente conversa sobre a fusão de inteligência artificial (IA) e aprendizagem automática no finanças No sector da investigação, tive o privilégio de orientar o diálogo com perguntas específicas. A orientar o nosso mergulho profundo esteve Sebastian Niehaus, um Machine Learning Engenheiro com especialização em Quantitativo Finance e CTO em Tecnologias SEKASA . A vasta experiência de Sebastian proporcionou uma visão esclarecedora sobre a crescente simbiose de IA e fintech .

Durante a nossa conversa no CTO, o Sebastian e eu mergulhámos no mundo da IA e das finanças. Apesar de estarmos a quilómetros de distância, a conversa fluiu sem esforço!

nós porque é que uma empresa financeira deve considerar a integração da IA na sua atividade diária?

Sebastião: Muito simplesmente, permite a análise de grandes quantidades de dados que não podem ser analisados de outra forma, criando assim uma significativa mercado vantagens.

O Finance tem como objetivo a análise e o tratamento de dados. Independentemente de estarmos a falar de prestadores de serviços de pagamento, empresas de investimento, bancos ou criadores de mercado. Cada participante no mercado, por mais pequeno que seja, efectua análises com os dados existentes, talvez não com algoritmos sofisticados, mas com outras formas de análise.

O problema com os dados, no entanto, é que os pontos de dados independentes são geralmente inúteis, só se tornam interessantes quando lhes é adicionado um contexto. Este contexto pode ser acrescentado comparando os dados do caso atual com casos semelhantes ou acrescentando mais dados relacionados e não relacionados. Pode tratar-se, por exemplo, da integração de outros mercados ou de dados ambientais nas decisões de investimento ou de uma gama mais vasta de transacções na deteção de fraudes.

Jakub: Olhando deste ponto de vista - o que é a IA e a aprendizagem automática em geral?

Sebastião: A inteligência artificial (IA) é o desenvolvimento de sistemas informáticos capazes de realizar tarefas que normalmente requerem a inteligência humana, como a aprendizagem, o raciocínio, a resolução de problemas e a tomada de decisões.

Machine Learning é um subconjunto da IA que se centra na formação de algoritmos para aprender padrões e fazer previsões a partir de dados retrospectivos para cumprir uma tarefa específica. Assim, descobre padrões e mecanismos para automatizar tarefas ou gera novos conhecimentos sobre elas.

Os métodos de IA ou de aprendizagem automática tornaram-se muito populares nos últimos anos porque são capazes de processar uma grande quantidade de caraterísticas de dados diferentes. Trata-se de uma grande diferença em relação aos modelos estatísticos clássicos que estamos a utilizar em finanças desde os anos 80.

Jakub: Essa é uma visão interessante! Então, quais são os benefícios da aprendizagem automática para Empresas FinTech?

Sebastião: Numa frase: Estão a utilizar todo o seu potencial!

Os FinTech são puros produtores de dados e têm de lidar com grandes quantidades de dados financeiros e alternativos. A partir destes dados, podem descobrir novos potenciais comerciais, proteger os processos actuais, tornar as suas decisões mais transparentes e melhorar a qualidade das suas decisões.

Mesmo que os processos, ou especialmente os processos de decisão, estejam claramente definidos e a funcionar bem, faz muitas vezes sentido adicionar algoritmos de aprendizagem automática para proporcionar uma segunda visão e reduzir o erro subjetivo dos seres humanos. Isto pode, por exemplo, evitar que as empresas de investimento façam investimentos FOMO.

Jakub: Qual é a motivação e a justificação comercial para integrar a IA?

Sebastião: Trata-se frequentemente de garantir vantagens competitivas, otimizar processos ou simplesmente responder a questões específicas. Para além disso, há também tópicos como a viabilidade futura - que é um problema para empresas financeiras muito estabelecidas, por exemplo. Muitas vezes, estas empresas nem sequer sabem o potencial que existe nos seus dados e fazem um pedido simples: "Gostaríamos de experimentar o que pode ser melhorado com o Machine Learning na nossa empresa"

Vou tornar a resposta mais tangível com alguns exemplos:

• Nos fundos de investimento, existe frequentemente a motivação de proporcionar mais segurança aos investidores e, por conseguinte, de desenvolver uma vantagem competitiva. Por exemplo, numa abordagem de investimento em valor, isto pode ser a adição de um modelo de aprendizagem automática como uma instância de controlo adicional
• No caso das análises em consultoria de fusões e aquisições, por exemplo, as previsões podem ter em conta um número significativamente maior de factores de influência e, assim, fornecer ao comprador mais informações sobre o potencial alvo.

