Redes neurais

Uma rede neural é uma pilha de unidades simples ('neurônios') arranjadas em camadas. Cada unidade calcula uma soma ponderada de suas entradas, passa por uma função não linear e alimenta o resultado adiante. Com unidades e camadas suficientes, uma rede pode aproximar relações espantosamente complexas — isso é deep learning.

Como ela aprende

O treino ajusta os pesos das conexões para reduzir o erro de previsão, usando retropropagação (backpropagation) (calculando o quanto cada peso contribuiu para o erro) e descida do gradiente (gradient descent) (empurrando cada peso na direção que reduz o erro). Repita por milhões de exemplos e a rede gradualmente se molda aos dados.

A promessa para mercados

Redes neurais conseguem capturar padrões e interações não lineares que modelos lineares perdem por completo. Com dados suficientes, podem fundir preço, volume, fundamentos e dados alternativos numa única previsão sem um humano especificar as relações.

Os perigos, ditos claramente

• Fome de dados. Redes profundas precisam de vastas quantidades de dados. A história financeira é curta e em grande parte não se repete — só houve um 2008. Essa escassez é o problema mais profundo em aplicar deep learning a mercados.
• Overfitting. Uma rede grande tem milhões de parâmetros e vai memorizar ruído a menos que seja fortemente regularizada.
• Opacidade. Uma rede neural é uma caixa-preta; entender por que ela prevê algo é difícil, o que torna as falhas difíceis de antecipar.
• Não estacionariedade. Uma rede treinada num regime pode falhar silenciosamente quando o mercado muda de caráter.

Redes neurais são genuinamente poderosas e genuinamente perigosas em finanças. Recompensam equipes com dados abundantes, forte disciplina de validação e humildade — e punem todos os demais. A próxima lição cobre a arquitetura construída especificamente para sequências.