FOTO DO ARQUIVO: Um homem segura um laptop enquanto o código cibernético é projetado nele nesta ilustração, tirada em 13 de maio de 2017. REUTERS / Kacper Pempel / Ilustração
20 de outubro de 2021
Por Tommy Wilkes
LONDRES (Reuters) – Executivos, cuidado! Você pode se tornar seu pior inimigo.
CEOs e outros gerentes estão cada vez mais sob o microscópio, pois alguns investidores usam inteligência artificial para aprender e analisar seus padrões de linguagem e tom, abrindo uma nova fronteira de oportunidades para escorregar.
No final de 2020, de acordo com o especialista em software de padrão de linguagem Evan Schnidman, alguns executivos da indústria de TI estavam minimizando a possibilidade de escassez de chips semicondutores enquanto discutiam interrupções na cadeia de suprimentos.
Tudo estava bem, eles disseram.
Ainda assim, o tom de sua fala mostrou altos níveis de incerteza, de acordo com uma análise algorítmica projetada para localizar pistas ocultas em palavras faladas – idealmente não roteirizadas.
“Descobrimos que o tom dos executivos do setor de TI era inconsistente com o sentimento textual positivo de seus comentários”, disse Schnidman, que assessora duas empresas de fintech por trás da análise.
Poucos meses depois dos comentários, empresas como a Volkswagen e a Ford estavam alertando sobre uma grave escassez de chips afetando a produção. Os preços das ações em empresas automotivas e industriais caíram. Os executivos de TI agora diziam que havia um aperto na oferta.
Schnidman afirma que os fundos quantitativos controlados por computador que acessam as pontuações atribuídas ao tom das palavras dos gerentes, em comparação com as pontuações atribuídas às palavras escritas, teriam sido melhor posicionados antes da turbulência do setor.
No entanto, um exemplo não pode atestar a precisão da análise do discurso, pois não sabemos se os executivos estavam sendo excessivamente otimistas no início ou alteraram sinceramente seus pontos de vista conforme as circunstâncias mudavam.
Mesmo assim, alguns investidores veem a tecnologia – conhecida como processamento de linguagem natural (PNL) – como uma nova ferramenta para ganhar vantagem sobre seus rivais, de acordo com entrevistas da Reuters com 11 gestores de fundos que estão usando ou testando esses sistemas.
Eles dizem que os dados financeiros tradicionais e os demonstrativos corporativos são tão minados hoje em dia que oferecem pouco valor.
‘ALGO MUITO DESGUSTO’
A PNL é um ramo da IA em que o aprendizado de máquina é liberado na linguagem para dar sentido a ela e, em seguida, transformá-la em sinais quantificáveis que os fundos de quantia influenciam na negociação.
O software mais ambicioso nesta área visa analisar os tons audíveis, a cadência e as ênfases de palavras faladas juntamente com a fraseologia, enquanto outros procuram analisar as transcrições de discursos e entrevistas de formas cada vez mais sofisticadas.
Slavi Marinov, chefe de aprendizado de máquina da Man AHL, parte da empresa de gestão de investimentos de US $ 135 bilhões Man Group, disse à Reuters que a PNL é “uma das principais áreas de pesquisa de foco” no fundo movido a computador.
“Esses modelos transformam algo que é muito confuso em algo facilmente compreensível por um quant”, disse ele.
De fato, os defensores dizem que a PNL pode desbloquear o potencial inexplorado de insights do mundo dos “dados não estruturados”: as ligações com analistas, as perguntas e respostas improvisadas, as entrevistas da mídia.
Isso está aberto ao debate, no entanto.
Esses sistemas de IA podem custar milhões de dólares para desenvolver e operar, excluindo muitos investidores e desenvolvedores que economizam aqueles que têm grandes bolsos ou nichos. Alguns também estão em um estágio comparativamente experimental, sem dados disponíveis publicamente para mostrar que ganham dinheiro. Os fundos entrevistados se recusaram a mostrar provas de que a PNL pode aumentar os retornos, citando sensibilidades comerciais.
