Os desafios da Machine Learning: Aplicação ao Mercado Financeiro

Abstract

The current report is presented as the result of curricular internship, held between 15 February 15, 2018 and May 24, 2018, at Feedzai – Consultoria e Inovação Tecnológica, S.A. with the purpose of obtaining a Master's Degree in Economics from the Faculty of Economics from University of Coimbra.Machine learning (ML) stands as the main topic of the present work. There are several definitions for what constitutes ML, and it seems particularly appropriate to define it as a process that allows computers to improve their performance in a given task through experience.Machine learning has been gathering notoriety in the last years. Over the last decades it has contributed positively in several sectors of activity. Using ML's concepts and respective application, it is possible to increase productivity and reduce costs, detect fraud, improve predictive performance and thus improve the decision-making process. These are some of the potentialities of ML. In particular, predictive analysis has been seen as an important factor to ensure competitive advantage between companies. Underlying theme choice is the curiosity to know more about what ML is, how it is changing our life and how it works. Alongside with this reason is the fact that Feedzai is a technology-based company that uses several ML techniques, which aroused my interest in writing about ML applied to my base training area - economy. Throughout this work the importance of this topic in the financial markets will be discussed.The goal of this report is to describe tasks performed during the internship followed by respective analysis and also to study the application of ML techniques, namely classification trees and random forests, through an empirical case. This empirical case is used as object to test the predictive capacity in the financial market of bitcoin and PSI 20.According to test results obtained, no ML technique was found undoubtedly better than the others because each technique is more likely to fit depending on the characteristics of the database, which means, the results indicate that the classification trees technique offers relatively more accurate results in the PSI market 20 while the random forests algorithm fits the most on the bitcoin market.Additionally according to empirical case, the results tend to indicate that by using methodologies discussed in this report, the forecasting capacity was best performed when applied to PSI 20 market rather than in the bitcoin market.

O presente relatório surge na sequência do estágio curricular, decorrido entre 15 de fevereiro de 2018 a 24 de maio de 2018, na Feedzai – Consultoria e Inovação Tecnológica, S.A. com vista à obtenção do grau de Mestre em Economia, pela Faculdade de Economia de Universidade de Coimbra. O tema central neste trabalho é a machine learning (ML). Há várias definições para o que constitui ML, parecendo particularmente apropriada aquela que a define como um processo que permite que os computadores melhorem o seu desempenho numa determinada tarefa através da experiência. A machine learning tem vido a ganhar popularidade. Ao longo das últimas décadas tem contribuído positivamente em vários sectores de atividade. Com a aplicação e conceitos da ML é possível aumentar a produtividade e reduzir custos, detetar fraudes, melhorar o desempenho preditivo e, desta forma, aperfeiçoar o processo de tomada de decisão. Estas são algumas das potencialidades de ML. Nomeadamente a análise preditiva tem vindo a ser considerada como um factor importante para assegurar a vantagem competitiva nas empresas. Subjacente à escolha do tema, está a curiosidade por saber mais sobre o que é a ML, como ela está a mudar a nossa vida e como ela funciona. Este motivo associado ao facto da Feedzai ser uma empresa de base tecnológica e utilizadora de várias técnicas de ML, o que me suscitou interesse em escrever sobre ML aplicada à minha área de formação base, economia. Ao longo deste trabalho é discutida a importância deste tema no âmbito dos mercados financeiros.O objetivo deste relatório é descrever as minhas tarefas realizadas no estágio e a respetiva análise crítica e estudar a aplicação das técnicas de ML, nomeadamente as árvores de classificação e random forests, através de um caso empírico. O propósito deste caso empírico é testar a capacidade preditiva no mercado financeiro da bitcoin e do PSI 20.De acordo com os resultados obtidos, não é possível eleger uma técnica de ML melhor pois cada técnica adapta-se melhor consoante as características da base de dados, ou seja, os resultados indicam que a técnica das árvores de classificação oferece melhores resultados no mercado PSI 20 enquanto o algoritmo random forests obtém melhores resultados junto do mercado da bitcoin. Os resultados indicam também que as estratégias com base em ML obtêm, geralmente, melhores resultados do que a estratégia buy & hold quando aplicadas ao PSI 20, mas o mesmo não se passa quando são aplicadas ao mercado das bitcoins.