Pular para o conteúdo
início » Copilot Hoje, Autopilot Amanhã?

Copilot Hoje, Autopilot Amanhã?

    Para obter mais informações sobre as aplicações de inteligência artificial (IA) na gestão de investimentos, leia o livro “The Handbook of Artificial Intelligence and Big Data Applications in Investments”, de Larry Cao, CFA, da CFA Institute Research Foundation. O ChatGPT e outros modelos de linguagem extensos (LLMs) podem eventualmente automatizar muitas tarefas na gestão de investimentos e na indústria financeira. Embora esse dia ainda não tenha chegado, os LLMs ainda são adições úteis para o kit de ferramentas do analista. Portanto, com base no que aprendemos sobre a nova arte sombria do “prompt engineering”, como os analistas quânticos e fundamentais podem aplicar os LLMs, como o ChatGPT? Quão eficazes essas tecnologias podem ser como copilotos?

    No geral, os analistas de ações conhecem suas empresas de cima a baixo, então o ChatGPT pode não revelar nada de novo sobre as empresas com as quais estão familiarizados. No entanto, os LLMs podem gerar rapidamente uma visão geral de empresas menos conhecidas em grande escala. Abaixo estão as instruções (prompts) que usaríamos para analisar uma empresa hipotética chamada CompanyX:

    Visão geral da empresa: “explique o modelo de negócio da CompanyX”
    Análise SWOT (forças, fraquezas, oportunidades, ameaças) da CompanyX: “realize uma análise SWOT da CompanyX”
    Lista de 10 concorrentes da CompanyX: “liste os 10 principais concorrentes da CompanyX”
    Lista dos 10 principais riscos para um investimento na CompanyX: “liste os 10 principais riscos para um investimento na CompanyX”

    Visão geral de meio ambiente, social e governança (ESG):
    “liste e descreva 10 escândalos ambientais da CompanyX”
    “liste e descreva 10 escândalos de governança da CompanyX”
    “liste e descreva 10 escândalos sociais da CompanyX”

    Em seguida, adicionaremos um final padrão a cada instrução para aumentar as chances de uma resposta precisa: “liste suas fontes; se você não souber a resposta, escreva ‘Não sei'”.

    Agora podemos testar algumas dessas instruções em dois estudos de caso simples:

    “Crie um resumo: [endereço da web do documento de texto, ou cole o texto]”
    “Liste 10 pontos negativos” (arriscado, a menos que forneçamos o texto de origem)

    Realizamos essa análise ChatGPT em duas empresas reais – Mphasis, uma empresa indiana de médio porte pouco conhecida, e Vale, uma empresa de mineração brasileira muito conhecida – e pontuamos os resultados de cada tarefa em uma escala de um a cinco, sendo cinco a pontuação mais alta. As respostas foram geradas simplesmente por meio do ChatGPT-4, mas, na prática, os gestores mais tecnológicos automatizariam grande parte desse processo. Usaríamos múltiplos LLMs, o que nos dá mais controle sobre as respostas, maior validação e cruzamento de dados, e uma escala muito maior. No entanto, como todos os resultados produzidos pelo ChatGPT, é necessário tratá-los com cuidado e não aceitá-los como verdade absoluta, especialmente se estivermos confiando apenas nos dados de treinamento do modelo.

    1. Visão geral da empresa Mphasis:
    Embora os resultados não sejam reveladores, o ChatGPT fornece um resumo informativo e de alto nível da Mphasis. Também solicitamos as fontes e instruímos explicitamente que não invente informações. Essas medidas aumentam a precisão, mas não são infalíveis. À medida que avançamos, o LLM oferece insights mais interessantes. Agora podemos aprofundar um pouco com uma análise SWOT. Nossa análise SWOT identifica “Dependência de determinadas indústrias” como uma possível fraqueza para a empresa. Portanto, fazemos perguntas adicionais para ajudar a entender o contexto subjacente. Pontuação da visão geral da empresa Mphasis: 4

    2. Visão geral de ESG da Vale:
    O histórico da Vale em questões ESG tem gerado manchetes, e o ChatGPT capta os principais temas. Uma simples instrução específica sobre um aspecto – “Social” – gera resultados precisos, embora o sistema alerte que não pode atribuir fontes e recomenda que verifiquemos a resposta de outras fontes. Para obter mais detalhes, precisamos investigar mais profundamente do que o ChatGPT permite. Pontuação da visão geral de ESG da Vale: 3

