FatKat foi um projeto de pesquisa em inteligência artificial desenvolvido na Universidade de Toronto durante o início dos anos 1990. Foi projetado para aplicar redes neurais à previsão e negociação em mercados financeiros, representando um dos primeiros esforços acadêmicos a combinar aprendizado de máquina com finanças quantitativas. O nome do sistema, FatKat, era um codinome interno escolhido por seus desenvolvedores e não correspondia a nenhum acrônimo formal.
O projeto foi liderado por uma equipe de estudantes de pós-graduação e professores do departamento de ciência da computação da universidade, trabalhando sob o guarda-chuva mais amplo do grupo de pesquisa em inteligência artificial. A principal inovação da FatKat foi o uso de redes treinadas com retropropagação para identificar padrões em dados históricos de preços, uma abordagem que se diferenciava dos sistemas especialistas baseados em regras que dominavam a IA financeira na época. O sistema processava preços de fechamento diários de principais índices de ações, incluindo o S&P 500 e o índice composto da Bolsa de Valores de Toronto, e gerava sinais de compra ou venda com base nas saídas de sua rede.
Arquitetura Técnica
A arquitetura da FatKat consistia em uma rede feedforward de três camadas com 20 nós de entrada, 12 unidades ocultas e um único nó de saída. As características de entrada incluíam retornos de preços defasados, médias móveis e estimativas de volatilidade calculadas em janelas de 5, 10 e 30 dias. A rede foi treinada usando descida de gradiente estocástica com uma taxa de aprendizado fixa de 0,01 e um termo de momentum de 0,9, conforme documentado no relatório técnico do projeto de 1994.
Os dados de treinamento abrangeram de janeiro de 1985 a dezembro de 1992, com um período de validação separado de janeiro de 1993 a junho de 1994 usado para evitar sobreajuste. A equipe empregou parada antecipada e regularização por decaimento de peso, técnicas que ainda não eram padrão em aplicações financeiras. A FatKat rodava em uma estação de trabalho Sun SPARCstation 2, que fornecia aproximadamente 4,2 milhões de operações de ponto flutuante por segundo, e uma única época de treinamento sobre o conjunto completo de dados levava cerca de 45 minutos.
Resultados da Pesquisa
Em testes retrospectivos contra o S&P 500 de julho de 1994 a dezembro de 1995, a FatKat alcançou um retorno anualizado de 14,3 por cento, em comparação com 9,8 por cento para uma estratégia de comprar e manter no mesmo período. No entanto, o erro quadrático médio do sistema em dados fora da amostra permaneceu alto, e seus custos de transação, estimados em 0,5 por cento por negociação, reduziram o desempenho líquido para 11,2 por cento ao ano. O relatório final do projeto, publicado em 1996, observou que a precisão preditiva da FatKat se degradava significativamente durante períodos de alta volatilidade do mercado, particularmente em torno da crise do mercado de títulos de 1994.
Apesar desses resultados mistos, a FatKat demonstrou que abordagens neurais poderiam extrair sinais estatisticamente significativos de séries temporais financeiras. O código e a documentação do projeto foram posteriormente incorporados a um curso de nível de pós-graduação sobre finanças computacionais na universidade, e vários membros de sua equipe passaram a trabalhar em fundos de hedge quantitativos em Chicago e Nova York.
Legado e Influência
A influência da FatKat se estendeu além da academia. Sua abordagem de engenharia de características, particularmente o uso de normalização por janela móvel, foi citada em um artigo de 1998 por pesquisadores dos Bell Labs que exploravam métodos neurais para previsão econômica. O sistema também antecipou desenvolvimentos posteriores em modelos generativos para simulação de mercado, embora carecesse da arquitetura transformer que surgiria na década de 2010.
O projeto foi descontinuado em 1997 quando seu principal orientador acadêmico se mudou para a Universidade Stanford. Nenhuma versão comercial da FatKat foi lançada, e seu código-fonte nunca foi tornado público. No entanto, o relatório técnico de 1994 e o relatório final de 1996 permanecem acessíveis nos arquivos da biblioteca da universidade, e são ocasionalmente referenciados em pesquisas modernas sobre IA em finanças.
Comparação com Sistemas Contemporâneos
A FatKat foi contemporânea de vários outros projetos iniciais de IA financeira, incluindo um esforço patrocinado pela Fujitsu no Japão que usava algoritmos genéticos para otimização de portfólio e um sistema da NEC que aplicava lógica fuzzy à negociação de moedas. Diferentemente dessas abordagens baseadas em regras ou evolucionárias, a dependência da FatKat em aprendizado baseado em gradiente a tornava mais adaptável a condições de mercado em mudança, mas também mais propensa a sobreajuste. Seus requisitos computacionais modestos, rodando em uma única estação de trabalho, contrastavam fortemente com o hardware especializado usado em sistemas de negociação modernos, mas seu princípio central de aprender a partir de dados históricos permanece fundamental para os modelos contemporâneos de finanças quantitativas.