Empirical Asset Pricing via Ensemble Gaussian Process Regression

Este artigo apresenta um método de aprendizado de ensemble baseado em Regressão por Processos Gaussianos que, ao reduzir a complexidade computacional e incorporar a incerteza preditiva na alocação de ativos, supera modelos existentes e o índice S&P 500 em termos de retorno econômico e estatístico em uma análise empírica de ações dos EUA entre 1962 e 2016.

O essencial

Imagine que você é um investidor tentando adivinhar quais ações vão subir ou descer no mercado. O mercado de ações é como um oceano gigante e barulhento: há muita informação, mas também muito "ruído" (coisas aleatórias que não significam nada). A grande pergunta é: como prever o futuro com precisão?

Este artigo apresenta uma nova maneira de fazer essa previsão, usando uma técnica de inteligência artificial chamada Regressão por Processo Gaussiano (GPR), mas com um "truque" especial para torná-la rápida e prática.

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

1. O Problema: Adivinhar o Tempo em um Dia de Tempestade

Prever o retorno das ações é difícil porque o mercado é caótico. Métodos antigos (como regressão linear) são como tentar prever o tempo olhando apenas para o termômetro de ontem. Eles assumem que o mundo é simples e linear. Métodos modernos de "Deep Learning" (redes neurais) são como ter um supercomputador que analisa milhões de dados, mas eles são "caixas pretas": eles dizem "compre esta ação", mas não dizem quão confiantes eles estão nessa previsão. Se o computador estiver errado, você perde dinheiro sem saber que o risco era alto.

2. A Solução: Um Conselho de Especialistas (Aprendizado de Conjunto)

Os autores criaram um método chamado Ensemble GPR. Em vez de ter um único "oráculo" tentando prever o futuro, eles criaram um conselho de especialistas.

• A Analogia: Imagine que você quer prever o preço do café amanhã. Em vez de perguntar a um único agrônomo, você pergunta a 100 agricultores diferentes, cada um olhando para uma pequena parte do mundo (um mês de dados de cada vez).
• O Truque: Treinar um modelo gigante com todos os dados de 50 anos de uma vez seria como tentar fazer 100 agricultores trabalharem juntos no mesmo campo ao mesmo tempo: eles se chocariam e o processo seria lento demais (computacionalmente impossível).
• A Inovação: Eles dividiram o trabalho. Cada "agricultor" (modelo) olha apenas para um mês de dados, faz sua previsão e depois todos se reúnem para dar uma opinião conjunta. Isso torna o processo super rápido e permite que o sistema aprenda em tempo real, mês a mês, sem precisar recomeçar do zero.

3. O Superpoder: Medir a "Dúvida" (Incerteza)

Aqui está a parte mais brilhante. A maioria das inteligências artificiais dá apenas uma resposta: "Esta ação vai subir 5%".
O método dos autores diz: "Esta ação vai subir 5%, mas tenho 90% de certeza" ou "Esta ação vai subir 5%, mas estou muito inseguro, pode ser que caia".

• A Analogia: É a diferença entre um amigo que diz "Vou ganhar na loteria!" (sem pensar no risco) e um amigo que diz "Vou tentar ganhar na loteria, mas a chance é de 1 em 10 milhões, então não conte com isso".
• Por que isso importa? Se você é um investidor que odeia riscos, você quer saber onde o sistema está inseguro. O método deles usa essa "dúvida" para construir carteiras de investimento mais inteligentes. Eles criam portfólios que evitam as ações onde a IA está "confusa" e focam nas onde a IA está "segura".

4. Os Resultados: Quem Ganhou a Corrida?

Os autores testaram esse método em 30.000 ações americanas entre 1962 e 2016.

• Precisão: O método deles foi melhor do que os modelos tradicionais e até melhor do que as redes neurais mais famosas usadas hoje em dia.
• Dinheiro no Bolso: Quando usaram a "medida de dúvida" para montar carteiras de investimento (comprando as melhores e vendendo as piores), eles ganharam muito mais dinheiro com menos risco.
  • Imagine que um método tradicional te dá um retorno de 10% com um risco de 100.
  • O método deles deu um retorno de 10% com um risco de apenas 50. Ou seja, o mesmo lucro, mas você dorme tranquilo.

