TradeFM: A Generative Foundation Model for Trade-flow and Market Microstructure

Each language version is independently generated for its own context, not a direct translation.

Imagine que o mercado financeiro é como uma praça de mercado gigante e caótica, onde milhões de pessoas (compradores e vendedores) estão gritando ofertas, cancelando pedidos e trocando mercadorias a cada milésimo de segundo.

O papel "TradeFM" apresenta uma nova inteligência artificial criada pelo J.P. Morgan que aprendeu a "falar" a língua dessa praça. Em vez de apenas observar os preços, ela aprendeu a prever o próximo movimento com base no fluxo de todas as transações.

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Problema: Uma Linguagem Diferente para Cada Loja

Antes, os cientistas tentavam criar um "dicionário" separado para cada ação (como Apple, Petrobras, Tesla). Era como tentar ensinar um aluno a falar:

O dialeto da Apple (muita gente, preços estáveis).
O dialeto de uma ação de centavos (pouca gente, preços saltando muito).
O dialeto de ações na China ou no Japão (regras diferentes).

Isso era lento e ineficiente. Cada vez que aparecia uma nova ação, precisavam começar do zero.

2. A Solução: O "Google Tradutor" Universal do Mercado

O TradeFM é como um super-Google Tradutor que aprendeu a linguagem universal do comércio.

O que ele faz: Ele olhou para 10 bilhões de transações de mais de 9.000 ações diferentes nos EUA.
O segredo (Invariância de Escala): Em vez de olhar para o preço em dólares (que muda muito), ele aprendeu a olhar para a relação das coisas.
- Analogia: Imagine que você está aprendendo a cozinhar. Em vez de decorar "use 100g de farinha para um bolo pequeno", você aprende a regra: "use 2 xícaras de farinha para cada ovo". Assim, você pode fazer um bolo pequeno ou um gigante sem precisar de uma receita nova. O TradeFM faz isso com o dinheiro: ele entende a "receita" do mercado, não apenas os preços específicos.

3. Como ele "Enxerga" o Mercado? (A Visão Parcial)

Muitos modelos antigos exigiam ver o "Livro de Pedidos" completo (quem está comprando, quem está vendendo, e todos os preços escondidos). Isso é como tentar dirigir um carro olhando através de um telescópio que mostra tudo o que acontece na estrada.

O TradeFM é mais realista. Ele aprende com o que qualquer pessoa comum vê: apenas o fluxo de transações que acontece na frente dele.

Analogia: É como aprender a dirigir olhando apenas para o carro da frente e o sinal, sem precisar saber o que o motorista do carro da frente está pensando ou o que tem no porta-luvas dele. Isso torna o modelo mais robusto e aplicável ao mundo real.

4. A "Máquina do Tempo" (Simulador)

O grande diferencial do TradeFM não é apenas prever, mas criar.

Eles conectaram a IA a um simulador de mercado.
Como funciona: A IA diz: "Acho que o próximo movimento será uma venda de 500 ações". O simulador executa essa venda virtualmente, atualiza o preço e pergunta: "E agora?". A IA responde novamente.
O Resultado: Eles conseguem gerar milhares de "futuros alternativos" (cenários de estresse).
- Exemplo: "O que aconteceria com o preço se 100 pessoas vendessem tudo ao mesmo tempo?" O TradeFM simula isso instantaneamente, mostrando como o mercado reagiria, sem arriscar um centavo real.

5. O Que Ele Aprendeu? (Os "Fatos Estilizados")

Para saber se a IA é boa, os cientistas testaram se ela consegue imitar as "regras não escritas" do mercado real. O TradeFM passou nos testes:

Agrupamento de Volatilidade: Quando o mercado fica nervoso, ele fica nervoso por um tempo (como uma tempestade que dura horas, não apenas um minuto). A IA aprendeu isso.
Ausência de Previsibilidade Imediata: O mercado é eficiente; o preço de hoje não diz exatamente o preço de amanhã. A IA não tenta adivinhar o impossível, ela simula o caos realista.
Caudas Pesadas: Eventos extremos (como um crash de mercado) acontecem mais vezes do que a matemática tradicional prevê. A IA entende que "cisnes negros" são possíveis.

