Algoritmos como alternativa aos vieses cognitivos

Quando e porque os dados não são o problema

Imagem autorizada de www.pixabay.com

Vivemos atualmente um momento de revolução tecnológica. Tão ou mais significativo que o desenvolvimento da máquina a vapor e da eletricidade, que transformaram completamente a sociedade, foi o desenvolvimento de computadores com alto processamento e a internet. Chegamos a um ponto onde bancos de dados digitais alocam todo tipo de informação, como dados de governos, imagens, músicas, o seu dinheiro, e praticamente todas as informações sobre você, como por exemplo os sites que você visita, os anúncios em que clica, quando e com quem você fala, onde e quando você vai. Em menos de 20 anos toda a nossa realidade mudou, e chega a ser um desafio divertido refletir sobre alguma atividade que não mudou com a revolução digital. Apesar disso, acredito que a atividade menos impactada nessa transformação foi a mais inerente à nossa humanidade: Pensar e tomar decisões. Me lembro da minha primeira aula de Macroeconomia na Universidade da Califórnia, onde o professor definiu nossa forma de tomar decisões como uma função de alguns parâmetros, sendo os principais:

  • Nossa expectativa do resultado da decisão
  • Nossa expectativa de investimento na decisão (em termos de tempo, energia, dinheiro)
  • Nossa percepção do risco associado
  • Nossa percepção da incerteza de todos os parâmetros acima (eu realmente vou ter que investir apenas o que estimei? Se as coisas derem certo, o resultado será o que espero? E se derem errado?)

Depois da explicação ele se dedicou a mostrar como esse modelo mental se aplica tanto em situações complexas de macroeconomia quanto em atividades cotidianas, como levantar do sofá para pegar comida na geladeira. Esse modelo foi uma adaptação do professor à chamada Teoria da Utilidade, que assume que o ser humano toma decisões racionais buscando maximizar a tal Utilidade, ou seja, obter o melhor resultado para si a partir de suas preferências.

Como alguns economistas e cientistas sociais como Daniel Kahneman em seu bestseller “Rápido e Devagar” conseguiram comprovar, quando testada a Teoria da Utilidade costuma ser válida para a grande maioria das situações da nossa vida, que fazem parte da rotina e nem mesmo soam como decisões no nosso consciente, mas não somos tão racionais quando essas decisões exigem um raciocínio mais profundo. Nosso cérebro está tão acostumado a fazer boas escolhas o tempo todo em questão de milissegundos que entra em um modo de “piloto automático” na hora de tomar decisões mais complexas. Segundo o autor, esse piloto automático se manifesta a partir de vieses, como a substituição e a generalização por exemplo, que acabam por facilitar o trabalho do nosso cérebro quando pensar no caso real que se apresenta no momento se torna muito difícil ou demorado.

Na minha opinião, nada mudou nesse comportamento com a revolução digital. Pensamos e tomamos decisões exatamente da mesma maneira que fazíamos há 20 ou 50 anos. Podemos de fato considerar que a revolução digital trouxe algumas ferramentas para esse desafio. Com a capacidade de coletar, armazenar e processar grandes volumes de dados, somos mais bem informados do que éramos no passado. Ou seja, considerando os parâmetros do modelo mental mencionado, podemos obter estimativas mais assertivas do resultado, investimento necessário, risco e até mesmo da incerteza envolvida nas nossas decisões. Porém mesmo dispondo de melhores informações, não é possível afirmar que somos melhores tomadores de decisão. Isso porque fatores psicológicos e na maior parte das vezes inconscientes fazem com que essa função de processamento da informação seja completamente diferente. Um exemplo bastante simples é a discussão sobre ir no mercado com fome. Porque o carrinho no final da compra seria diferente para um padrão de consumo igual, itens iguais e preços iguais em ambas as situações? Não nos faltam dados nesse problema e ainda assim diversos estudos mostram que, neste e em muitos outros exemplos, os resultados divergem por conta de fatores que servem de gatilho para esses vieses, como nosso estado emocional, crenças pessoais, influência de outras pessoas, a forma como um problema nos é apresentado, entre outros.