5. O Que o Modelo Aprendeu?

O sistema analisou 94 características diferentes das empresas (como preço passado, volume de negociação, dívidas, etc.).

• O que mais importa? O modelo descobriu que o momento (se a ação subiu ou desceu recentemente) e a liquidez (quão fácil é comprar/vender a ação) são os fatores mais importantes.
• Curiosidade: As ações que o modelo previu que subiriam muito tendem a ser aquelas mais difíceis de negociar (ilíquidas) e com mais riscos. O modelo conseguiu encontrar valor onde outros não viam, mas também soube avisar quando o risco era alto demais.

Resumo Final

Este papel nos ensina que, no mundo dos investimentos, saber o que você não sabe é tão importante quanto saber o que você sabe.

Eles criaram uma ferramenta que não apenas tenta adivinhar o futuro, mas também calcula o nível de confiança dessa previsão. Ao fazer isso, eles conseguiram criar uma estratégia de investimento que é mais precisa, mais rápida e, principalmente, mais segura do que as ferramentas que os grandes bancos e fundos de hedge usam hoje. É como ter um GPS que não só diz qual caminho seguir, mas também avisa: "Ei, essa estrada está cheia de neblina, reduza a velocidade".

Resumo técnico

Resumo Técnico: Empirical Asset Pricing via Ensemble Gaussian Process Regression

Autores: Damir Filipović e Puneet Pasricha
Foco: Previsão de retornos esperados condicionais de ações, aprendizado de máquina (GPR) e seleção de carteiras.

1. O Problema

A previsão de retornos esperados condicionais de ações é um problema central na precificação de ativos empírica, mas enfrenta desafios significativos:

• Baixa Relação Sinal-Ruído: Mercados financeiros são ruidosos e eficientes, tornando difícil extrair sinais preditivos.
• Complexidade da Informação: O conjunto de informações completo não é observável e é extremamente complexo, envolvendo centenas de características de ações e variáveis macroeconômicas.
• Não Linearidade e Variação Temporal: A relação entre preditores e retornos é não linear e muda dinamicamente com as condições econômicas.
• Incerteza Epistêmica: Métodos de aprendizado de máquina tradicionais (como Redes Neurais) focam na precisão da previsão pontual, mas frequentemente falham em quantificar a incerteza epistêmica (incerteza do modelo), que é crucial para a tomada de decisão financeira e construção de carteiras.
• Limitação Computacional: A Regressão por Processos Gaussianos (GPR) é um método bayesiano poderoso que fornece distribuições preditivas, mas sua complexidade computacional é $O(N^3)$, tornando-a inviável para grandes conjuntos de dados (milhões de observações) típicos de finanças.

2. Metodologia

Os autores propõem uma abordagem inovadora combinando Regressão por Processos Gaussianos (GPR) com Aprendizado de Conjunto (Ensemble Learning).

• Modelo Base (GPR):

  • Assume-se que o retorno esperado condicional é gerado por uma função $f$ modelada como um Processo Gaussiano.
  • O modelo fornece não apenas uma previsão pontual (média), mas também uma distribuição preditiva completa, permitindo calcular intervalos de confiança e a matriz de covariância preditiva (medida de incerteza).
  • A incerteza total é decomposta em incerteza epistêmica (do modelo) e incerteza aleatória (risco idiossincrático).

• Solução de Escalabilidade: Ensemble Learning (Mistura de Especialistas):

  • Para contornar o gargalo computacional $O(N^3)$, os autores dividem a amostra de treinamento em subconjuntos mensais.
  • Um GPR individual é treinado em paralelo para cada mês (ou janela de tempo).
  • A distribuição preditiva final é obtida através de uma mistura ponderada das distribuições preditivas dos subconjuntos.
  • Pesos de Mistura: São testados dois esquemas:
    1. Pesos Iguais: Média simples dos modelos recentes.
    2. Pesos baseados em MSE (Erro Quadrático Médio): Os modelos que tiveram melhor desempenho no mês de calibração recebem pesos maiores. Isso permite que o modelo se adapte à não-estacionariedade e heterocedasticidade dos dados financeiros.

