Como o FinGPT usa a sabedoria do mercado para treinar modelos financeiros

FinGPT usa dados do mercado, ajuste fino eficiente e aprendizado por reação de preços para democratizar modelos financeiros

Um novo framework de inteligência artificial projetado especificamente para o setor financeiro promete tornar modelos avançados mais acessíveis e dinâmicos. O FinGPT é apresentado como um projeto de código aberto criado para facilitar o acesso a modelos de linguagem otimizados para tarefas financeiras, e pode ser usado comercialmente.

A equipe de pesquisa por trás do projeto, ligada à Universidade de Columbia e à Universidade de Nova York (Xangai), afirma que seu objetivo é democratizar o acesso a modelos de linguagem otimizados para os mercados financeiros. Segundo os pesquisadores, modelos proprietários existentes, como o BloombergGPT, teriam vantagens por conta de dados exclusivos e ainda seriam caros e rígidos. Em suas palavras, “o BloombergGPT é muito caro, estimado em cinco milhões de dólares americanos para treinamento, e muito inflexível”.

Eficiência no ajuste fino com LoRA

Uma das principais inovações do FinGPT é a adoção do método de adaptação eficiente de baixa classificação, conhecido como LoRA. Em vez de treinar modelos gigantes do zero, o FinGPT parte de LLMs pré-treinados e aplica ajuste fino com LoRA, o que reduz drasticamente o esforço computacional.

Os pesquisadores destacam que “o método LoRA pode reduzir o número de parâmetros treináveis de 6,17 bilhões para apenas 3,67 milhões”, tornando o processo de ajuste fino muito mais rápido e menos intensivo em termos computacionais. Na prática, isso permite atualizar modelos com mais frequência e manter soluções financeiras mais alinhadas à realidade do mercado.

Foco em fluxos de dados de alta qualidade

Para os autores do projeto, o desempenho em tarefas financeiras depende tanto das capacidades do modelo quanto da qualidade dos dados. Por isso, “A equipe primeiro desenvolveu um pipeline automatizado de dados financeiros selecionados e de alta qualidade”. A coleta combina fontes estabelecidas, como Yahoo Finance e Bloomberg, com conteúdo de redes sociais, arquivos da SEC, indicadores como Google Trends e conjuntos consolidados como AShare e Stocknet.

Esses dados, “passam por um processo abrangente de limpeza e formatação para garantir sua qualidade e usabilidade”, segundo os pesquisadores. Em seguida, as informações são usadas para enriquecer modelos ajustáveis ou para orientar LLMs conhecidos dependendo da aplicação, desde análise de sentimento até otimização de carteiras.

Aprendizado com a “sabedoria do mercado”: RLSP

Rotular manualmente grandes volumes de dados financeiros é caro e demorado. A solução proposta pelo FinGPT é usar a reação real do mercado como sinal rotulado: se uma ação sobe após uma notícia, a notícia é tratada como positiva, e assim por diante.

Os pesquisadores afirmam que “Os pesquisadores estabeleceram limiares para os três sentimentos: positivo, negativo e neutro”. Seguindo a abordagem RLHF (Reinforcement Learning with Human Feedback) da OpenAI, “os pesquisadores chamam seu princípio de RLSP (Reinforcement Learning on Stock Prices), que pode ser visto como uma forma indireta de feedback humano”. Em outras palavras, o sistema aprende com a sabedoria do mercado para melhorar compreensão e previsões no universo financeiro.

Essa estratégia permite gerar rótulos em escala, otimizando o ajuste fino sem depender exclusivamente de anotadores humanos especializados, o que pode acelerar aplicações práticas como análise de sentimento, roboconselhos e modelos quantitativos.

Além das aplicações mencionadas, os pesquisadores listam potenciais usos do FinGPT em áreas como gestão de riscos, detecção de fraudes, pontuação de crédito, previsão de insolvência, análise ESG e ferramentas de baixo código para educação financeira.

Por fim, o projeto é disponibilizado como código aberto: “disponibilizam o FinGPT como código aberto sob a licença MIT no Github. O uso comercial é permitido”. Os desenvolvedores, contudo, deixam claro que não garantem nem assumem responsabilidade por decisões financeiras baseadas no modelo.

O FinGPT surge assim como uma alternativa mais leve e atualizável a modelos proprietários, apostando em pipelines de dados robustos, ajuste fino eficiente com LoRA e aprendizado baseado na reação dos mercados. Resta ver como a comunidade e o mercado adotarão essa abordagem que privilegia a qualidade dos dados e a eficiência computacional para entregar inteligência artificial aplicada às finanças.