O desempenho de simulação de estratégias que justifica todo o esforço de migração para essa nova plataforma.

Na versão anterior (MQL4) era necessário aguardar dias e dias por resultados para expert advisors mais complexos. Hoje, no MQL5, em poucas horas, dezenas de computadores em todo mundo simulam qualquer estratégia simultaneamente.

Através da Cloud Network, a capacidade de processamento é ilimitada, como por exemplo dispor de dezenas de servidores em todo mundo para testes de estratégias, principalmente se você estiver disposto a alugar capacidade de processamento.

O resultado dessa tecnologia é que novos sistemas de investimento, estratégias e setups podem ser exaustivamente testados como nunca antes, o que é realmente uma inovação para esse mercado e acreditamos que seja um grande diferencial de arquitetura dessa plataforma.

No caso específico do Trajecta LABS, essa tecnologia é utilizada para simulações de correções e detecções errôneas de tendência quando se utiliza gestão financeira dinamicamente ajustável.

Esse novo sistema, que faz parte das plataformas da Trajecta, parte do princípio que a gestão financeira deve buscar que, no pior caso, o lucro seja zero.

Ou seja, mesmo com os piores detectores de tendência e reversão de mercado (como por exemplo baseados apenas em critérios básicos), o sistema é capaz de sobreviver fazendo uma gestão inteligente.

Obviamente o poder de um sistema desses aparece quando boas estratégias de detecção de tendência são utilizadas, principalmente as que dependem de centenas de critérios para entrada e saída, o que só os robôs são capazes de monitorar.

Esse nível de projeto ganha espaço com a entrada de recursos de simulação distribuída no nível de cloud computing, através de modelos como proposto pelas ferramentas da plataforma MQL5.

A Inteligência Artificial e a engenharia do conhecimento, que eram uma utopia do passado, estão se tornando cada vez mais integrados à nossa estrutura econômica, a ponto de ameaçar no futuro ultrapassar a inteligência humana.

Isso se deve ao avanço dos algoritmos inteligentes, modelados por exemplo em  redes neurais artificiais. Tecnologias como datamining, algoritmos genéticos e de busca estocástica estão cada vez mais competindo no mercado (ou seja, a tentativa de copiar o homem e a evolução natural, que é utilizada como modelo de inspiração em muitas estratégias). É importante destacar também o crescimento cada vez maior da capacidade de processamento e de formação de clusters remotos, que permitem que sejam observadas grandes quantidades de transações dos mais variados tipos e detectados padrões cada vez mais em tempo real.

Lembro que antes de a Internet comercial existir, as pesquisas mais avançadas eram justamente na área de Inteligência Artificial.

O avanço da Internet, entretanto, apesar de mudar o foco das atenções, trouxe um novo potencial de processsamento de informações em paralelo, com baixas latências e cada vez mais poderosas análises. Não muito diferente do cérebro humano, talvez afirmem os mais entusiastas.

E os robôs investidores seguem exatamente essa tendência, ou seja, com cada vez mais capacidade de “entender” o mercado.

O imprevisível resultado da capacidade com velocidade

Ao longo da história aprendemos que a inteligência humana raramente é muito favorável em condições de tempo real. Pelo contrário, o tempo de reflexão geralmente é o que faz a diferença.

Entretanto, na economia da Inteligência Artificial, algoritmos cada vez mais velozes de HFT (High Frequency Trading) e ULLDMA (Ultra-Low Latency Direct Market Access) são capazes de varrer milhares de mercados simultaneamente dentro da eternidade de um segundo para decidir o melhor momento e preço de compra ou venda de ativos. Isso quando não estão envolvidos em atividades menos nobres, especulando de forma negativa para influenciar na formação dos preços, o que desmerece qualquer tecnologia e deve ser eliminado do mercado.

Antes que você se assuste com esse cenário futurístico, porém cada vez mais viável e real, é importante ressaltar que ainda há muito a ser trabalhado e conquistado para chegar próximo da inteligência humana, principalmente no que tange à percepção do “big picture” e da visão global de investimento. Tanto em tecnologia como em legislação na área. E não esquecer que os robôs existem para trabalhar a favor do homem e da humanidade.

A verdade é que a inteligência produzida pela máquina é muitas vezes o resultado de uma caixa preta, de difícil ajuste e avaliação.  Portanto estamos falando apenas numa tendência.

Por exemplo, estratégias de mapeamento complexo podem ser modeladas através de genomas artificiais, imitando exatamente os princípios do genoma humano (DNA). Porém o entendimento desse sistema para o mundo e investidor externo é muitas vezes o de uma caixa preta, com todos os riscos associados.

