Por Robert Simek, Head of Sell-side Analytics da Bloomberg
Traders enfrentam o desafio de responder a solicitações de preços de ativos, tais como títulos — as chamadas solicitações de cotação (RFQs, na sigla em inglês) — o mais rápido possível e com o melhor preço, às vezes lidando com até 10.000 ordens ou RFQs por dia.
Com um volume cada vez maior e com restrições de tempo desafiadoras, muitos estão percebendo o quão difícil é acompanhar este movimento — perdendo oportunidades e não trabalhando tão eficientemente quanto poderiam — e buscando ajuda na tecnologia para otimizar esse processo.
Incorporar inteligência artificial (AI) e aprendizagem de máquina é uma abordagem que ocupa o centro das atenções atualmente, mas não é uma solução tão simples quanto parece. Os desafios enfrentados por aqueles que tentam implementar modelos de aprendizagem de máquina incluem as enormes quantidades de dados disponíveis, além da dificuldade em delinear o problema de forma adequada para que a inteligência artificial possa ser aplicada com sucesso. Além disto, é imperativo normalizar, enriquecer e alinhar os dados para que a máquina possa reconhecer padrões. Por último, as organizações precisam de dedicação para entender a inteligência artificial e aplicá-la ao problema em pauta.
A inteligência artificial oferece um processo mais eficiente para resposta de RFQs
Atualmente, regras rígidas de codificação são usadas para ajudar a automatizar o processo de roteamento de negociações e responder RFQs; no entanto, é difícil abandonar a abordagem “se isso, faça aquilo”. Rapidamente, uma mesa de operações pode estar diante da complexidade de gerenciar tais conjuntos de regras e determinar quais regras contrabalanceiam ou se sobrepõem a outras.
Por exemplo, um trader do sell-side pode definir uma única regra para responder automaticamente a negociações com menos de cinco títulos em volume, mas a falta de detalhes pode levar a complicações. Então, em vez disto, ele codifica o fluxo de trabalho para responder negociações com menos de cinco títulos automaticamente se:
O conjunto de regras pode crescer muito rapidamente, e apesar da solução determinística de resposta automática ser útil para os traders, ela requer manutenção e monitoramento constantes.
Em contraste, uma abordagem tecnológica diferenciada pode ajudar os traders a resolver o problema de uma forma mais eficiente:
1. Sinais: adicionar sinais dinâmicos ao conjunto de regras. Isto ajuda a ajustar as regras com base em mudanças na precificação de mercado, na liquidez, nas demandas de clientes, no risco e no balanço. Por exemplo, se notícias negativas forem publicadas sobre um emissor, os traders não devem cotar o título automaticamente.
2. Machine learning: adicionar um modelo de aprendizagem de máquina para sugerir quais ordens ou RFQs devem ser a prioridade do trader, de forma semelhante ao que a Netflix faz quando sugere os filmes dos quais um telespectador pode gostar. A tecnologia de aprendizagem de máquina pode fazer a mesma coisa, aprendendo com as negociações que os usuários precificaram no passado. Um ciclo de feedback pode identificar mudanças nos padrões e fazer ajustes.
O maior benefício de uma automação dinâmica para os traders é que ela permite que se concentrem nas decisões de mais alto valor.
Do determinismo à dinâmica
Um sistema determinístico é um sistema baseado em regras — também chamado "sistema especializado" — utilizado para automatizar fluxos de trabalho. Essencialmente, um especialista em determinado assunto cria regras que determinam como o sistema deve funcionar. Esta automação é tipicamente encontrada na maioria dos sistemas de Wall Street hoje.
O problema com sistemas determinísticos é que exigem revisão constante, dificultando o gerenciamento sob condições de mercado em constante transformação.
Um sistema dinâmico, por outro lado, é uma abordagem de aprendizagem de máquina utilizada para automatizar fluxos de trabalho. Esta abordagem utiliza dados históricos para identificar padrões e fazer sugestões, por exemplo, classificar uma lista de ordens. Há também um ciclo de feedback, que realimenta o modelo de aprendizagem de máquina a partir de mudanças ocorridas. O modelo pode, então, fazer ajustes ao entender o que é importante e o que não é. A força de um sistema dinâmico reside no fato de ser orientado por dados e poder se ajustar ao longo do tempo.
A Bloomberg está construindo soluções como essas no sistema TOMS para permitir que os operadores ampliem seus negócios. Isto permite aos operadores do sell-side expandir seus negócios e otimizar recursos de acordo com os critérios estabelecidos, e fazê-lo de forma eficaz.
Para cada RFQ encaminhada a um trader, a tecnologia da Bloomberg analisa as características do título, o valor, o lado, a contraparte, a hora do dia e outros fatores.
A partir daí, a RFQ recebe uma pontuação, que é gravada no registro e classificada. Isto dá ao trader um panorama de itens priorizados aos quais deve responder primeiro, em vez de precisar analisar ou acompanhar as ordens à medida que são recebidas.
Embora seja verdade que muitos participantes e fornecedores do sell-side estejam tentando resolver problemas por meio de uma estrutura de aprendizagem de máquina, permanece o desafio de apresentar uma solução escalável e a um custo que gere ROI positivo. Muitos vêm tentando, mas poucos — além de grandes empresas de tecnologia — têm alcançado resultados e passado à implementação.
A Bloomberg teve sucesso ao utilizar aprendizagem de máquina para resolver problemas complexos. No sell-side, estar em vantagem é primordial. O que torna nossas soluções diferenciadas é que estamos desenvolvendo uma estrutura que fornece análises sob medida para cada operador, em vez de uma solução genérica e abrangente.
A automação via plataformas eletrônicas está revolucionando o trading de vendas. A Bloomberg pode fornecer as ferramentas e a tecnologia necessárias para tornar a automação uma realidade na sua empresa.