Alguns estudos sugerem que as técnicas podem impulsionar o desempenho se focadas em lugares inteligentes, no entanto.
Uma análise feita em setembro pelos estrategistas quant da Nomura mostrou uma ligação entre a complexidade da linguagem dos executivos durante chamadas de lucros e ações. Os chefes norte-americanos que usaram uma linguagem simples viram as ações de suas empresas apresentarem um desempenho superior a 6% ao ano desde 2014, em comparação com aquelas que usavam palavras complexas.
Os analistas do BofA empregam um modelo que usa frases em chamadas de lucros para prever as taxas de inadimplência de títulos corporativos. Isso examina milhares de frases como “corte de custos” e “consumo de dinheiro” para encontrar frases associadas a padrões futuros. O back-teste do modelo mostrou uma alta correlação com as probabilidades de inadimplência, disse o BofA.
Ambos os sistemas analisam as transcrições.
Para um gráfico em linguagem simples vs complexa:
https://fingfx.thomsonreuters.com/gfx/mkt/dwpkraezmvm/simple%20earnings.PNG
CULTURA DE MEDIÇÃO DE MÁQUINA
Em anos passados, o processamento de linguagem em finanças apresentou software básico e amplamente vendido que classifica as notícias ou postagens de mídia social por sentimento. Isso está perdendo valor em face dos modelos de PNL cada vez mais sofisticados, que foram estimulados por avanços tecnológicos e custos decrescentes de computação em nuvem.
A descoberta veio em 2018, quando os desenvolvedores lançaram o código-fonte por trás do “aprendizado por transferência” da PNL, o que permitiu que um modelo fosse pré-treinado em um conjunto de dados de palavras e, em seguida, colocado para trabalhar em outro, economizando tempo e dinheiro.
Desde então, a equipe de IA do Google lançou o código por trás de vários modelos de ponta pré-treinados em conjuntos de dados cada vez maiores.
Os desenvolvedores de sistemas atuais dizem que processam dezenas de milhares de palavras na velocidade da luz, extraindo padrões e quantificando seu grau de relação com certas palavras, frases e ideias “sementes” significativas, conforme definido pelo usuário.
Marinov, da MAN AHL, vê mérito na análise tonal, mas ainda não a usou, concentrando-se, por enquanto, em pistas escondidas no texto escrito.
Isso pode ser qualquer coisa, desde comparar relatórios anuais ao longo do tempo para procurar mudanças sutis não óbvias para o leitor até quantificar algo tão intangível como a cultura corporativa.
Poucos investidores tentaram medir formalmente a cultura corporativa no passado, embora ela seja crítica para o desempenho de longo prazo, especialmente na quente esfera de investimentos ESG de considerações ambientais, sociais e de governança.
O modelo do Man AHL pode escanear os comentários dos executivos em busca de palavras ou frases que demonstrem uma cultura “voltada para metas”, bem como pesquisar avaliações de funcionários no site de carreiras Glassdoor.
Kai Wu, fundador do fundo de hedge Sparkline Capital, criou “perfis de personalidade” para as empresas medirem sua adesão a certos valores culturais.
Ele seleciona palavras-semente que acredita refletem esses valores. Seu modelo de PNL então reduz grandes volumes de palavras a um pequeno número de palavras com significados semelhantes, com resultados expressos numericamente.
Usando seu modelo de PNL em comentários de gerenciamento e avaliações de funcionários, ele descobriu que empresas com culturas “idiossincráticas”, como Apple, Southwest Airlines e Costco tiveram desempenho superior.
Por outro lado, as empresas norte-americanas que exibem “toxicidade” – onde os funcionários usam expressões tão específicas como “good ol ‘boys club” e “dog come dog” – tiveram um desempenho muito baixo, disse Wu.
‘NÃO HÁ REGRAS’
Fundos sem recursos para contratar cientistas de dados para construir suas próprias ferramentas de PNL podem comprar análises de empresas terceirizadas, como as que Schnidman aconselha – fintech Aiera e o provedor de análise tonal Helios Life Enterprises – que vendem seus serviços a clientes como fundos de hedge.