Mas talvez esteja ai, se bem canalizada, a fonte dos resultados esperados para os investidores que apostarem nessa tendência.

“É possível dizer que você pode colocar como índices para o robô ficar atento o P/L, valor de mercado da empresa, Ebitda, etc?”

Resposta:

Perfeitamente, você pode criar estratégias que monitoram indicadores fundamentalistas, gráficos, etc, não há limites do que monitorar além da visão do investidor.

Na verdade esse é o princípio que proponho pela Escola da Visão, que é uma nova escola de investimento que apresentei em meu trabalho de MBA, e cuja a ideia é começar definindo a visão e cenários futuros e depois utilizar o máximo de informações disponíveis para monitorar se os cenários estão ocorrendo ou não, investindo no momento correto.

Por exemplo, digamos que você crie um sistema mais complexo que faça o seguinte:

Plano de Trading de acordo com a Escola da Visão
Visão: Risco de crise por escassez do petróleo
Cenário A: Valorização das empresas com energia alternativa
Cenário B: Valorização das empresas que descobrem novas fontes de petróleo

Definição da Estratégia
Indicadores: datamining do histórico de preços e volumes, textmining de notícias sobre energia, análise de P/L dos ativos de energia, análise gráfica dos ativos de energia
Rastreadores: osciladores de detecção de sobrecomprado e sobrevendido
Gerenciamento Financeiro: médio prazo
Gerenciamento de Risco: longo prazo

Nesse caso, é criado um sistema composto por robôs investidores (o que é feito na Trajecta através de diversas plataformas independentes e especializadas) que irão monitorar o mercado para os cenários da visão do investidor e seguir a estratégia de compra e venda de ativos programada.

A saída ou entrega de um sistema desses pode ser um e-mail ou torpedo com a informação: “compre o ativo ABCD1 porque o cenário A está com 87% de chances de ocorrer e o ativo ABCD1 está com 94% de chances de estar sobrevendido”.

Ou ainda, no caso de um robô 100% automatizado, ele mesmo irá executar o trade seguindo o gerenciamento financeiro e de risco programados (note-se que a automação é puramente operacional, e que, embora a maior parte das pessoas ainda acredite que essa seja a única utilidade dos robôs no mercado financeiro, os algoritmos já estiveram presentes em todo o processo de análise e tomada de decisão antes de chegar aqui).

Na prática, os robôs estarão em tempo real monitorando (“lendo”) notícias, preços e volumes de ativos, minerando os dados históricos para backtesting, forward e forecasting, e analisando os indicadores fundamentalistas e gráficos dos ativos, etc, etc.

E, como acontece em um avião com piloto automático, a decisão é do piloto se irá utilizar ou não estas informações e ou confiar no modo automático para execução de seus trades.

Minha visão é que o ideal é unir a força analítica de homens e robôs para programar e ajustar os sistemas.

Assim os robôs investidores podem operar de forma totalmente automática seguindo regras de negócio muito bem estabelecidas pelos engenheiros e analistas de mercado que desenvolveram as estratégias, retirando o fator “chute”, subjetivo e emocional dos trades.

A questão principal está na definição do ponto onde um ciclo termina e outro inicia.

Acredito que esse ponto não seja fácil de visualizar exclusivamente com análise técnica/grafista ou exclusivamente com análise fundamentalista.

A meu ver nenhuma dessas escolas é suficiente por si só, nem compostas de forma híbrida. É preciso agregar visão e processamento inteligente, automático e o mais rápido possível do máximo de informações disponíveis.

Sem dúvida essa é uma tarefa onde os robôs e os algoritmos podem auxiliar de forma decisiva. Principalmente com a complementação e palavra final da análise humana.

E a escola da visão é, portanto, a semente da tecnologia que procuro passar para os robôs investidores, para que modelem sem paradigmas as mais variadas informações de datamining, textmining, videomining, audiomining, etc, etc, etc, para encontrar o quanto antes e da forma mais precisa possível o ponto de extrema relevância apontado por Crane.

Visão estratégica, visão de mercado, visão de futuro, visão de cenários, visão de riscos, etc, etc. Em suma, visão.

Tanto acredito nisso, que meu trabalho de conclusão de MBA em 2008 foi uma proposta de uma nova escola de investimento com foco em visão, e que denominei a Escola da Visão (se desejar conhecer mais essa proposta acesse o original em pdf nesse link) e estudo profundamente esse assunto e tento modelar o melhor possível em tecnologias e sistemas de investimento.

