Aprendizado supervisionado

O aprendizado supervisionado é o arranjo de aprendizado de máquina mais comum em finanças. Você mostra ao modelo exemplos em que você sabe a resposta — features históricas pareadas com o resultado que se seguiu — e ele aprende um mapeamento de features para resultado.

Dois sabores

• Regressão — prever um número. Por exemplo, prever o retorno da próxima semana como um valor contínuo. A regressão linear é o caso mais simples; os modelos de árvore e redes neurais mais adiante neste capítulo são primos não lineares.
• Classificação — prever uma categoria. Por exemplo, a ação vai subir ou cair nos próximos cinco dias? Sobe/cai/lateral é um problema de três classes. A classificação muitas vezes funciona melhor que a regressão em mercados porque você faz uma pergunta mais fácil — direção, não magnitude.

Features e rótulos

• Features (entradas) — qualquer coisa que você ache que carrega sinal: retornos passados, volatilidade, volume, indicadores técnicos, índices fundamentalistas, dados macro, até sentimento de texto.
• Rótulo (alvo) — a coisa que você está prevendo, definida sobre um horizonte futuro claro.

Definir bem o rótulo é metade da batalha. Um rótulo descuidado — como um que espia informação não disponível no momento da decisão — produz um modelo que parece brilhante e é inútil ao vivo.

A tensão central

Um modelo supervisionado é tão bom quanto a suposição de que o futuro se parece com o passado. Os mercados são adversariais e não estacionários: padrões que pagaram ontem são arbitrados até sumir. Todo modelo supervisionado em finanças luta contra um lento declínio à medida que o mundo muda e outros descobrem a mesma vantagem. Por isso a disciplina de validação (o capítulo final) importa mais aqui do que em quase qualquer outro domínio.