Functional Clustering of Discount Functions for Behavioral Investor Profiling

Resumo Técnico: Agrupamento Funcional de Funções de Desconto para Perfilagem de Investidores Comportamentais

Declaração do Problema
Os modelos clássicos de finanças operam sob a premissa de investidores racionais que utilizam todas as informações disponíveis, um quadro que frequentemente falha em capturar anomalias nas escolhas intertemporais e na tomada de decisão sob incerteza. Modelos paramétricos tradicionais lutam para accounts para diferenças individuais nas preferências, particularmente como temperamentos de personalidade distintos influenciam a avaliação de compensações entre resultados presentes e futuros. Embora o modelo de Pompian de quatro Tipos de Investidor Comportamental (BITs) — Acumuladores, Preservadores, Seguidores e Independentes — ligue a teoria do temperamento de Keirsey à tomada de decisão financeira, ele depende de classificações estáticas que podem não capturar plenamente a natureza matizada e dinâmica do desconto temporal. Os autores identificam uma lacuna na compreensão de como esses temperamentos se manifestam especificamente em decisões intertemporais e se existe heterogeneidade significativa dentro dessas categorias amplas.

Metodologia
O estudo emprega Análise de Dados Funcionais (ADF) combinada com técnicas de agrupamento funcional para investigar comportamentos de desconto temporal. A pesquisa fundamenta-se no seguinte quadro metodológico:

• Coleta de Dados: Um questionário online foi administrado a 200 voluntários (170 respostas válidas) em fevereiro de 2023. O instrumento incluiu tarefas de escolha intertemporal projetadas para construir funções de desconto individuais e um Keirsey Temperament Sorter II para classificar os participantes nos temperamentos Artífice, Guardião, Idealista e Racional. As tarefas intertemporais utilizaram um temporizador de 20 segundos para induzir uma sensação de pressa, visando revelar anomalias comportamentais.
• Construção de Funções de Desconto: As respostas individuais foram interpoladas para criar funções de desconto contínuas, $f(t)$, representando a percepção subjetiva de tempo e incerteza. O estudo utilizou o método de suavização monótona (Ramsay, 2005) para garantir que as funções reconstruídas satisfizessem as restrições necessárias de uma função de desconto: $f(0)=1$, $f(t)>0$ e decréscimo estritamente monótono.
• Métricas Funcionais: A análise utilizou distâncias $L_2$ e semimétricas baseadas nas derivadas de ordem $r$ das curvas para medir a proximidade entre perfis de investidores. Isso permitiu a quantificação da variabilidade intra-grupo (heterogeneidade dentro de um temperamento) e da variabilidade inter-grupo (diferenças entre temperamentos).
• Abordagem de Agrupamento:
  1. Agrupamento Condicional: O agrupamento $k$-means funcional foi aplicado dentro de cada um dos quatro grupos de temperamento pré-definidos para identificar potenciais subgrupos (sub-temperamentos). O número ótimo de subagrupos foi determinado usando uma extensão do método do cotovelo aplicado à Soma dos Quadrados Dentro do Cluster (WCSS).
  2. Agrupamento Incondicional: Uma análise separada de $k$-means funcional foi realizada em todo o conjunto de dados sem conhecimento prévio dos rótulos de temperamento para descobrir perfis de investidores latentes baseados exclusivamente em padrões de escolha intertemporal.

Principais Resultados

• Heterogeneidade dentro dos Temperamentos: A análise descritiva preliminar e os cálculos de variância funcional revelaram heterogeneidade interna significativa dentro de cada um dos quatro temperamentos de Keirsey. Por exemplo, Artífices e Idealistas mostraram alta variabilidade em seus padrões de desconto, sugerindo que um único perfil "médio" para esses grupos é insuficiente.
• Identificação de Subgrupos: O agrupamento funcional condicional identificou subgrupos distintos dentro dos BITs originais. O método do cotovelo indicou que Artífices e Idealistas exigiam até quatro subagrupos, enquanto Guardiões e Racionais exigiam três e quatro, respectivamente, para capturar adequadamente a variabilidade interna.
• Novos Perfis de Investidor: A análise de $k$-means funcional incondicional, ignorando temperamentos pré-definidos, convergiu para quatro perfis distintos de investidores baseados puramente na forma de suas funções de desconto:
  1. Cluster Verde: Curvas em declínio acentuado, indicando forte impulsividade e uma desvalorização pesada de resultados futuros.
  2. Cluster Ciano: Decréscimo gradual, representando uma abordagem equilibrada com leve preferência de curto prazo, mas abertura para opções de longo prazo.
  3. Cluster Roxo: Funções de desconto planas, indicando alta paciência e uma avaliação estável de recompensas futuras.
  4. Cluster Vermelho: Um padrão dinâmico onde as taxas caem abruptamente inicialmente, mas se estabilizam, sugerindo uma mudança do foco de curto prazo para o de longo prazo dependendo dos retornos imediatos.
• Análise de Derivadas: A análise das derivadas primeira e segunda destacou que a taxa de mudança (velocidade) e a aceleração dos comportamentos de desconto variam significativamente entre grupos e ao longo do tempo, confirmando ainda mais que os processos de tomada de decisão são dinâmicos e não estáticos.

Significância e Alegações
O artigo alega que a integração de ADF e agrupamento funcional oferece um avanço metodológico sobre abordagens paramétricas tradicionais em finanças comportamentais. A principal significância reside em demonstrar que os Tipos Clássicos de Investidor Comportamental (BITs) são muito rígidos para abranger a complexidade do comportamento do investidor no mundo real.

• Refinamento da Classificação: O estudo desafia a adequação de categorizações estáticas (por exemplo, os BITs de Pompian) ao revelar que existem subpadrões significativos dentro dessas categorias amplas. As descobertas sugerem que os perfis de investidor são muito mais diversos do que se pensava anteriormente.
• Compreensão Dinâmica: Ao analisar as derivadas funcionais, os autores argumentam que as preferências temporais não são estáticas, mas evoluem, influenciadas por impulsos emocionais e contextos situacionais.
• Implicação Prática: A classificação refinada fornece uma base para consultores financeiros irem além de modelos rígidos. Em vez disso, eles podem adaptar estratégias aos comportamentos específicos de desconto temporal e preferências de risco de clientes individuais, reconhecendo a diversidade dentro dos grupos de temperamento tradicionais.

Os autores concluem que, embora suas descobertas validem a importância de identificar subpadrões, pesquisas futuras são necessárias para aplicar esses métodos a amostras maiores e mais diversas para validar a generalizabilidade dos subgrupos identificados.