Modelos de tirocínio de máquinas não são novos para operadores do mercado financeiro: regressões logísticas ou redes neurais profundas são usadas há muitos anos para tarefas uma vez que avaliação de risco de crédito ou estudo de variações no mercado.
Leia também
Esses modelos são excelentes para categorizar ou prever informações usando uma vez que base dados históricos, mas são fundamentalmente limitados às tarefas específicas para as quais foram treinados.
A perceptibilidade sintético generativa, com o vinda dos “modelos transformer” por pesquisadores do Google, representa um salto qualitativo. Agora, esse modelos são capazes de aprender o contexto e a semiologia de sequências de dados, tornando-os versáteis o suficiente para gerar texto, interpretar linguagem oriundo e realizar análises mais profundas.
Eles são uma vez que ‘cérebros virtuais’ que não só classificam informações, mas também as entendem, abrindo assim um leque muito mais largo de aplicações e eficiências no setor financeiro.
Em oposição ao tirocínio de máquinas anterior, esses novos modelos podem realizar atividades com exclusivamente alguns exemplos ou exclusivamente a descrição da tarefa. Muita tinta já foi gasta a reverência das implicações em investimentos da perceptibilidade sintético e temos visto inclusive banqueiros centrais pensando se os possíveis ganhos de produtividade da perceptibilidade sintético generativa poderiam impactar a produtividade, inflação e os juros das economias.
Provavelmente no início de 2024 investidores irão ter entrada ao Microsoft 365 Co-pilot, que irá trazer a Perceptibilidade Sintético para o Office, principalmente ao Excel, que todos os profissionais de finanças usam. Mas relativamente pouco tem sido falado a reverência de uma vez que a perceptibilidade sintético é capaz de aumentar significativamente os processos de pesquisa para investidores no presente.
Já existem ferramentas que facilitam e agilizam atividades de profissionais do mercado financeiro. Um exemplo é o ChatGPT Plus, que com o plugin AITickerChat, soma que é verosímil fazer no software para a personalização do programa, permite que o ChatGPT seja capaz de acessar transcrições das apresentações de resultados de empresas com listagem americana.
Outro recurso disponível é a Estudo de Código Avançada, do ChatGPT, utensílio que propicia a realização de um largo estudo estatístico que antes só era verosímil com uma utensílio de programação, uma vez que o R ou Python.
Imagine um comentador de investimentos que queira entender uma vez que as margens de lucro variam entre diferentes empresas em um setor específico. O que antes era um processo complicado e demorado por meio da geração de gráficos pelo Excel tornou-se intuitivo e rápido com o ChatGPT, que em segundos apresenta os dados de forma ordenada a partir da transmissão de uma simples planilha contendo as informações primárias.
No lado do crédito, a sucursal de avaliação de risco Moody’s está construindo o Moody’s CoPilot, recurso que já está sendo usado por 14 milénio funcionários e que simplifica a procura por informações em milhares de relatórios de crédito que eles produzem há mais de um século.
Antes, o tirocínio clássico de máquinas apresentava dificuldades de compreensão dos dados de texto, mas agora os analistas podem utilizar todo o corpo de conhecimento da empresa por meio da perceptibilidade sintético generativa, para otimizar esse trabalho de localização. Neste momento, a Moody’s está trabalhando em 180 novas funcionalidades, sendo que mais de 90 delas devem ser abertas para clientes externos.
Mas ainda estamos distantes do momento em que modelos de perceptibilidade sintético generativa vão, de vestimenta, operar em mercados financeiros. Gestoras quantitativas americanas, uma vez que Jane Street e Citadel, estão começando a comprar placas de vídeo da Nvidia (capazes de treinar os modelos linguísticos mais avançados) para testar abordagens de IA generativa. No entanto, é importante reconhecer a diferença entre os algoritmos de tirocínio de máquinas que são usados há décadas em Wall Street.
Esses modelos clássicos podem proferir coisas uma vez que “com 95% de crédito estatística, quando chove em Novidade Iorque numa segunda-feira, a ação do Starbucks supera o mercado naquele dia” (ou tipicamente muito mais multíplice que isso, inclusive sem versão humana), enquanto uma IA generativa estaria tentando se confrontar com um ser humano.
Isso envolveria estudo de relatórios e documentos regulatórios, leitura de apresentações de resultados, versão de dados alternativos, realização de entrevistas com profissionais do mercado financeiro, efetuação de projeções financeiras, peroração de teoria de valor justo por ação e recomendações de compra e venda de ativos listados.
Mas isso levará tempo até ser feito com fé. Enquanto isso, a simbiose entre o comentador e a máquina só vai se fortalecendo e as gestoras quantitativas terão de superar não exclusivamente o humano, mas o humano coligado à máquina.
