Não é de hoje que as instituições financeiras têm recorrido ao Machine Learning para o gerenciamento de riscos e compliance, mas agora a tecnologia baseada em IA começa a ter impacto também na busca por Alfa.
- Para 84% dos profissionais sênior do setor financeiro, a principal aplicação do Machine Learning (ML) ainda é no gerenciamento de riscos, segundo recente pesquisa da Refinitiv.
- As instituições financeiras usam o ML para atenuar o risco de crimes financeiros, automatizando processos complexos e dispendiosos de Know your Client (KYC) e contra a lavagem de dinheiro (AML, na sigla em inglês).
- Redes de código aberto e dados de alta qualidade estão ajudando a impulsionar a inovação e o emprego cada vez maior do Machine Learning.
As ferramentas baseadas em Machine Learning (ML) já desempenham um importante papel nas organizações de serviços financeiros, que engloba desde a criação de novas eficiências até a geração de alfa –termo usado no mercado financeiro para quando um ativo ou carteira de ativos supera a expectativa de rendimento.
Nossa recente pesquisa global com funcionários de nível sênior de instituições financeiras, incluindo executivos de alto escalão e cientistas de dados, revelou que 90% dos entrevistados implantaram o Machine Learning em um ou mais departamentos.
Mas, afinal, como eles estão usando a tecnologia? E onde ela gera mais valor?
Para 84% dos entrevistados, o Machine Learning destina-se sobretudo ao gerenciamento de riscos, posição bem à frente da geração de investimentos, que foi citada por apenas 62% das pessoas.
Entretanto, à medida que a tecnologia se desenvolve, esse quadro começa a mudar.
Clique aqui e saiba como obter acesso a informações de alta qualidade quando e onde você precisar
Papel vital no gerenciamento de riscos
Em um mundo corporativo cada vez mais preocupado com corte de custos, concorrência e compliance, a capacidade do Machine Learning de ajudar a mitigar perdas e evitar multas regulatórias é bastante atraente.
Ao usar a tecnologia para entender melhor as flutuações de preço, medir graus de exposição e simular como determinados eventos afetariam diferentes cenários de investimento, os traders e gestores de portfólio reduzem riscos e protegem os investimentos.
As instituições financeiras estão empregando o ML para combater crimes financeiros e automatizar processos complexos e dispendiosos de Know your Client (KYC) e contra a lavagem de dinheiro (AML, na sigla em inglês). Desde a integração e monitoramento do cliente até em investigações de fraudes, a tecnologia baseada em IA vem dando suporte a pesquisas entre várias fontes de dados, incluindo mídias adversas, em busca dos riscos associados a indivíduos ou entidades.
Ferramentas contra crimes financeiros
Além disso, os programas orientados por IA também ajudam a lidar com a enorme carga de falsos positivos que tanto atrapalha o esquema operacional das instituições financeiras.
Temos visto ainda avançadas ferramentas de ML que já conseguem identificar padrões e redes anteriormente ocultas, permitindo que bancos e outras instituições do setor sejam mais proativos na identificação e prevenção de crimes financeiros.
Outra de suas aplicações é na área de risco operacional, já que o Machine Learning auxilia gestores de ativos e de fundos de hedge a identificar pontos fracos e melhorar seus processos de tomada de decisão. Exemplos disso incluem a simulação do impacto de determinadas exposições geográficas e setoriais, medindo o sentimento dos analistas e simulando diferentes cenários de eventos.
Todas as ferramentas mencionadas acima têm, no entanto, algo em comum: a capacidade de gerar benefícios financeiros diretos em termos de economia de custos, proteção de ativos e cumprimento de normas regulatórias.
Informe-se sobre o uso do Machine Learning para gerenciamento de riscos: leia o nosso relatório Innovation in Financial Crime
Retornos turbinados
Como a pressão para gerar novos investimentos é cada vez maior, os traders estão se valendo do ML para explorar novas fontes de dados, identificar padrões, procurar sinais e fazer previsões –tudo em busca de estratégias de superação do mercado.
No entanto, ainda há barreiras para a implantação da tecnologia nos mercados financeiros, principalmente em relação à confiança, compreensão de suas capacidades e qualidade dos dados.
Com bilhões de dólares de clientes em jogo, tirar estratégias de investimento baseadas em Inteligência Artificial da prancheta pode ser desafiador. Afinal, os investidores precisam estar seguros sobre a robustez de novos modelos.
Para que sejam testados e validados, muitos desses modelos requerem dados complexos e confiáveis. Mas em setores mais recentes, como o de tecnologia, os dados de uma empresa geralmente remontam a poucos anos, impedindo a análise e comparação, por exemplo, de preços ou ações de anos anteriores.
Clique aqui e saiba como obter acesso a informações de alta qualidade quando e onde você precisar
Transparência e qualidade dos dados
Reguladores e clientes também preocupam-se com a natureza opaca dos chamados modelos ‘black box’. Além da falta de transparência, há ainda preocupações com possíveis questões éticas que podem estar embutidas em determinados projetos.
Isso ajuda a explicar por que em nossa pesquisa o número de pessoas que associa o Machine Learning à geração de investimentos é bem menor do que as que o vinculam ao gerenciamento de riscos e compliance.
Esperamos, no entanto, que isso mude em breve, pois já vemos agências reguladoras e a indústria colaborando para entender e abordar melhor essas questões. Um exemplo dessa nova atitude é a orientação recente da Monetary Authority of Singapore sobre o uso responsável da Inteligência Artificial e da análise de dados para empresas que oferecem produtos e serviços financeiros.
Por fim, é preciso lembrar: não importa o quão bem desenvolvido foi um modelo se os dados que o alimentam não forem precisos. Inclusive, nossa pesquisa aponta a baixa qualidade e a indisponibilidade de dados como os principais desafios para uma adoção mais ampla do ML.
E, nesses pontos, a Refinitiv pode definitivamente ajudar, oferecendo #MLReadyData.
Terreno fértil
Como um dos maiores fornecedores mundiais de dados e infraestrutura para mercados financeiros, contamos com a profundidade e a amplitude necessárias em informações que vão amparar a implantação do Machine Learning. E estamos comprometidos em trabalhar de maneira aberta e colaborativa com nossos clientes para desbloquear as inúmeras possibilidades contidas nesses dados.
Até recentemente, cientistas de dados altamente experientes precisavam pesquisar e construir modelos de ML manualmente, a partir do zero. Agora, estruturas de código aberto, como TensorFlow, PyTorch e Scikit-learn, permitem criar e testar rapidamente novos modelos.
Aliado à maior disponibilidade de dados de alta qualidade, isso pode impulsionar a inovação e novas aplicações para o Machine Learning. Ao mesmo tempo, uma maior colaboração entre diferentes setores e mais transparência ajudarão a resolver questões ainda polêmicas.
Prevemos que a inteligência artificial será o maior criador de vantagens competitivas no setor de serviços financeiros, e a Refinitiv pode ajudá-lo a tirar o máximo proveito do Machine Learning.
