O emprego do Machine Learning (ML) no gerenciamento de riscos vem impulsionando a adoção dessa tecnologia pelo setor financeiro. Mas, segundo uma nova pesquisa da Refinitiv, ela também começa a ter impacto na busca de investidores por Alfa.
- Atualmente a principal aplicação do Machine Learning é em funções de gerenciamento de risco. Uma recente pesquisa realizada pela Refinitiv demonstrou que 84% dos profissionais sênior do setor financeiro adotam a tecnologia (baseada em Inteligência Artificial) para esse fim.
- Bancos e outras instituições desse setor empregam o Machine Learning no combate aos crimes financeiros, automatizando processos de compliance de Know Your Customer (KYC) e Anti-Money Laudering (AML) para torná-los mais simples e baratos.
- As redes de código aberto têm ajudado a desbravar novas aplicações para o Machine Learning.
É inegável a atual importância do Machine Learning para o dia-a-dia das instituições financeiras, seja para a simplificação de processos internos ou para a geração de Alfa, termo pelo qual o mercado se refere a lucros que superam a previsão esperada para determinado investimento.
Em uma recente pesquisa conduzida globalmente com funcionários sênior do setor de finanças, incluindo executivos C-Level e especialistas em ciências de dados, a Refinitiv constatou que 90% dos entrevistados já implantaram o Machine Learning em um ou mais departamentos de suas organizações.
Mas, afinal, como eles estão aplicando essa nova tecnologia? E onde ela está agregando mais valor?
Segundo o estudo, 84% dos profissionais utilizam o Machine Learning em processos de gestão de risco, e 62%, em investimentos e geração de lucros. Entretanto, à medida que a Inteligência Artificial evolui, esses números devem mudar.
Machine Learning e o gerenciamento de risco
Em um mundo corporativo cada vez mais pressionado por eficiência, custos e regulações, a possibilidade de se utilizar Machine Learning para reduzir prejuizos e evitar penalidades regulatórias é incrivelmente atraente.
Ao adotar a tecnologia para entender melhor flutuações de preço, medir exposições financeiras e simular como alguns eventos podem afetar diferentes cenários de investimento, gerentes de portfólio e traders reduzem riscos e protegem seus investimentos.
As instituições financeiras estão usando o Machine Learning para reduzir o risco de crimes financeiros, automatizando processos de compliance de Know Your Customer (KYC) e de Anti-Money Laundering (AML).
Da análise inicial do cliente a monitoramentos e investigações posteriores, essa tecnologia tem possibilitado rastreamentos e combinações entre várias fontes de dados para que bancos e outras empresas do setor enxerguem melhor os riscos associados a um indivíduo ou entidade.
Programas baseados em IA também ajudam as equipes da área de risco a lidar com a enorme carga de falsos positivos que atrapalham o fluxo operacional das instituições financeiras.
Podemos dizer que, finalmente, conseguimos aplicar o Machine Learning para identificar padrões e redes de entidades previamente invisíveis, permitindo que as organizações sejam mais pró-ativas na prevenção de crimes financeiros.
Outra possível aplicação é em avaliação de riscos operacionais, quando gestores de ativos e de fundos de hedge lançam mão da IA para identificar pontos fracos e melhorar processos de tomada de decisão. Exemplos disso incluem modelos de impacto de diferentes exposições geográficas e setoriais, análise do sentimento de analista e simulações de cenários.
Todas as aplicações citadas acima têm a capacidade de gerar benefícios financeiros diretos –em termos de redução de custos e de proteção de ativos—, além de evitar que as empresas incorram em falhas de compliance.
Impulsionando lucros
Os traders estão sob crescente pressão para encontrar vantagens competitivas e ter novas e rentáveis ideias de investimento e geração de lucros. Em busca de boas estratégias de mercado, eles têm empregado o Machine Learning para extrair novas fontes de dados, identificar padrões, detectar sinais e fazer previsões.
No entanto, ainda existem barreiras para que a tecnologia possa ser amplamente adotada pelos mercados financeiros. Entre elas, estão fatores como falta de confiança e baixa qualidade de dados.
Com bilhões de dólares de clientes em jogo, colocar em prática estratégias de investimento baseadas em IA pode ser mais desafiador do que parece. Afinal, os investidores precisam de garantias sobre a solidez e segurança desses novos modelos de negócios.
O problema é que, para serem testados e completamente validados, muitos desses modelos exigem dados históricos e confiáveis.
Contudo, em setores mais novos, como o de tecnologia, os dados de uma organização costumam remontar somente a poucos anos, o que pode dificultar bastante a vida de um analista procurando comparar o comportamento passado de algumas ações de empresas e antigas oscilações de preços.
Além disso, tanto agentes reguladores quanto clientes vêem com desconfiança a falta de transparência inerente aos chamados modelos de “caixa preta” (black box). Como se não bastassem essas incertezas, há ainda preocupações com potenciais questões éticas.
Maior colaboração à vista
Tudo isso pode explicar por que em nossa pesquisa o uso do Machine Learning para as áreas de investimento e de geração de lucros aparece muito atrás do seu emprego para risco e compliance.
Esperamos, no entanto, que com uma maior colaboração entre agências reguladoras e o setor financeiro, a situação mude.
Um exemplo que podemos citar nessa direção é a recente orientação da Monetary Authority of Singapore sobre o uso responsável de Inteligência Artificial e análise de dados para instituições que oferecem produtos e serviços financeiros.
Por fim, é importante frisar que não importa quão bem desenvolvido e implantado é um modelo se os dados que o alimentam não forem precisos. Por sinal, a nossa pesquisa aponta a baixa qualidade e disponibilidade de dados como os principais desafios para uma adoção mais ampla do Machine Learning. É exatamente aí que a Refinitiv pode ajudar, com #MLReadyData.
Vantagem competitiva
Como um dos maiores provedores de dados e infraestrutura para mercados financeiros do mundo, a Refinitiv é capaz de fornecer os dados necessários para a perfeita implementação do Machine Learning em sua empresa. E estamos comprometidos em trabalhar de forma aberta e colaborativa com nossos clientes para desbloquear as inúmeras possibilidades contidas nesses dados.
Até pouco tempo atrás, especialistas em ciências de dados precisavam pesquisar e construir modelos de Machine Learning a partir do início. Agora, estruturas de código aberto como o TensorFlow, PyTorch e Scikit-learn permitem criar e testar novos modelos com muito mais rapidez.
Com isso, e a disponibilidade de dados de alta qualidade, acreditamos que as aplicações dessa tecnologia serão expandidas e impulsionadas. Diante desse panorama, prevemos que a Inteligência Artificial será o maior criador de vantagens competitivas do setor financeiro – e a Refinitiv pode ajudar o seu negócio a usufruir ao máximo do Machine Learning para a redução de riscos e obtenção de lucros.
