O setor de asset management no Brasil tem passado por um período de transformação. Os grandes bancos, que antes eram protagonistas, agora dividem o mercado com dezenas de gestoras independentes. Esse novo cenário, de capital mais pulverizado, aumenta a competição e faz com que haja a necessidade de maior diferenciação entre os produtos. Os mercados mais rápidos e sofisticados, por outro lado, tornam as oportunidades de lucro cada vez mais raras. É exatamente nesse contexto de mercados mais dinâmicos e de maior competição entre as gestoras que surge a nova revolução tech no asset management .

Hoje, a B3 possui aproximadamente 450 empresas listadas. Na NYSE, esse número é próximo de 3 mil. Se considerarmos todos os ativos e derivativos sendo negociados, esses números crescem exponencialmente. Diante disso, a tarefa do trader tradicional tem se tornado cada vez mais complexa e os processos completamente manuais de monitoramento e execução são, hoje, impraticáveis. A nova revolução tecnológica na indústria tem remodelado a forma como os ativos são analisados e negociados, permitindo um modelo de trabalho mais escalável, mais eficiente e com gestão de risco mais precisa.

Um dos principais avanços que têm viabilizado o ganho de escala nos processos é o uso de algoritmos e modelos de machine learning na tomada de decisão de investimentos. Tradicionalmente, o gestor teria à sua disposição um grupo de traders, cada um especializado em um setor, responsável por levantar todas as informações relevantes para o processo de alocação naquele setor. Nesse cenário, para aumentar o universo de ativos analisados seria necessário aumentar o número de traders, afinal, cada trader é capaz de acompanhar um número limitado de ativos. Por outro lado, no cenário atual, as novas tecnologias disponíveis permitem que os gestores se alavanquem e consigam monitorar centenas de milhares de ativos sem necessariamente aumentar o tamanho da equipe na mesma proporção.

Por exemplo, um fundo fundamentado em movimentos macroeconômicos costuma montar sua carteira de acordo as previsões de variáveis como inflação, PIB e desemprego. Nesse caso, os economistas do time ficam responsáveis por criar os modelos de previsão, atualizar os números todos os meses e então passar as informações atualizadas para os gestores. O processo se repete sempre que novos dados são divulgados. Como a pesquisa macroeconômica é uma das mais extensas na literatura econômica e esses dados possuem um componente inercial relevante, os modelos macroeconômicos são relativamente estáveis e de baixa manutenção ao longo do tempo.

A automatização de relatórios dessa natureza poupa recursos humanos e tempo, além de gerar ganhos de eficiência para o usuário final. Os dados, em geral, podem ser obtidos a partir fontes oficiais (governo, banco central etc.) utilizando algoritmos de web-scraping, carregados em bancos de dados via API (Application Programming Interface – um software intermediário que permite a comunicação entre duas aplicações), consumidos por scripts automatizados e disponibilizados em plataformas interativas de visualização de dados online. Tudo isso é possível desde que a infraestrutura necessária esteja disponível.

Algumas gestoras já perceberam oportunidades de ganhos de eficiência no processamento e análise de dados recorrentes e a automação de relatórios econômicos sofisticados já é uma realidade no mercado financeiro brasileiro. Ao invés de planilhas em Excel, macros VBA e rotinas de atualização semi-manuais, ferramentas como PowerBI, Tableau e Jupyter Notebooks têm sido usadas para atualizar relatórios usando dados armazenados em banco de big data. Novos relatórios podem ser gerados diariamente usando orquestradores, como Apache Airflow e Prefect, sem nenhuma intervenção humana adicional no processo. Essa nova realidade explica em grande parte o crescimento da demanda por cientistas de dados e engenheiros de software no setor financeiro.

Um case study interessante é a dinâmica de previsão de inflação. Automatizar modelos de inflação é simples e razoavelmente arbitrado entre os agentes do mercado. Por isso, as previsões acabam sendo muito semelhantes de uma casa para outra. Uma alternativa interessante para obter estimativas mais precisas, e potencialmente distintas daquelas obtidas utilizando modelos simplificados, são as previsões com base em coletas de preços individuais e a então reconstrução do índice de inflação com base nos pesos oficiais. Boa parte da coleta de preços pode ser feita online e implementada de diferente maneiras, a depender do nível de sofisticação da infraestrutura do time.

Um grupo de estagiários poderia ser designado para coletar e fazer a manutenção dos links associados aos produtos monitorados. Nesse caso, o número de estagiários cresceria proporcionalmente ao número de links. Alternativamente, esse processo poderia ser alavancado usando as novas tecnologias disponíveis como, por exemplo, técnicas de inteligência artificial que buscam por produtos nos websites de redes de supermercados de forma dinâmica usando algoritmos de classificação de imagens, ou seja, um modelo treinado com diferentes imagens de tomates poderia identificar tomates na página de qualquer supermercado e extrair o dado de preço associado à imagem.

Por conta dos mercados cada vez mais rápidos, o uso de algoritmos também tem ganhado relevância na etapa de execução das ordens de compra e venda dos ativos. Eficiência no momento da negociação é um componente importante de estratégias de investimento sofisticadas, em especial aquelas que operam em frequências mais altas. O denominado high frequency trading é por definição um modelo de negociação intensivo em tecnologia: programas de computadores compram e vendem ativos em milésimos de segundo lucrando unicamente sobre o bid-ask spread, isto é, sobre a diferença entre o preço da ordem de compra e o preço da ordem de venda.