Mas se a revolução digital ainda não conseguiu nos tornar imunes a esses efeitos, qual seria a melhor opção? Uma linha de estudo amplamente discutida sob o título de Algorithmic Decision Making analisa em que campos da sociedade um algoritmo é melhor tomador de decisões que um ser humano. A essa altura você já deve estar imaginando a complexidade do tema, que envolve questões legais, éticas e tecnológicas de todo o tipo. Mas a realidade é que sim, modelos estatísticos e matemáticos já substituem humanos em diversas situações em que uma decisão é necessária, como vemos nos estudos de Machine Learning, por exemplo. Um dos campos que ao meu ver serve de palco e laboratório para essa discussão (pois cada vez mais abraça essa linha de pensamento) é o do Trading. Especular em mercados é uma das ocupações mais antigas do mundo, e na minha forma de enxergar, o Trading trata-se de um indivíduo ou um grupo pequeno tentando estimar o comportamento de um grupo muito maior frente a acontecimentos e informações a respeito de um bem ou ativo. Por diversos motivos esse é um problema sem solução, de uma perspectiva analítica. Duncan J. Watts menciona em seu livro “Tudo é Óbvio” dois argumentos bastante pertinentes para a minha afirmação. O primeiro deles é conhecido como O Problema do Enquadramento, e afirma que para a grande maioria das atividades cotidianas, o número de variáveis relevantes é tão grande, que se torna impossível para o cérebro refletir sobre cada um deles na hora de chegar a uma conclusão. Ainda que você esteja pensando agora no princípio de Pareto, que é uma simplificação bastante útil no nosso dia a dia, ele não aparenta ser aplicável em análises de populações, uma vez que cada agente daquela população é um indivíduo com suas próprias razões para executar uma ação, e por consequência, uma variável independente e igualmente significativa do problema. Então, ainda que um trader esteja bem informado a respeito de um ativo, ele pode ser surpreendido uma vez que cada um dos outros agentes do mercado podem chegar a conclusões diferentes das dele com mais, menos ou exatamente o mesmo volume de informações. O segundo motivo, chamado de Efeito Micro-Macro, discute o processo de transformação de fenômenos individuais em coletivos a partir da interação entre indivíduos, o que significa que o mercado e seu comportamento não é apenas o uma função dos seus participantes, mas das suas interações, o que torna impossível obter conclusões das causas a partir de observações do efeito (oscilações de preço). E como o efeito de variação de preço de um mercado está associado ao comportamento e às ações de todos os agentes daquele mercado em cada instante de tempo, o nosso cérebro, confrontado com a combinação do problema do enquadramento com o efeito micro-macro, recorre aos vieses mencionados anteriormente para tomar uma decisão, como a substituição ou a generalização, atitudes que são comumente confundidas como reflexos de um agente de mercado experiente. Uma vez que observamos então o real comportamento do mercado e de seus preços, acabamos por criar hipóteses de causa e efeito boas o suficiente para explicar os eventos que acabamos de observar nos atendo às informações que conhecemos, sem ao menos nos perguntar (ou conseguir medir) quantas vezes essa hipótese falhou no passado, ou falhará no futuro. E é aí que os algoritmos possuem uma aplicação valiosa. Por serem capazes de processar grandes volumes de dados, de uma maneira sequencial, sistemática e ajustável, algoritmos são capazes de tomar decisões sem vieses, e de forma que podem ter suas hipóteses (ou modelos) confrontados com a realidade, coisa que o cérebro humano não é capaz de fazer. Ainda que nenhuma ciência seja totalmente adequada para analisar e prever o comportamento de populações humanas, a Estatística é de longe a que mais se adequa. A estatística usada em algoritmos de tomada de decisão é capaz de obter conclusões sobre populações mesmo em frente ao problema do enquadramento e ao efeito micro-macro, pois as conclusões não são baseadas em uma relação de causa e efeito, mas em probabilidades, coisa que o nosso cérebro tem uma dificuldade imensa de estimar.

O Trading é um campo da sociedade onde o Algorithmic Decision Making pode ser testado de maneira robusta, rápida e sem maiores riscos às populações, instituições sociais e à vida como ela é. Mas como somos todos humanos, nós não sabemos o que nós não sabemos, e pior, não sabemos o quanto nós não sabemos, o que faz com que ainda existam opiniões contrárias à essa metodologia. Ao meu ver, como bons humanos, sentimos satisfação com a sensação de poder e de controle sobre as nossas vidas. Aceitar que não somos bons tomadores de decisão o tempo todo fere o nosso ego e em alguns casos até a nossa sensação de liberdade, e isso é um exercício bastante difícil para qualquer indivíduo. No fim das contas somos excelentes tomadores de decisão, mas acabamos por errar justamente quando não deveríamos, e isso foge completamente ao nosso controle. Muito se discute sobre o risco de implementar algoritmos para tomar decisões críticas para a nossa sociedade, mas pouco se discute sobre o risco de deixar essas decisões nas mãos de indivíduos ou grupos, como fazemos hoje. Vemos diariamente o agravamento de problemas como a desigualdade, violência e a preservação do meio ambiente, e não parece que estamos caminhando para uma solução, ou pelo menos não rápido o suficiente. Quanto aos mercados de Trading, vemos uma rápida expansão da aplicação de algoritmos, com estratégias mais refinadas e computadores mais velozes, que têm tornado os mercados cada vez mais eficientes (ou menos ineficientes, como preferir). Talvez os mercados de Trading sejam bons laboratórios para estudarmos a aplicação e os efeitos de Algorithmic Decision Making em outros campos da nossa sociedade no futuro.

Obrigado!

Obrigado por ler este artigo, espero que as minhas opiniões compartilhadas sejam úteis de alguma maneira. Fique a vontade para entrar em contato via Medium ou LinkedIn para saber mais sobre estudos e projetos que realizo.

Fontes

  1. Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.
  2. Watts, D. J. (2011). Everything is obvious, once you know the answer: How common sense fails us. Crown Business/Random House.
  3. Pittman G. (2012). No, really — don’t shop when you’re hungry: study. Reuters Health

Data Hackers

Blog oficial da comunidade Data Hackers

Data Hackers

Blog oficial da comunidade Data Hackers

Diego Pesco Alcalde

Written by

Founder and Data Strategist of Metrica. www.metricabi.com.br https://www.linkedin.com/in/diegopesco/

Data Hackers

Blog oficial da comunidade Data Hackers