No entanto, Wu da Sparkline acredita que os fundos devem obter dados derivados de PNL “o mais próximo possível do bruto”, com modelos internos preferíveis.
A tecnologia enfrenta outros desafios, e acertar pode ser demorado.
O gerente holandês NN Investment Partners emprega uma combinação de dados de terceiros e seus próprios modelos, alguns ainda em fase de pesquisa.
Um projeto está treinando um modelo para encontrar palavras que prevejam as taxas de inadimplência de títulos, disse Sebastiaan Reinders, chefe de ciência de investimento do NNIP. No entanto, isso exigiu inicialmente que os gerentes de portfólio examinassem longas listas de frases para rotulá-las manualmente como positivas ou negativas.
A maioria dos modelos é focada em inglês, e os desenvolvedores podem enfrentar uma tarefa difícil adaptando-os para ler com precisão os sentimentos de pessoas de diferentes culturas que falam outros idiomas.
Além disso, os executivos estão se apegando.
Quando George Mussalli, diretor de investimentos da PanAgora Asset Management, com sede nos Estados Unidos, disse a um chefe de empresa de biotecnologia que a IA de seu fundo examinava os comentários dos executivos em busca de palavras de ordem, a pessoa pediu uma lista para ajudar sua empresa a se classificar mais alto.
Mussalli rejeitou o pedido, mas disse que documentos como transcrições de chamadas de lucros estão cada vez mais “bem roteirizados”, minando seu valor.
No entanto, Marinov, do Man Group, acredita que os executivos não serão páreo para as máquinas que melhoram com mais dados.
“Não há regras, é como um carro autônomo que aprende à medida que avança”, acrescentou. “Então, em muitos casos, é impossível dar ao executivo uma lista de palavras de ordem.”
(Edição de Sujata Rao e Pravin Char)
.
FOTO DO ARQUIVO: Um homem segura um laptop enquanto o código cibernético é projetado nele nesta ilustração, tirada em 13 de maio de 2017. REUTERS / Kacper Pempel / Ilustração
20 de outubro de 2021
Por Tommy Wilkes
LONDRES (Reuters) – Executivos, cuidado! Você pode se tornar seu pior inimigo.
CEOs e outros gerentes estão cada vez mais sob o microscópio, pois alguns investidores usam inteligência artificial para aprender e analisar seus padrões de linguagem e tom, abrindo uma nova fronteira de oportunidades para escorregar.
No final de 2020, de acordo com o especialista em software de padrão de linguagem Evan Schnidman, alguns executivos da indústria de TI estavam minimizando a possibilidade de escassez de chips semicondutores enquanto discutiam interrupções na cadeia de suprimentos.
Tudo estava bem, eles disseram.
Ainda assim, o tom de sua fala mostrou altos níveis de incerteza, de acordo com uma análise algorítmica projetada para localizar pistas ocultas em palavras faladas – idealmente não roteirizadas.
“Descobrimos que o tom dos executivos do setor de TI era inconsistente com o sentimento textual positivo de seus comentários”, disse Schnidman, que assessora duas empresas de fintech por trás da análise.
Poucos meses depois dos comentários, empresas como a Volkswagen e a Ford estavam alertando sobre uma grave escassez de chips afetando a produção. Os preços das ações em empresas automotivas e industriais caíram. Os executivos de TI agora diziam que havia um aperto na oferta.
Schnidman afirma que os fundos quantitativos controlados por computador que acessam as pontuações atribuídas ao tom das palavras dos gerentes, em comparação com as pontuações atribuídas às palavras escritas, teriam sido melhor posicionados antes da turbulência do setor.
No entanto, um exemplo não pode atestar a precisão da análise do discurso, pois não sabemos se os executivos estavam sendo excessivamente otimistas no início ou alteraram sinceramente seus pontos de vista conforme as circunstâncias mudavam.