Apesar de a escola da visão ser um contraponto à escola fundamentalista e à escola técnica ou de análise gráfica (grafista), muitos conhecimentos já adquiridos nos estudos dessas escolas podem ser relevantes para a escola da visão, desde que não se perca o foco de duas variáveis fundamentais: o desconhecido e a descoberta.

Penso que Warren Buffett chegou onde chegou por sua visão muito acima da média. A partir dessa visão ele buscou as ferramentas fundamentalistas (ou até técnicas, quem poderá dizer que não) para construir o que sua visão indicava como o caminho correto.

Basta analisar os grandes nomes de investidores no ranking de homens mais ricos do mundo da revista Forbes e constatar que a visão correta foi o grande diferencial competitivo.

Nesse sentido, os robôs investidores, trading systems e/ou qualquer outra tecnologia de investimento ou autotrading ainda está longe de superar o homem e sua capacidade de processamento visionário.

A verdade é que um único homem pode ter insights e capacidade de visão superior a todos os computadores online nesse momento no nosso planeta.

Mas não há nada superior à união entre o homem e os robôs, ou, no futuro breve, a geração de inteligência humanóide, onde será difícil identificar onde exatamente as sinapses estão sendo realizadas e processadas. O que interessará é unicamente o resultado dessa união.

Para ficar mais claro o que estou tentando dizer, vejamos um exemplo prático.

Digamos que você programe um conjunto de computadores para realizar o datamining de histórico de um certo grupo de ativos,  buscando a descoberta de uma lógica de correlação.

E que algum dos robôs encontre uma lógica surpreendente e absolutamente lucrativa.

Provavelmente o robô não terá nenhuma conhecimento sobre o porque essa lógica funciona, mas apenas de que é um fato incontestável seu sucesso.

Cabe ao homem e seu potencial único traduzir a lógica na razão, ou seja, explicar os motivos de que determinado algoritmo consegue alcançar resultados relevantes.

E a partir dai o homem ajusta a máquina para uma realimentação positiva que irá atingir ainda melhores resultados.

Essa união de máquina e homem, do humanóide, é o diferencial competitivo e o ciclo virtuoso do futuro.

Ou quem sabe, já para alguns, do presente.

Um dos principais fatores está associado à expectativa de repetição de performance do passado.

Também existe lógica relacionar as falhas às características não cíclicas e imprevisíveis do mercado ou ainda à constante mudança gerada por notícias e fatos econômicos que são totalmente imprevisíveis.

Minha visão sobre esse assunto entra em outro foco que considero mais relevante e que gostaria de apresentar nesse post.

A relevância e riscos da frequencia de operação

Na prática, os trading systems são cada vez mais pressionados a operar em frequencias mais altas. Isso é muito bom para as corretoras e os sistemas de robôs que lucram por trade, mas provavelmente não trará a mesma remuneração para o investidor, que estará exposto a todo risco do sistema.

Um trading system que comprou um único contrato de Bovespa Futuro a dez anos atrás seria hoje vencedor. Mas quem quer esse sistema? Os traders e investidores querem ganhar bem mais que talvez a própria capacidade de retorno do mercado, e para isso a pressão é forte pelo aumento de frequencia.

Quanto maior a frequencia de operação do trading system maiores são os seus riscos e portanto maiores as chances de falhar, pois no mínimo acabam ficando mais expostos a todos fatores aleatórios do mercado.

Mas se desejamos cada vez mais melhores resultados em menor espaço de tempo, de que forma os trading systems podem sobreviver a longo prazo?

Minha resposta para essa pergunta é simples e óbvia: o investidor deve ter a sabedoria de escolha do sistema para cada momento. Isso envolve estudo, dedicação, pesquisa, experiência, conhecimento, etc.

Nem para o ser humano, nem para os robôs, existe outro caminho.

Afinal, robôs e trading systems são apenas ferramentas de apoio aos investidores, nada mais que isso.

Talvez a expressão Holder seja a mais correta para esse caso, pois tanto o Holder como o Trader são Investidores, e buscam o retorno de seus investimentos e não simplesmente a execução pura de trades ou operações.

Acredito que a principal diferença entre Traders e Investidores está na visão. Os Traders trabalham fortemente com dados do passado e do presente. Os Investidores trabalham fortemente com dados de forecasting e projeções no futuro.

E quando tratamos de tecnologia, o que temos são Sistemas de Investimento que podem ser modelados em Robôs Investidores, com foco em inteligência estratégica no mesmo nível dos investidores humanos.

Assim como os trades sistemáticos irão formar os Trading Systems, a utilização inteligente e sistemática de Trading Systems forma os Sistemas de Investimento.

