O processamento de linguagem natural (PNL) é cada vez mais usado para revisar conteúdo não estruturado ou detectar tendências nos mercados. Saiba como o Refinitiv Labs aplica a PNL em serviços financeiros para enfrentar os desafios relacionados a decisões de investimento e gerenciamento de riscos
- Modelos de processamento de linguagem natural (PLN) podem ser “treinados” para revisar conteúdos não estruturados e detectar problemas ou tendências que podem impactar os mercados financeiros.
- Enriquecimento de conteúdo e análise de sentimentos podem ajudar as instituições financeiras a tomar decisões de investimento mais embasadas e otimizar a gestão de riscos, especialmente em resposta à Covid-19.
- O emprego do PLN em serviços financeiros é um dos principais focos do Refinitiv Labs, responsável por conduzir processos para quantificar o sentimento sobre mais de cem fatores que impulsionam o desempenho de ações (stocks) em diferentes tipos de conteúdo.
Clique aqui para assistir o vídeo: Can next level NLP help investors spot potential ESG Controversies?
O Refinitiv Labs utiliza o processamento de linguagem natural (PLN) para otimizar a curadoria de dados, enriquecer conteúdo não estruturado e melhorar os fluxos de trabalho e o gerenciamento de dados.
Neste post, analisamos os possíveis benefícios da aplicação da PLN em serviços financeiros e alguns casos reais de uso, como os projetos do Refinitiv Labs descritos por Kelvin Rocha, Lead Data Scientist no Refinitiv Labs.
Explore o Refinitiv Labs e confira nossos projetos mais recentes
Profusão de dados não estruturados
No setor de serviços financeiros, é comum ter de lidar com enxurradas de informações. Afinal, traders e gestores de investimentos têm várias fontes para vasculhar, como relatórios de pesquisa, registros de empresas e transcrições de apresentações de balanços corporativos.
O problema é que a quantidade desse tipo de conteúdo (não estruturado) tem aumentado em um ritmo sem precedentes, tornando as análises extremamente demoradas. Como resultado, ele acaba sendo subutilizado como fontes de insights.
No meio desse conteúdo podem estar preciosas dicas para, por exemplo, quantificar uma estratégia de negociação, mas o gigantesco volume de dados impossibilita a identificação de nuances que poderiam conduzir um processo de tomada de decisão.
É exatamente aí que pode entrar o processamento de linguagem natural (PLN), oferecendo oportunidades para descobrir importantes insights a partir de conteúdos subutilizados. “O PLN é uma área da inteligência artificial em franca expansão, graças ao rápido fortalecimento de nossa infraestrutura, como sistema computacional e capacidade de manipulação de dados.
Além disso, houve melhorias importantes no desenvolvimento de algoritmos e uma proliferação de bibliotecas abertas, como a estrutura BERT NLP, lançada pelo Google em 2018”, explica Kelvin Rocha.
Um modelo pode ser “treinado” para extrair significado de textos, levando ao desenvolvimento de aplicativos e serviços que compreendem a linguagem humana.
Exemplos práticos do emprego de PLN no setor financeiro inclui o reconhecimento de voz usados por assistentes de voz e chatbots em serviços ao cliente, além da recuperação de informações e análise de sentimentos de documentos corporativos e feeds de notícias.
Explore o Refinitiv Labs e confira nossos projetos mais recentes
Apresentação de balanços corporativos
O reconhecimento de fala é uma parte essencial da análise das teleconferências de balanços trimestrais ou semestrais das empresas. Esses eventos geralmente começam com a companhia fazendo uma apresentação sobre o desempenho do trimestre anterior e as perspectivas para o seguinte, seguidas de uma sessão de perguntas e respostas na qual os analistas realizam perguntas diretas e específicas à empresa. “O que (e como) perguntam, e o que (e como) a empresa responde, incluindo seu tom, provavelmente impactarão sobre o preço das ações dessa organização. Por isso, captar o tom exato da fala e convertê-lo em texto para quantificá-lo em diferentes tópicos importantes, como receita, é extremamente útil”, explica Kelvin Rocha.