Mesmo assim, alguns investidores veem a tecnologia – conhecida como processamento de linguagem natural (PNL) – como uma nova ferramenta para ganhar vantagem sobre seus rivais, de acordo com entrevistas da Reuters com 11 gestores de fundos que estão usando ou testando esses sistemas.
Eles dizem que os dados financeiros tradicionais e os demonstrativos corporativos são tão minados hoje em dia que oferecem pouco valor.
‘ALGO MUITO DESGUSTO’
A PNL é um ramo da IA em que o aprendizado de máquina é liberado na linguagem para dar sentido a ela e, em seguida, transformá-la em sinais quantificáveis que os fundos de quantia influenciam na negociação.
O software mais ambicioso nesta área visa analisar os tons audíveis, a cadência e as ênfases de palavras faladas juntamente com a fraseologia, enquanto outros procuram analisar as transcrições de discursos e entrevistas de formas cada vez mais sofisticadas.
Slavi Marinov, chefe de aprendizado de máquina da Man AHL, parte da empresa de gestão de investimentos de US $ 135 bilhões Man Group, disse à Reuters que a PNL é “uma das principais áreas de pesquisa de foco” no fundo movido a computador.
“Esses modelos transformam algo que é muito confuso em algo facilmente compreensível por um quant”, disse ele.
De fato, os defensores dizem que a PNL pode desbloquear o potencial inexplorado de insights do mundo dos “dados não estruturados”: as ligações com analistas, as perguntas e respostas improvisadas, as entrevistas da mídia.
Isso está aberto ao debate, no entanto.
Esses sistemas de IA podem custar milhões de dólares para desenvolver e operar, excluindo muitos investidores e desenvolvedores que economizam aqueles que têm grandes bolsos ou nichos. Alguns também estão em um estágio comparativamente experimental, sem dados disponíveis publicamente para mostrar que ganham dinheiro. Os fundos entrevistados se recusaram a mostrar provas de que a PNL pode aumentar os retornos, citando sensibilidades comerciais.
Alguns estudos sugerem que as técnicas podem impulsionar o desempenho se focadas em lugares inteligentes, no entanto.
Uma análise feita em setembro pelos estrategistas quant da Nomura mostrou uma ligação entre a complexidade da linguagem dos executivos durante chamadas de lucros e ações. Os chefes norte-americanos que usaram uma linguagem simples viram as ações de suas empresas apresentarem um desempenho superior a 6% ao ano desde 2014, em comparação com aquelas que usavam palavras complexas.
Os analistas do BofA empregam um modelo que usa frases em chamadas de lucros para prever as taxas de inadimplência de títulos corporativos. Isso examina milhares de frases como “corte de custos” e “consumo de dinheiro” para encontrar frases associadas a padrões futuros. O back-teste do modelo mostrou uma alta correlação com as probabilidades de inadimplência, disse o BofA.
Ambos os sistemas analisam as transcrições.
Para um gráfico em linguagem simples vs complexa:
https://fingfx.thomsonreuters.com/gfx/mkt/dwpkraezmvm/simple%20earnings.PNG
CULTURA DE MEDIÇÃO DE MÁQUINA
Em anos passados, o processamento de linguagem em finanças apresentou software básico e amplamente vendido que classifica as notícias ou postagens de mídia social por sentimento. Isso está perdendo valor em face dos modelos de PNL cada vez mais sofisticados, que foram estimulados por avanços tecnológicos e custos decrescentes de computação em nuvem.
A descoberta veio em 2018, quando os desenvolvedores lançaram o código-fonte por trás do “aprendizado por transferência” da PNL, o que permitiu que um modelo fosse pré-treinado em um conjunto de dados de palavras e, em seguida, colocado para trabalhar em outro, economizando tempo e dinheiro.
Desde então, a equipe de IA do Google lançou o código por trás de vários modelos de ponta pré-treinados em conjuntos de dados cada vez maiores.