Complexo? Bem, para simplificar, proponho a seguir adotarmos algumas equações que ajudam nosso cérebro a associar os conceitos, e que formam a base construtiva do Trajecta LABS.

Como é possível modelar robôs com visão estratégica para serem investidores?

O Trajecta LABS nada mais é que um construtor de Sistemas de Investimento, baseado no rastreamento inteligente de Trading Systems.

A chave para essa resposta chama-se Trading Systems. Quando o trader transforma suas ideias em um modelo operacional, ou seja, cria um método de trades sistemático, ele facilita a modelagem de informações para os sistemas computacionais, abrindo a porta de entrada para a criação de Robôs Investidores.

Isso parece simples, mas a grande maioria dos traders ainda utiliza muito de intuição e sentimentos no momento da decisão, o que impede a construção de modelos operacionais digitalizados, mantendo-se com técnicas discricionárias. A vantagem dessa prática é que os traders utilizam mais o potencial de análise e visão global do cérebro humano, que a meu ver ainda é superior ao de qualquer robô, e também protegem suas estratégias. A desvantagem é que não podem evoluir para trading systems nem para sistemas de investimento e ficarão sempre dependendo de sua intuição e emoções.

Note que as emoções também podem ser modeladas nos robôs, nesse caso através de códigos randômicos ou aleatórios, mas esse seria assunto para um outro post inteiro.

A seguir proponho uma sequencia de equações que considero fundamental na modelagem de visão nos robôs, e que utilizo bastante na Trajecta dentro da Escola da Visão que proponho em contrapartida à utilização apenas de Escola Técnica ou Escola Fundamentalista.

Etapa 1) A equação do Trade

Considere que um Trade (T) é uma decisão em função de um ou mais indicadores de mercado (I), que podem ser oriundos de qualquer escola de investimento. Isso pode ser traduzido na equação:

T = f (I, tE, tS, V)

Onde tE é o tempo de Entrada do Trade (condição de entrada), tS é o tempo de Saída do Trade (condição de saída) e V é o volume financeiro escolhido. O tempo pode ser decidido por várias condições, como Stop Loss e Gain fixos ou condições dinâmicas baseadas nos indicadores utilizados.

Etapa 2) A equação do Trading System

Considera-se que o Trading System (TS) corresponde a uma seqüencia de Trades (T), ou ainda seu somatório (símbolo sigma). Isso pode ser traduzido na equação:

TS = Σ T

Na prática isso significa que o Trading System pode variar constantemente seus critérios de indicadores, pontos de entrada e saída e volume do trade.

Etapa 3) A equação do Sistema de Investimento

Considera-se que o Sistema de Investimento (SI) é uma decisão em função de um ou mais Trading Systems (TS), que podem ter sido criados pelas mais variadas escolas de investimento. Isso pode ser traduzido na equação:

SI = Σ ( f (TS, tE, tS, A) )

Note-se que agora tE é o tempo de Entrada em Operação do Trading System (condição de escolha) e tS passa a ser o tempo de Saída de Operação do Trading System (condição de encerramento) e A é a alavancagem financeira escolhida (a alavancagem é apenas um multiplicador do volume financeiro original do Trading System escolhido no momento).

Aqui é possível ver que o Investidor que operar com o mesmo Trading System por vários dias, não estará deixando de ser nem Holder nem Trader. Essa definição é puramente do sistema escolhido.

Além disso existe uma forte dependência dos Sistemas de Investimento da performance dos Trading Systems.

O tempo agora é decidido por outro nível de análise, que pode ser desde análise da performance do Trading System até outros fatores de gestão financeira e de risco utilizadas.

E os trades passam apenas a ser células de uma grande estrutura hierárquica de inteligência de investimento, totalmente passível de modelagem pelos computadores (softwares robôs).

Conceito principal de visão estratégica do Trajecta LABS

Os Sistemas de Investimento modelados em robôs investidores devem ter visão estratégica para identificar o quanto antes possíveis os sinais de mudança de desempenho dos Trading Systems utilizados, o que na prática irá antecipar as mudanças de cenário do mercado.

No Trajecta LABS criamos um novo indicador específico para ajudar na escolha de Sistemas de Investimento que é definido como “RISCA – RIsco de não Sobreviver no Cenário Atual”.

Criei o RISCA para fazer parte dos Robôs Investidores, sendo que isso é feito através de análise quantitativa da performance e curva de capital obtida até o momento pelo Trading System, sempre em tempo real.