Posso continuar esta lista para sempre:

• A automatização baseada na IA pode, além disso, conduzir a uma redução dos custos de mão de obra e a um aumento da produtividade, resultando em poupanças de custos significativas para as empresas.
• A integração do ML no seu progresso conduzirá a uma maior eficiência. As ferramentas de ML podem automatizar tarefas repetitivas e demoradas, para que o pessoal se possa concentrar mais em tarefas importantes e de valor acrescentado.
• Melhorado Desenvolvimento de produtos / Melhoria da estruturação da carteira
• Escalabilidade (As ferramentas alimentadas por IA podem tratar grandes quantidades de dados e tarefas sem intervenção humana)
• Vantagem competitiva (as ferramentas de IA podem conduzir a produtos inovadores)
  Gestão do risco
• Experiência do cliente personalizada / Suporte ao cliente melhorado
  Análise preditiva

Jakub: Vamos falar mais sobre esse tópico - quais são alguns casos de utilização populares?

Sebastião: Alguns dos mais utilizados são:

• Identificação de novos clientes
• Experiência personalizada do cliente
• Serviço ao cliente Automatização: Identificação do risco de falha de crédito / Avaliação do risco de crédito
• Deteção de fraudes
• Conformidade regulamentar
• Identificação de sinais para preços de mercados de acções, forex e mercadorias
• Previsões de preços
• Identificação dos riscos de mercado
• Testes de esforço
• Otimização da carteira

Jakub: Como é que a aprendizagem automática pode ser integrada nos FinTechs?

Sebastião: É importante começar com o caso de negócio e os processos actuais. Isto parece ser óbvio, mas é comum que este ponto seja completamente subestimado e muitas vezes esquecido.

• Definir caso de utilização / caso de negócio
• Verificar os processos actuais e definir objectivos relevantes
• Definir dados relevantes, disponíveis e necessários
• Recolha e pré-processamento de dados
• Modelo e criação de infra-estruturas
• Seleção de modelos
• Engenharia de recursos
• Formação de modelos
• Avaliação do modelo
• Implantação
• Conceção de relatórios / resultados
• Geração de relatórios
• Interpretação dos resultados
• Controlo e manutenção contínuos

Jakub: Tendo em conta a vossa experiência, qual é a dificuldade de integrar a aprendizagem automática nos processos das empresas FinTech?

Sebastião:

• Tudo depende da disponibilidade e da qualidade dos dados.
• São necessárias infra-estruturas informáticas robustas e capacidade de computação.
• Recursos humanos com o domínio certo de especialização e conhecimento
• A privacidade e a segurança dos dados devem ser tidas em conta em qualquer altura.
• A integração do ML em determinados processos pode levar a actualizações necessárias no processo atual.
• A compreensão dos resultados e a sua correta interpretação podem ser difíceis.
• Os modelos têm de ser testados e verificados continuamente.
• Acompanhamento e manutenção contínuos.

Pode parecer muito, mas muitas destas tarefas podem ser normalizadas e automatizadas. E, uma vez integradas, os benefícios compensam rapidamente o esforço.

Jakub: O que mencionou anteriormente leva a uma pergunta - até que ponto os modelos de aprendizagem automática são adaptáveis a ambientes em mudança?

Sebastião: Os modelos de aprendizagem automática são altamente adaptáveis e devem ser capazes de responder rapidamente a ambientes em mudança. Podem ser adaptados a ambientes em mudança através de técnicas como a reciclagem de dados actualizados, a transferência de aprendizagem e a monitorização contínua. Isto garante que o desempenho dos modelos de aprendizagem automática se mantém relevante e exato ao longo do tempo.

Exemplo: Para sociedades comerciais.

Os sinais de negociação para forex ou mercadorias podem mudar, por exemplo, devido a alterações no comportamento de outros participantes no mercado. Podemos ver isto, por exemplo, através do aumento das aplicações de negociação, mas também através de eventos mais avançados.

Por este motivo, as empresas que já trabalham com métodos quantitativos devem considerar sempre a possibilidade de manter os seus algoritmos actualizados e incluir novas ideias.

Jakub: Sebastião Obrigado por uma conversa esclarecedora. Estamos ansiosos por ver mais crescimento e inovação neste domínio!

Sebastião: O prazer é meu, Jakub. Aprecio esta plataforma, pois permitiu-nos discutir os progressos interessantes no nosso domínio e a sua importância no panorama digital em constante mudança.