    Verificação dos fatos: ChatGPT questiona e resume os dados mais recentes da Mphasis
    O ChatGPT pode resumir e interrogar a última chamada de resultados de uma empresa, fluxo de notícias, análises de terceiros ou qualquer dado que fornecermos – isso é chamado “verificação dos fatos”, um uso diferente da expressão em relação à aprendizagem supervisionada de máquina. Mas se não especificarmos e fornecermos o texto para o ChatGPT analisar, como vimos anteriormente, ele dependerá apenas dos dados de treinamento, aumentando o risco de “alucinações enganosas”. Além disso, a data final dos dados de treinamento do LLM limitará as possíveis informações. Outro ponto a ser lembrado é que as comunicações oficiais da empresa geralmente são otimistas e positivas. Portanto, em vez de pedir ao ChatGPT para “resumir” uma chamada de resultados, podemos solicitar que liste 10 pontos negativos, o que deve proporcionar respostas mais reveladoras. O ChatGPT oferece resultados rápidos e eficazes. Embora muitas vezes sejam óbvios, eles podem revelar fraquezas importantes que podemos investigar mais a fundo. Pontuação do resumo dos dados mais recentes da Mphasis: 5

    Copiloto do analista quantitativo
    O ChatGPT pode escrever funções simples e descrever como produzir determinados tipos de código. Na verdade, o “GPT codex”, um componente do GPT-3 treinado em código de programação de computadores, já é uma ferramenta útil de autocompletar código no GitHub Copilot, e o GPT-4 será a base do futuro GitHub Copilot X, que será mais abrangente. No entanto, a menos que a função seja bastante padrão, o código gerado pelo ChatGPT na maioria das vezes requer ajustes e modificações para obter resultados corretos e otimizados e, portanto, serve melhor como um modelo. Portanto, no momento, é improvável que os copilotos dos LLMs substituam os codificadores quantitativos em breve. Um analista quantitativo pode usar o ChatGPT para as três tarefas descritas abaixo. Aqui estamos apenas instruindo o ChatGPT. Na prática, acessaríamos LLMs específicos do codex e integraríamos outras ferramentas para criar automaticamente um código muito mais confiável.

    1. Desenvolver um pipeline de investimento completo:
    O ChatGPT pode executar parcialmente instruções complexas, como “escrever funções em Python para impulsionar uma estratégia de investimento quantitativo em ações”. No entanto, o código resultante pode precisar de consideráveis edições e ajustes para obter resultados corretos e otimizados, e serve melhor como um modelo. O desafio é fazer com que o ChatGPT forneça um código o mais próximo possível do produto final. Para isso, ajuda usar uma lista numerada de instruções, em que cada item da lista contenha detalhes importantes. No exemplo abaixo, instruímos o ChatGPT a criar cinco funções como parte de uma estratégia de investimento quantitativo baseada em fatores e pontuamos cada função em nossa escala de cinco pontos. Para obter uma precisão um pouco maior, também construiríamos uma instrução para o sistema de “verificar a existência dos pacotes, garantir que todo o código funcione corretamente.”.

    1. Baixar dados de séries temporais de fatores:
    O ChatGPT gera uma função decente que baixa um arquivo zip de dados de fatores da Biblioteca de Dados de Kenneth R. French e extrai um arquivo CSV. Mas tivemos que adicionar instruções mais detalhadas – “baixar o arquivo zip, descompactar, ler o CSV em um DataFrame Pandas” – para obter um bom desempenho. Pontuação: 4

    2. Baixar dados de retornos de ações:
    Mais uma vez, a função que o ChatGPT escreve funciona. Mas novamente, tivemos que adicionar mais detalhes, como “usando get_data_yahoo, ler o CSV em um DataFrame Pandas”, para fazer a função funcionar corretamente. Pontuação: 4

    3. Alinhar as datas nos dados baixados:
    Os dados que baixamos, vindos da Biblioteca de Dados de Kenneth R. French e Yahoo, possuem formatos e frequências de data diferentes. O ChatGPT não resolveu esse problema para nós, então tivemos que reformatar as datas e, em seguida, escrever o código para alinhar os dois conjuntos de dados. O tratamento desses dados é a parte mais demorada e arriscada da maioria dos processos de dados, e o ChatGPT não foi de grande ajuda