Inteligência artificial aplicada ao mercado financeiro: uma pesquisa exploratória literária acerca do uso do Financial Reinforcement Learning (FinRL) no mercado de ações

Abstract

No contexto atual das estratégias de investimento, inseridas no dinâmico cenário de negociação de ações, a importância do uso da Inteligência Artificial (IA) e os desafios subjacentes à sua aplicação tornam-se evidentes. Dentre os métodos mais utilizados, a Aprendizagem Profunda por Reforço (DRL) emerge como uma abordagem promissora para enfrentar esses desafios. Os estudos selecionados para esta pesquisa exploratória propõem uma estratégia de alocação de portfólio composta, que integra, entre outros, os algoritmos de Otimização de Política Próxima (PPO), Ator Crítico com Vantagem (A2C) e Gradiente de Política Determinística Profunda (DDPG), os quais se destacam por sua adaptabilidade a diversas situações de mercado. Os algoritmos previamente mencionados são empregados no framework aberto conhecido como Financial Reinforcement Learning (FinRL), o qual os combina e introduz novas metodologias, surgindo como uma solução para simplificar a aplicação da Aprendizagem Profunda por Reforço no mercado de ações. Além disso, a ferramenta é capaz de simular ambientes de treinamento e é customizável para atender às restrições legais em diferentes jurisdições financeiras. A contribuição prática do FinRL é evidenciada pela disponibilidade de tutoriais que facilitam e propõem uma aplicação tangível da Aprendizagem Profunda por Reforço em cenários de negociação. Em resumo, todos os algoritmos e o framework mencionados oferecem melhorias substanciais nas estratégias de negociação em mercados financeiros complexos. Visto isso, este estudo, por meio de pesquisa exploratória literária, visa analisar a aplicação da aprendizagem de máquina no mercado de títulos, com o propósito de avaliar a estratégia previamente mencionada. Palavras-chave: inteligência artificial; aprendizado por reforço profundo (DRL); automação; tomada de decisão; mercado financeiro.