p Os mercados financeiros estão entre os sistemas complexos mais bem estudados e vigiados de perto. Esta rica literatura sobre modelagem e análise de mercado levou a muitas inovações importantes, como ferramentas automatizadas para detecção de manipulação de mercado. Mas ainda existe uma grande lacuna entre o estado da arte atual e os poderosos insights necessários para compreender totalmente as dimensões complexas do comportamento do mercado. p Em última análise, esses modelos precisam de grandes volumes de dados - além do que é produzido a partir de pedidos de estoque reais. Os dados de pedidos de estoque do mundo real oferecem aos pesquisadores apenas um visão histórica do comportamento que o mercado pode apresentar. Os modelos também requerem cenários hipotéticos e possibilidades de ramificação para informar pesquisas mais profundas.

p Uma equipe da Universidade de Michigan forneceu uma resposta a essa necessidade na forma de geração automática, dados falsos. O time, liderado por Lynn A. Conway, Professor de Ciência da Computação e Engenharia Michael Wellman, propõe uma abordagem para gerar dados realistas e de alta fidelidade do mercado de ações com base em uma técnica de aprendizado profundo chamada redes adversárias gerativas (GANs). Os fluxos de ordem sintética resultantes abrem muitas portas para os pesquisadores financeiros que precisam de enormes conjuntos de dados para estudar as relações complexas de causa e efeito que ocorrem todos os dias nos mercados reais.

p Em poucas palavras, GANs funcionam colocando dois modelos de aprendizagem um contra o outro, um chamado de "gerador" e o outro de "discriminador". Os dois operam em uma relação competitiva, onde o gerador aprende como cuspir dados sintéticos com base no que é alimentado, enquanto o discriminador aprende como diferenciar os fluxos de dados reais e falsos.

p À medida que o discriminador fica melhor em detectar falsificações, o gerador fica melhor em tornar suas falsificações mais convincentes. O resultado final é um gerador capaz de imitar os conjuntos de dados de destino muito de perto; nesse caso, fluxos de pedidos de estoque.

p Chamado Stock-GAN, a instância usada pela equipe de Michigan foi treinada em dois tipos de conjuntos de dados compostos de ordens de ações:um de um simulador de mercado baseado em agente e outro de um mercado de ações real. Eles avaliaram seus dados gerados usando uma variedade de estatísticas, como a distribuição de preço e quantidade de pedidos, tempos entre chegadas de pedidos, e a evolução do melhor lance e melhor pedido ao longo do tempo. Os resultados mostraram que os dados gerados correspondem estreitamente às estatísticas correspondentes em dados reais, para os mercados simulado e real.

p Embora este trabalho seja apenas um primeiro passo para gerar fluxos de pedidos realistas, diz Xintong Wang, um Ph.D. aluno da equipe, "executar esta tarefa pode ajudar a preparar conjuntos de dados que podem tornar possíveis outras tarefas."

p Em particular, novos algoritmos de aprendizado de máquina especializados em negociação automatizada podem ser treinados e validados nos conjuntos de dados gerados, e a detecção automatizada de anomalias pode ser possível comparando os dados gerados com o mercado real.

p Como Wang coloca, este sistema permite essencialmente que os pesquisadores financeiros realizem a história alternativa, ou contrafactual, pesquisa - uma técnica que não é possível quando restrita a fluxos de ordem do mundo real.

p "Real, os dados históricos do mercado podem ser vistos como uma série de muitos resultados possíveis realizados pela natureza, " Ela explica, "e o Stock-GAN pode gerar muito mais a baixo custo."

p Além de mudar a história, dados de estoque sintéticos totalmente realizados também podem ajudar os pesquisadores de finanças a explorar cenários hipotéticos, inserir dados específicos em fluxos de pedidos e observar as permutações resultantes de dados futuros.

p "Isso nos permite, em princípio, injetar eventos no sistema e observar uma evolução contrafactual do mercado, "Wang diz, "que é algo que nunca podemos obter diretamente dos dados de observação."

p Além de detectar comportamento fraudulento ou manipulador, modelos treinados nesses dados podem oferecer aos pesquisadores uma visão sobre os diferentes tipos de práticas comerciais legítimas exercidas nos mercados e quais os resultados que essas práticas geram.

p "Gostaríamos de ser capazes de descobrir de forma mais geral que tipos de estratégias os traders estão usando, "diz Wellman." Com esse conhecimento, poderíamos determinar quando um fluxo de pedidos contém certas estratégias. "

p Os pesquisadores também observam que a realização de pesquisas financeiras em dados sintéticos supera os problemas de privacidade e segurança associados à divulgação de dados comerciais reais.

p "Geral, "os autores escrevem, "nosso trabalho oferece um terreno fértil para pesquisas futuras na interseção de aprendizado profundo e finanças."

p Esta pesquisa foi publicada no artigo "Generating Realistic Stock Market Order Streams" na Conferência 2020 da Associação para o Avanço da Inteligência Artificial (AAAI).