Como é uma equação aplicada à equação do Sistema de Investimento, pode ser processado nos milhões de testes executados em tempo real pelo Trajecta LABS (ou qualquer outro sistema quantitativo similar).

Conclusão

Existindo o modelo de construção de Sistemas de Investimento, estamos a um passo de construir Robôs Investidores.

Um Robô Investidor deve possuir a inteligência de escolha e mudança automática dos Trading Systems em operação, que é basicamente automatizar o Sistema de Investimento.

Se possuir essa inteligência e velocidade de mudança conforme as mudanças de cenário, essa classe de robôs deve atingir níveis de resultados no mínimo iguais aos investidores humanos.

Não estamos muito longe disso, e as ameaças e oportunidades estão na mesa.

Como exemplo dessa tecnologia, pode-se ver o trading system Accurately-52203746@P-20 sob teste no Lab 21-Beethoven, com dois pontos identificados de perda e ganho onde no final o resultado é o aumento de pontos acumulados na curva de capital.

Na Trajecta essa tem sido uma ferramenta essencial para o atendimento de demandas de análises financeiras de alta complexidade, e que é a principal ferramenta que utilizamos atualmente para criar estratégias Intermarket.

A aplicação de Business Intelligence utilizada por nossa área de consultoria  permite realizar análises avançadas e comparativa de diversos mercados, países, instrumentos e estratégias.

A principal finalidade dessas aplicações é complementar as análises automáticas feitas nas plataformas com a mesma tecnologia de Business Analytics e Predictive Analytics presentes nos sistemas de inteligência dos grandes players da área financeira, nos mais variados países e mercados (tais como bancos centrais, bancos privados, agências, empresas e fundos internacionais).

Uma força de inteligência criativa que está disponível para toda comunidade, desde que utilize as ferramentas e plataformas corretas.

É a força do software livre, que também está disponível, e muito, para a área de sistemas quantitativos de investimento.

Um exemplo prático de código livre

Para exemplificar, vamos pegar um indicador presente no link abaixo:

http://codebase.mql4.com/7188

Note-se que é fornecido para download o código fonte do indicador, além de uma rápida explicação de sua fórmula básica, repetida abaixo:

AggZ = (-1*(10-day z-score)+(200-day z-score))/2
onde z-score = (close – sma(preço de fechamento para os últimos n períodos))/(desvio padrão(preço de fechamento para os últimos n períodos)).
exemplo de setup: comprar quando acima de zero, vender quando abaixo de zero.

Na prática, a ideia proposta por Walter Choy, autor do código fonte, é medir a diferença da média aritmética de preços durante um determinado período sobre o desvio padrão no mesmo período.

Note-se que a ideia já é mapeada em código plenamente utilizável, basta fazer o download para a plataforma MT4 e compilar o indicador.

Em poucos segundos você incorpora ideias e novas tecnologias para testes e simulações em sua plataforma, graças ao crescimento aberto do software livre.

Agora é possível fazer o próximo passo: incorporar suas ideias ao código fonte original. Nesse caso, é sempre importante verificar a licença do software para isso e também preservar a referência ao autor original no programa.

Visualizando o indicador AggZ de Walter Choy, tive a ideia de fazer uma pequena alteração para separar a pressão compradora da pressão vendedora, além de ter cores independentes para cada uma, o que facilita a visualização.

Na prática, a principal modificação que inseri no código fonte foi a abaixo, que faz um filtro para separação de pressão utilizando uma média móvel aritmética com período ajustável:

mm_limiar=iMA(NULL,0,limiar_period,0,MODE_SMA,PRICE_CLOSE,j);
if (Close[j]<mm_limiar) val = (-1 * z_score_fast[j] + z_score_slow[j]) / 2; else val = (z_score_fast[j] -1 * z_score_slow[j]) / 2;
if (val>=0) AggZBufferPos[j]=val; else AggZBufferNeg[j]=val;

Mantive o indicador original no mesmo gráfico para efeitos comparativos. Note-se que a pressão vendedora (vermelho) é muito maior que a pressão compradora (verde) para o exemplo, o que representa exatamente o momento atual do iBovespa.

Também é importante perceber que a pequena modificação no código já muda totalmente a informação apresentada, sendo que comparativamente o indicador original e o alterado são totalmente independentes e diferentes (o que na prática são mesmo, apesar da simplicidade da modificação inserida).

Conclusão

Considerando a grande quantidade de inteligência e tecnologia sendo desenvolvida pelos mais variados investidores no mundo, torna-se cada vez mais rápido e simples incorporar software abertos aos seus robôs investidores e trading systems.