6. O Grande Teste: Generalização

O teste mais impressionante foi tentar usar o modelo treinado apenas com ações dos EUA para prever o comportamento de mercados na China e no Japão.

Mesmo com regras diferentes (como limites de preço diário na China), o TradeFM funcionou muito bem.
Analogia: É como se você aprendesse a jogar futebol na Europa e, ao chegar no Brasil, conseguisse jogar perfeitamente, mesmo que as regras do campo fossem um pouco diferentes. Isso prova que ele aprendeu a "essência" do jogo, não apenas as regras locais.

Resumo Final

O TradeFM é um "cérebro" artificial que aprendeu a linguagem universal das transações financeiras. Ele não precisa ser reprogramado para cada nova ação ou país. Ele pode:

Gerar dados falsos, mas realistas (útil para testar estratégias sem risco).
Simular crises para ver como o mercado se comportaria em situações extremas.
Ajudar traders a entenderem o mercado de forma mais profunda, sem precisar de dados secretos que ninguém tem.

É um passo gigante para transformar o mercado financeiro de um "palpite" em uma ciência mais previsível e segura.

Each language version is independently generated for its own context, not a direct translation.

Resumo Técnico: TradeFM

1. O Problema

Os mercados financeiros são sistemas adaptativos complexos onde a interação estratégica de participantes heterogêneos gera dinâmicas de alta frequência e não estacionárias. Modelar o fluxo de ordens (order flow) — a sequência de ordens de compra e venda enviadas ao mercado — é um desafio formidable devido a:

Heterogeneidade: As propriedades estatísticas dos dados variam drasticamente entre diferentes ativos, regimes de liquidez e períodos de tempo.
Observabilidade Parcial: A maioria dos participantes (e modelos anteriores) só tem acesso a uma visão parcial do estado do mercado (o fluxo de eventos), e não ao Livro de Ofertas Limitadas (LOB) completo em tempo real.
Falta de Generalização: Modelos existentes geralmente são calibrados para ativos específicos, exigindo re-treinamento ou ajuste para cada novo instrumento, o que impede a descoberta de princípios universais de formação de preços.
Complexidade dos Dados: Os dados são sequências de eventos assíncronos, multivariados (contínuos e categóricos) e esparsos.

2. Metodologia

O TradeFM é um modelo generativo baseado em Transformer (524 milhões de parâmetros) pré-treinado para aprender representações unificadas de microestrutura de mercado diretamente de dados brutos de transações.

A. Engenharia de Dados e Representação Escala-Invariante
Para permitir a generalização entre ativos com preços e volumes muito diferentes, os autores desenvolveram características escala-invariantes:

Estimativa de Preço Médio (Mid-Price): Como o preço médio real não é observado diretamente em dados de execução, eles propõem o EW-VWAP (Exponentially-Weighted Volume-Weighted Average Price), um estimador que pondera o volume e a recência das transações para fornecer uma referência de preço estável.
Normalização:
- Volume: Transformação logarítmica para lidar com distribuições de lei de potência.
- Profundidade de Preço: Normalizada em relação ao preço médio estimado (em basis points), permitindo comparação entre ações de alto e baixo valor.
- Tempo de Chegada: Mantido em segundos, mas tratado dentro de bins adaptativos.

B. Tokenização Universal
O desafio de transformar um fluxo de eventos multifeature em uma sequência discreta para um Transformer foi resolvido através de uma estratégia híbrida:

Binning: Uso de Equal-Frequency Binning (baseado em quantis) para características de preço (distribuições simétricas e picadas) e Equal-Width Binning em escala logarítmica para volume e tempo (para capturar grandes faixas dinâmicas).
Composição de Tokens: Os índices dos bins de todas as características de um evento (tempo, profundidade, volume, ação, lado) são combinados em um único inteiro composto ( $i_{trade}$ ) usando um sistema de numeração de base mista. Isso cria um vocabulário de ~16.384 tokens previsíveis.
Contexto: O modelo recebe também tokens de contexto não previsíveis, como o nível de liquidez do ativo e se a sequência é de nível de mercado ou de participante individual.

