Análises
Inteligência Artificial aplicado em Algoritmos de Crypto Trading
A grande maioria dos algorítimos de trading do mercado hoje são baseados em indicadores técnicos que mostram uma tendência do mercado com base em força relativa e médias móveis. No entanto, o mercado de crypto é mais complexo e com muitas variáveis que impactam a tendência, causando oscilações relevantes nos ativos, a ideia desse artigo é mostrar como Inteligência Artificial pode ser utilizada para prever ou até minimizar esses impactos.
O Foco desse artigo é Inteligência Artificial, para saber mais sobre robôs traders publiquei em abril/2018 uma artigo que detalha o funcionamento de compra e venda automática de cripto ativos com base nos principais indicadores do mercado e uma comparação do resultado do robô com hodl da moeda, confira aqui. Para utilização de robôs traders sugiro o Gimmer , uma excelente plataforma para configuração e execução automática de estratégias de compra e venda de cripto ativos direto nas exchanges.
Estruturação das Informações
Quando se fala de Inteligência Artificial 80% do trabalho no projeto está na estruturação das informações, o quadro abaixo ilustra bem todo o processo necessário para chegarmos na “Sabedoria” (Wisdom).
Nesse ponto o mais recomendável é o apoio de um arquiteto de dados que vai fazer a modelagem das informações em um data lake de forma que os dados comecem a se correlacionar e se transformar em conhecimento. Eu fiz alguns testes buscando informações de exchanges, feed de notícias, tendências de mídias sociais, indicadores técnicos, análises fundamentalistas, livro de ordens e estatísticas do Blockchain para buscar uma correlação entre as informações, vou detalhar no exemplo mais abaixo como estruturei essas informações para que os algorítimos estatísticos de inteligência artificial possa entender essas correlações.
Inteligência Artificial
A evolução na qualidade dos algorítimos de inteligência artificial vem crescendo exponencialmente nos últimos anos. As gigantes de tecnologia como Google, Facebook, Amazon estão investindo consistentemente bilhões de dólares no aperfeiçoamento das técnicas já existente e principalmente na qualidade das informações.
Em resumo, hoje temos diversos níveis de aprendizagem de máquina, a mais simples é a aprendizagem supervisionada (supervised learning) onde as máquinas são treinadas com base em padrões de comportamentos pré determinados e os algorítimos interpretam grupos de informações, classificando de forma automática pela máquina. Os algorítimos de aprendizagem supervisionada são muito utilizados nas ferramentas de busca na internet, classificação do código genético das pessoas (genoma), geolocalização entre outras.
Na aprendizagem não supervisionada (unsupervised learning) os padrões das informações são identificados automaticamente pelos algorítimos e classificados também de forma automática sem a necessidade de um treinamento prévio. Esse tipo de tecnologia é muito utilizado na recomendação de filmes (Netflix), músicas (Spotify), rotas (Waze), reconhecimento facial (Facebook) entre outras.
Para o trading de qualquer tipo de ativo o algorítimo que está sendo mais estudado e trazendo melhores resultados é o Deep Reinforcement Learningou Q-Learning , que ficou mundialmente conhecido pelo sistema AlphaGo da empresa Deep Mind que foi adquirida pelo Google em janeiro de 2014 (Assista o documentário no Netflix).
Esse algorítimo consiste em treinar um robô com base em recompensas e punições, onde as ações tomadas pelo robô com base em milhares de informações são avaliadas e imediatamente recompensada pela lógica do algorítimo. A mesma forma de aprendizagem dos humanos os robôs começam errando muito, mas com o tempo e input de mais informações os algorítimos começam a identificar certos padrões e errar menos até o momento que são capazes de superar os humanos devido a quantidade de informações que são capazes de analisar simultaneamente.
Estudo de Casos – Inteligência Artificial para Trading
No Brasil não encontrei nenhum material público sobre o assunto, mas como qualquer estratégia de fundos de investimentos quantitativos dificilmente serão divulgados publicamente.
Analisei alguns estudos de caso como do JP Morgan Chase “Deep Reinforcement Learning Base Trading Application“, Stanford “Algorithm Trading using Q-Learning and Recurrent Reinforcement Learning” , “Algorithmic Trading using Sentiment Analysis and Reinforcement Learning” e comecei a montar um data lake buscando informações relevantes ao mercado de crypto moedas com o histórico de curvas (OHLCV), biblioteca de indicadores, notícias com análise prévio de sentimentos e relação com moedas, custo de mineração e estatísticas do blockchain, social trends e order book.
Estou na fase de estruturação das informações e definição dos modelos estatísticos para começar a testar os algorítimos de Reinforcement Learning e estou buscando parceiros que queiram contribuir com esse projeto, seja com recursos financeiros para financiar os estudos ou data scientists/architectureque desejem contribuir com o projeto para crescimento pessoal.
Quem tiver interesse temos um grupo de WhatsApp – AI for Crypto Trading onde estamos montando uma equipe de pesquisas com meetups periódicos para debater sobre o assunto.
Caso queira entender mais sobre algorítimos trading, fundos quanti sugiro os curso da Quantinsti e sobre Data Science, Inteligência Artificial os cursos do MIT e DataCamp.
Sobre o autor:
Luiz Gustavo Bonander Nugnes é CEO da CryptoTrade.AI, formado em Processamento de Dado pela universidade cidade de São Paulo(2003) com MBA pelo Ibmec-SP(2005), MBA em Finanças pelo Insper(2011), MSc em Digital Currency(2017) pela Universidade de Nicosia e Data Science pelo MIT(2018).