• Seleção de Modelo:

  • Utiliza-se um esquema de "rolagem" (rolling window) com uma janela de treinamento de 96 meses (8 anos), alinhada com o ciclo de negócios médio.
  • O kernel escolhido foi o Kernel Exponencial-Gama ($\gamma$-exponential), que superou kernels lineares e afins na validação.

3. Principais Contribuições

1. Ponte entre Kernel Methods e Precificação de Ativos: O artigo conecta a literatura de métodos de kernel (GPR) com a precificação de ativos empírica, superando as limitações de modelos lineares e splines de segunda ordem usados em estudos anteriores (como Gu et al., 2020).
2. Exploração da Incerteza Bayesiana: Diferente de modelos que fornecem apenas pontos, o GPR permite construir carteiras otimizadas em relação à incerteza. Os autores introduzem carteiras Ponderadas pela Incerteza (UW) e Ponderadas por Previsão-Incerteza (PUW), que penalizam ativos com alta incerteza preditiva.
3. Escalabilidade e Aprendizado Online: O método de ensemble permite o treinamento paralelo e a atualização eficiente (online learning) à medida que novos dados chegam, superando a dificuldade de redes neurais em se adaptar a janelas de dados menores ou em cenários de aprendizado sequencial.
4. Desempenho Superior: O modelo demonstra superioridade estatística e econômica sobre benchmarks lineares e redes neurais.

4. Resultados Empíricos

A análise foi realizada em uma amostra cruzada de ~30.000 ações dos EUA de 1962 a 2016, utilizando 94 características (preço, liquidez, risco, fundamentos).

• Desempenho Preditivo (R-squared):

  • O modelo Ensemble GPR ($\gamma$-exp) alcançou um $R^2_{pool}$ de 0,78%, superando significativamente o Ensemble Linear (0,61%), a Regressão Linear Padrão (0,37%) e até mesmo modelos de Redes Neurais citados na literatura (que giravam em torno de 0,4-0,58%).
  • O Coeficiente de Informação (IC) foi de 5,89%, indicando forte capacidade de ranqueamento relativo.

• Desempenho de Carteiras (Econômico):

  • Carteiras Ordenadas (Decis): Carteiras formadas pelos 10 decis de previsões mostraram retornos crescentes do decis 1 (pior) ao 10 (melhor).
  • Carteiras Ponderadas pela Incerteza (UW): A carteira que minimiza a incerteza epistêmica obteve um $R^2_{pool}$ de 13,39% (vs. 8,04% para Equal-Weighted e 3,85% para Value-Weighted). Isso prova que reduzir a incerteza preditiva gera ganhos econômicos significativos.
  • Carteiras Long-Short:
    • A estratégia Long-Short baseada na carteira PUW (com aversão à incerteza $\zeta=20$) gerou um Sharpe Ratio anualizado de 3,44.
    • Isso supera o Sharpe Ratio de 2,98 da carteira ponderada apenas pela previsão (PW) e 2,44 da carteira Equal-Weighted (EW), com volatilidade significativamente menor.
    • O modelo supera consistentemente os benchmarks lineares e de redes neurais em termos de Sharpe Ratio.

• Importância das Variáveis:

  • As características mais importantes estão relacionadas a tendências de preço recentes (reversão de curto prazo, momentum de longo prazo) e variáveis de liquidez (spread bid-ask, volume em dólares).
  • Ações com alta incerteza preditiva tendem a ser aquelas com fricções de arbitragem e iliquidez extrema.

5. Significado e Conclusão

O artigo demonstra que a Regressão por Processos Gaussianos, quando combinada com uma estratégia de Ensemble Learning para lidar com a escalabilidade, é uma ferramenta superior para a precificação de ativos empírica.

A principal inovação não é apenas a melhoria na precisão da previsão (R-squared), mas a capacidade de quantificar e utilizar a incerteza do modelo. Ao incorporar a incerteza epistêmica na construção de carteiras (via otimização média-variância bayesiana), os investidores podem obter retornos ajustados ao risco (Sharpe Ratio) muito superiores, especialmente em ambientes de mercado voláteis. O método oferece uma alternativa robusta, escalável e interpretável às redes neurais profundas, sendo particularmente eficaz em cenários de aprendizado online e com dados não estacionários.