C. Arquitetura e Treinamento

Modelo: Um Transformer apenas decodificador (decoder-only), baseado na família Llama, com Grouped-Query Attention (GQA) e Posicionamento Rotativo (RoPE).
Dados: Pré-treinado com mais de 10 bilhões de tokens derivados de transações de nível de tick de mais de 9.000 ações dos EUA (período de 368 dias).
Simulador de Mercado em Loop Fechado: O modelo é integrado a um simulador determinístico que executa as ordens geradas contra um livro de ofertas virtual. O estado atualizado do mercado (preço, spread, etc.) é realimentado ao modelo para a próxima previsão, permitindo a geração de trajetórias de longo prazo e o estudo de impactos de segunda ordem.

3. Principais Contribuições

TradeFM: O primeiro modelo de base (foundation model) generativo em larga escala para microestrutura de mercado, capaz de aprender dinâmicas unificadas de fluxo de comércio a partir de bilhões de transações.
Aprendizado com Observação Parcial: Diferente de modelos anteriores que exigem o LOB completo, o TradeFM aprende apenas com o fluxo de eventos (nível de execução), espelhando a informação disponível para participantes reais.
Representação e Tokenização Escala-Invariante: Uma metodologia end-to-end que elimina a necessidade de calibração específica por ativo, permitindo que um único modelo generalize para diversos ativos e regimes de liquidez.
Simulação de Mercado em Loop Fechado: A integração com um simulador permite a avaliação da realidade dos dados gerados através da reprodução de "fatos estilizados" e o treinamento de agentes de negociação baseados em aprendizado.

4. Resultados

O desempenho do TradeFM foi avaliado comparando-o com baselines clássicos (Agentes de Inteligência Zero e Processos Hawkes Compostos) e modelos de aprendizado profundo anteriores.

Reprodução de Fatos Estilizados: As trajetórias geradas pelo TradeFM reproduzem com alta fidelidade as propriedades estatísticas fundamentais dos retornos financeiros:
- Ausência de autocorrelação em retornos (eficiência de mercado).
- Agrupamento de volatilidade (autocorrelação de retornos absolutos de longo prazo).
- Caudas pesadas (leptocurtose) e agregação gaussiana em horizontes de tempo maiores.
Fidelidade Distribucional: O TradeFM alcançou 2 a 3 vezes menos erro distribucional (medido por distância de Wasserstein e estatística de Kolmogorov-Smirnov) em relação aos baselines Hawkes Compostos na geração de fluxo de ordens, volumes e profundidades.
Generalização Zero-Shot: O modelo, treinado exclusivamente em dados dos EUA, demonstrou capacidade de generalização para mercados geograficamente fora da distribuição (APAC: China e Japão), com degradação moderada na perplexidade, apesar de diferenças estruturais significativas (ex: limites de preço diários na China, leilões no Japão).
Controllabilidade: O modelo responde intuitivamente aos tokens de condicionamento, gerando fluxos de ordens com variâncias distintas para níveis de liquidez diferentes e para contextos de participante vs. mercado.

5. Significado e Impacto

O trabalho demonstra que as representações de comércio escala-invariante capturam estrutura transferível fundamental na microestrutura do mercado. Isso abre novas fronteiras para:

Geração de Dados Sintéticos: Criação de dados financeiros realistas e preservadores de privacidade para backtesting de estratégias, especialmente para ativos ilíquidos onde dados históricos são escassos.
Testes de Estresse (Stress Testing): Simulação de cenários contrafactuais e extremos para avaliar a resiliência do mercado e riscos sistêmicos.
Agentes de Negociação: Fornecimento de um ambiente de treinamento de alta fidelidade para agentes de Aprendizado por Reforço (RL) que aprendem a executar ordens ou negociar em mercados dinâmicos.

Em suma, o TradeFM valida a hipótese de que princípios universais de formação de preços podem ser aprendidos diretamente de dados brutos e heterogêneos através de modelos de base em larga escala, superando as limitações dos modelos paramétricos tradicionais e dos modelos de aprendizado profundo específicos por ativo.