Suporte para processos de compliance
O PLN também pode ser usado para recuperar informações de textos não estruturados. Essa abordagem é conhecida como reconhecimento de entidade nomeada (named entity recognition, ou NER) e é empregada para detectar e rotular entidades, ou seja, conceitos do mundo real, como pessoas ou empresas.
O NER sobrepõe o contexto ao conteúdo, marcando-o com metadados legíveis por máquina alinhados com uma ontologia. É como ter um sistema de bibliotecas Dewey muito detalhado, fazendo com que a recuperação de informações seja eficiente e precisa.
O PNL também pode ser utilizado para apoiar os processos de compliance dos bancos. A marcação de dados não estruturados facilita a pesquisa em milhares de documentos digitais, permitindo que os responsáveis pelo compliance determinem rapidamente se os regulamentos foram seguidos. “O PNL também pode ser acionado para criar links explícitos entre os relacionamentos da cadeia de suprimentos. Se é provável que a demanda por determinados produtos aumente no futuro próximo, identificar os principais fornecedores de matérias-primas seria extremamente útil do ponto de vista do investidor “, acrescenta Rocha. “Da mesma forma, se for esperado que uma cadeia de suprimentos pode sofrer interrupção por algum motivo, como a Covid-19, a NER poderia identificar quais empresas seriam afetadas e em que grau”.
Rastreamento de relacionamentos entre entidades
Já no que diz respeito a investimentos, a aplicação de tags para destacar os principais tópicos cobertos pelo texto e a modelagem de tópicos são extremamente valiosas durante a análise de teleconferências de balanços corporativos, ajudando a estabelecer um tema principal ou comparar com apresentações anteriores para identificar tendências.
O NER oferece valor adicional, pois pode ser usado para vincular entidades e criar um gráfico de relacionamentos. Por exemplo, um sistema de modelagem de entidades pode selecionar menções de tópicos específicos dentro de um intervalo de texto não estruturado e criar novas conexões. Ele pode também auxiliar no rastreamento de relações entre entidades, com o potencial de detectar lavagem de dinheiro ou fraude.
Análise de sentimentos
Outra função do PNL é a análise de sentimentos, que extrai o significado subjetivo do texto para determinar sua atitude ou sentimento. Essa é uma ferramenta ideal para revisar conteúdo não estruturado sobre uma empresa em particular, procurando inconsistências e anomalias.
Atualmente, o Refinitiv Labs está treinando um novo modelo para encontrar possíveis sinais de desempenho de ativos a partir de milhares de relatórios de pesquisa e transcrições de empresas. O foco é identificar mudanças nas perspectivas ao longo do tempo, como potenciais impulsionadores do desempenho de ativos, como ações. “No momento, estamos quantificando o sentimento sobre mais de cem fatores-chave de desempenho de ativos em diferentes tipos de conteúdo: relatórios de pesquisa patrimonial, transcrições, notícias e documentos das empresas”, conta Rocha.
A análise de sentimentos pode ajudar a classificar notícias com base em sentimentos positivos e negativos para indicar o provável impacto no preço das ações, mas também possui usos mais diferenciados.
Impactos financeiros da Covid-19
“Ao combinar as pontuações dos sentimentos sobre ativos em diferentes dimensões com uma variedade de métricas relacionadas à evolução da pandemia, como número de casos, taxas de mortalidade e de recuperação, poderíamos potencialmente identificar os principais fatores de desempenho de ativos, incluindo quais ações de empresas são mais afetadas e em que grau”, afirma Kelvin Rocha.
Segundo o cientista de dados, o PLN pode ser utilizado para equiparar as menções sobre Covid-19 em conteúdos não estruturados a sinais baseados em sentimentos. Embora a intensidade desses sinais possam variar com base na geografia e no tipo de indústria, ter um sentimento agregado sobre Covid-19 para ativos e em diferentes tipos de conteúdo pode servir para prever retornos futuros de ações ajustadas pelo mercado.
O Refinitv Labs acredita que futuros avanços em redes neurais serão primordiais para o desenvolvimento do PLN, com o potencial de transformar os serviços finaceiros.
Quer saber mais sobre o Refinitiv Labs? Confira aqui nossos projetos mais recentes e oportunidades de carreira. E ouça o nosso primeiro Learn-it-all Lab virtual sobre PLN para o mercado de capitais.