Os desenvolvedores de sistemas atuais dizem que processam dezenas de milhares de palavras na velocidade da luz, extraindo padrões e quantificando seu grau de relação com certas palavras, frases e ideias “sementes” significativas, conforme definido pelo usuário.
Marinov, da MAN AHL, vê mérito na análise tonal, mas ainda não a usou, concentrando-se, por enquanto, em pistas escondidas no texto escrito.
Isso pode ser qualquer coisa, desde comparar relatórios anuais ao longo do tempo para procurar mudanças sutis não óbvias para o leitor até quantificar algo tão intangível como a cultura corporativa.
Poucos investidores tentaram medir formalmente a cultura corporativa no passado, embora ela seja crítica para o desempenho de longo prazo, especialmente na quente esfera de investimentos ESG de considerações ambientais, sociais e de governança.
O modelo do Man AHL pode escanear os comentários dos executivos em busca de palavras ou frases que demonstrem uma cultura “voltada para metas”, bem como pesquisar avaliações de funcionários no site de carreiras Glassdoor.
Kai Wu, fundador do fundo de hedge Sparkline Capital, criou “perfis de personalidade” para as empresas medirem sua adesão a certos valores culturais.
Ele seleciona palavras-semente que acredita refletem esses valores. Seu modelo de PNL então reduz grandes volumes de palavras a um pequeno número de palavras com significados semelhantes, com resultados expressos numericamente.
Usando seu modelo de PNL em comentários de gerenciamento e avaliações de funcionários, ele descobriu que empresas com culturas “idiossincráticas”, como Apple, Southwest Airlines e Costco tiveram desempenho superior.
Por outro lado, as empresas norte-americanas que exibem “toxicidade” – onde os funcionários usam expressões tão específicas como “good ol ‘boys club” e “dog come dog” – tiveram um desempenho muito baixo, disse Wu.
‘NÃO HÁ REGRAS’
Fundos sem recursos para contratar cientistas de dados para construir suas próprias ferramentas de PNL podem comprar análises de empresas terceirizadas, como as que Schnidman aconselha – fintech Aiera e o provedor de análise tonal Helios Life Enterprises – que vendem seus serviços a clientes como fundos de hedge.
No entanto, Wu da Sparkline acredita que os fundos devem obter dados derivados de PNL “o mais próximo possível do bruto”, com modelos internos preferíveis.
A tecnologia enfrenta outros desafios, e acertar pode ser demorado.
O gerente holandês NN Investment Partners emprega uma combinação de dados de terceiros e seus próprios modelos, alguns ainda em fase de pesquisa.
Um projeto está treinando um modelo para encontrar palavras que prevejam as taxas de inadimplência de títulos, disse Sebastiaan Reinders, chefe de ciência de investimento do NNIP. No entanto, isso exigiu inicialmente que os gerentes de portfólio examinassem longas listas de frases para rotulá-las manualmente como positivas ou negativas.
A maioria dos modelos é focada em inglês, e os desenvolvedores podem enfrentar uma tarefa difícil adaptando-os para ler com precisão os sentimentos de pessoas de diferentes culturas que falam outros idiomas.
Além disso, os executivos estão se apegando.
Quando George Mussalli, diretor de investimentos da PanAgora Asset Management, com sede nos Estados Unidos, disse a um chefe de empresa de biotecnologia que a IA de seu fundo examinava os comentários dos executivos em busca de palavras de ordem, a pessoa pediu uma lista para ajudar sua empresa a se classificar mais alto.
Mussalli rejeitou o pedido, mas disse que documentos como transcrições de chamadas de lucros estão cada vez mais “bem roteirizados”, minando seu valor.
No entanto, Marinov, do Man Group, acredita que os executivos não serão páreo para as máquinas que melhoram com mais dados.
“Não há regras, é como um carro autônomo que aprende à medida que avança”, acrescentou. “Então, em muitos casos, é impossível dar ao executivo uma lista de palavras de ordem.”
(Edição de Sujata Rao e Pravin Char)
.
Discussão sobre isso post