Os algoritmos de execução são calibrados para que a negociação seja feita com o menor impacto possível sobre o preço. Nesse contexto, fundos que operam em baixa frequência também têm investido em algoritmos de execução para diluir o volume de negociação e evitar uma previsibilidade nos seus trades. Por exemplo, um fundo long-only de 10 bilhões de reais que rebalanceia todo primeiro dia útil do mês tem um impacto substancial nos preços, esse padrão pode ser facilmente monitorado e operado por traders procurando oportunidades de arbitragem. Algoritmos de execução como VWAP (Volume-Weighted Average Price) e TWAP (Time-Weighted Average Price) são alguns exemplos dos produtos oferecidos pelas corretoras para minimizar o impacto dos trades sobre o mercado e oferecer um certo nível de proteção contra custos de slippage.

O fato é que o setor de asset management no Brasil tem adotado uma abordagem cada vez mais quantitativa tanto na etapa de monitoramento dos mercados quanto no processo de alocação final. Nesse contexto, destacam-se os “fundos quantitativo-sistemáticos”. Os também denominados “quants” se caracterizam pelo uso de (1) modelos matemáticos na construção das estratégias e (2) processos sistematizados. Essa classe de fundos procura oportunidades de lucro nos dados e negocia os sinais de compra e venda seguindo um conjunto de regras pré-estabelecidas de forma sistemática e automática.

Os quants costumam explorar dados financeiros – preços, volumes e informações contábeis – em diferentes frequências de tempo – dias, minutos e até frações de segundos – utilizando diferentes famílias de modelos matemáticos. Um modelo de aprendizado não supervisionado, por exemplo, seria capaz de identificar agrupamentos (clusters) de ações que têm uma boa performance em cenários de alta volatilidade e essa informação poderia ser utilizada para diversificar uma carteira de forma mais eficiente. A mesma técnica de clusterização pode ser aplicada para classificar fundos de acordo com seus fatores de risco ou até mesmo para definir um esquema de pesos entre os ativos no processo consolidação do portfólio.

À medida que os times de gestão se tornam mais techs, o fato de os mercados serem razoavelmente eficientes faz com que oportunidades de lucros identificadas por modelos baseados em dados de mercado sejam exauridas. Diante desse cenário, pesquisadores passaram a explorar fontes alternativas de dados. Um dos usos não triviais de inteligência artificial na construção de carteiras de investimento é a avaliação da saúde financeira das empresas a partir de imagens de satélite – como, por exemplo, a previsão do resultado de empresas de varejo baseada no monitoramento do número de carros nos estacionamentos das lojas.

O caso do setor petrolífero também é bastante interessante. Empresas petrolíferas não costumam divulgar dados detalhados sobre a produção – interrupções nas refinarias ou restrições no processo de extração, por exemplo, não são reportadas – e, dependendo do país em que elas estão situadas, essa informação é ainda mais difícil de ser obtida por meio fontes convencionais. O uso de imagens de satélite permite o monitoramento dos estoques de petróleo em diferentes partes do mundo numa frequência mais alta a partir de modelos de machine learning que processam as imagens das refinarias obtidas do espaço. Com essa informação em mãos, os gestores são capazes de antecipar os próximos movimentos do mercado e posicionar suas carteiras de forma mais adequada.

Dados de fontes alternativas, como postagens online, também têm sido frequentemente utilizados em análises de sentimentos de mercado. Por exemplo, durante uma votação no congresso, é possível construir um índice de sentimento, utilizando técnicas de Natural Language Processing (NLP), que monitora a opinião dos parlamentares a partir dos seus tweets publicados e então sugere o provável posicionamento daquele parlamentar na votação. O mesmo é válido para análises de sentimento em períodos eleitorais que podem ser usadas tanto para prever resultados de pesquisas de intenção de voto quanto para construir cenários eleitorais e estimar seus possíveis efeitos sobre o portfólio.

Machine Learning é um novo nome para modelos estatísticos que têm sido explorados na pesquisa acadêmica há um bom tempo, mas que agora, alavancados por sistemas operacionais modernos, têm se tornado cada vez mais populares no mercado financeiro brasileiro. A necessidade de ganhos de escala na análise de ativos, rapidez na identificação de oportunidades de lucro e precisão no processo de negociação fazem com que os times de gestão trabalhem lado a lado com os times de tecnologia para desenvolver soluções que funcionem autonomamente, causando um aumento na demanda por profissionais com perfil tech na indústria de asset management.

A competição entre os gestores gera um cenário ainda mais propício para o aumento do uso de tecnologia e dados alternativos e muitas soluções podem surgir dessa combinação. Os mercados tendem a se tornar cada vez mais arbitrados e os times mais intensivos em tecnologia terão uma vantagem competitiva. O que não se sabe é se isso será verdade para sempre ou se haverá um ponto de inflexão em que mais tecnologia não será suficiente. Os mercados voltariam então para um cenário em que as equações tradicionais seriam mais lucrativas do que modelos complexos de redes neurais. Infelizmente, ainda não há algoritmo que consiga prever.

Hully Rolemberg, Quantitative Researcher da Daemon Investments

Atualize-se sobre as novas regras da CVM e do Banco Central e evite riscos legais e financeiros associados a ativos digitais no curso Cripto Law