Pular para o conteúdo
início » A aprendizagem de máquina pode ajudar a prever a próxima crise financeira?

A aprendizagem de máquina pode ajudar a prever a próxima crise financeira?

    O que queremos dizer com crise financeira? Quais são alguns dos métodos clássicos que preveem tais crises? Como os algoritmos de aprendizado de máquina podem contribuir para antecipá-las?

    As crises financeiras assumem diversas formas: desde defaults soberanos até corridas bancárias e crises cambiais. O que todos esses episódios têm em comum é que uma vulnerabilidade interna piora ao longo do tempo e, após um gatilho associado, desencadeia uma crise financeira.

    Identificar o gatilho específico pode ser difícil, portanto, a evolução das vulnerabilidades internas deve ser monitorada. O que exatamente são essas vulnerabilidades internas? Em termos estatísticos, são as variáveis explicativas nos modelos de crise. Em episódios históricos de crise, frequentemente serviram como variável de resposta.

    Embora isso faça parte da abordagem clássica para modelar crises financeiras, não é a única maneira de modelar os riscos financeiros.

    No modelo clássico de crise, o método padrão é usar regressões logísticas para estimar a probabilidade de uma crise financeira. As variáveis explicativas estão conectadas à variável de resposta com uma função de ligação não linear. A variável dependente é 0 para nenhuma crise e 1 para crise. Essa abordagem depende da definição de crise financeira. As variáveis passadas são modeladas com a ajuda da máxima verossimilhança variando as exposições das variáveis explicativas em relação à variável de resposta. Em termos de aprendizado de máquina, isso é uma técnica de aprendizado supervisionado ou uma regressão logística com uma camada oculta. Também é conhecido como uma rede neural rasa.

    Determinar a probabilidade de inadimplência ou crise a partir dos preços de mercado são outros métodos de modelagem de crise. Por exemplo, a partir de swaps de inadimplência de crédito (CDS), pode-se calcular uma probabilidade implícita de inadimplência. Claro, isso é fundamentalmente diferente tanto da regressão logística descrita acima quanto da aplicação de algoritmos de aprendizado de máquina descritos abaixo.

    Então, o que os algoritmos de aprendizado de máquina podem fazer para melhorar a estimativa das probabilidades de crises financeiras? Primeiro, a aprendizagem não supervisionada é diferente da aprendizagem supervisionada, pois não há uma variável de resposta. O agrupamento é uma técnica que vale a pena destacar. O objetivo do agrupamento é agrupar pontos de dados de maneira sensata. Esses grupos de dados estarão associados a um centro de massa para ajudar a determinar a estrutura nos conjuntos de dados. O agrupamento pode ser aplicado tanto à variável dependente quanto à variável independente. Em vez de usar um limite fixo para determinar uma crise cambial, por exemplo, podemos dividir os retornos cambiais em diferentes clusters e derivar um significado sensato de cada cluster.

    Os algoritmos de aprendizado de máquina podem agregar valor significativo dessa maneira. Embora o agrupamento seja apenas um exemplo do poder da codificação, esses algoritmos têm várias outras aplicações úteis.

    Claro, embora o aprendizado de máquina seja simplesmente um termo guarda-chuva para muitos algoritmos úteis, se a máquina realmente aprende é uma questão completamente diferente.

    Dividir a série temporal em um conjunto de treinamento e teste ainda está entre as principais fraquezas do aprendizado de máquina. Como determinar a divisão? Muitas vezes, a decisão é arbitrária.

    Independentemente dessas deficiências, elas dificilmente diminuem os benefícios significativos que o aprendizado de máquina pode trazer. De fato, agora é a hora de investir nessas capacidades.

    Se você gostou deste post, não se esqueça de se inscrever no Enterprising Investor.

    Todos os posts são opiniões do autor. Como tal, não devem ser interpretados como conselhos de investimento, nem refletem necessariamente as opiniões do CFA Institute ou do empregador do autor.

    Crédito da imagem: ©Getty Images/noLimit46

    Aprendizado Profissional para Membros do CFA Institute

    Os membros do CFA Institute têm autonomia para determinar e informar os créditos de aprendizado profissional (PL) obtidos, incluindo o conteúdo do Enterprising Investor. Os membros podem registrar créditos facilmente usando seu rastreador PL online.