Regret-Driven Portfolios: LLM-Guided Smart Clustering for Optimal Allocation

Resumo Técnico: Portfólios Impulsionados por Arrependimento: Agrupamento Inteligente Guiado por LLM para Alocação Ótima

Definição do Problema
O artigo aborda o desafio persistente na gestão de portfólios de médio a longo prazo de equilibrar risco e retorno. Embora fundos de índice passivos (ex: S&P 500) tenham historicamente superado muitos fundos de hedge ativos em termos de retorno nominal, investidores institucionais e individuais frequentemente priorizam retornos ajustados ao risco e proteção contra quedas em vez de ganhos brutos. Estratégias ativas tradicionais frequentemente sofrem com alta volatilidade, rebalanceamento infrequente para evitar custos de transação e um compromisso onde retornos mais altos necessitam de maior risco. Os autores propõem uma solução para alcançar retornos superiores sem incorrer em risco indevido ou frequência excessiva de negociação, visando especificamente investidores avessos ao risco e gestores de fundos.

Metodologia
Os autores propõem um framework inovador que integra aprendizado online de não-arrependimento (no-regret online learning) com orientação de Modelos de Linguagem de Grande Escala (LLM). A abordagem é estruturada como um problema de tomada de decisão sequencial onde um agente seleciona dinamicamente os pesos do portfólio para minimizar o "arrependimento" — a diferença entre o desempenho cumulativo do agente e o melhor portfólio fixo em retrospectiva.

O framework consiste em quatro componentes primários:

1. Preparação de Dados e Filtragem de Sentimento: O sistema processa dados de preços de ativos e índices de sentimento de mercado (especificamente o Índice Fear & Greed da CNN). Um filtro de sentimento binário atua como um controle de risco de granularidade grossa, disparando ou o rebalanceamento do portfólio ou a liquidação total durante condições de sentimento extremo.
2. Agrupamento (Clustering) e Hedging Guiados por LLM: Um LLM interpreta tendências históricas de sentimento para sugerir ajustes setoriais.
   • Agrupamento Dinâmico: Um LLM é provocado com uma série temporal de sentimento de 12 meses para recomendar setores promissores. Para mitigar a variância, o prompt é repetido cinco vezes, e as recomendações mais frequentes são selecionadas.
   • Pseudo-Hedging: Um LLM é consultado para identificar setores complementares que atuem como hedges contra os clusters selecionados, visando reduzir a volatilidade e melhorar o Índice Sharpe.
3. Alocação Guiada por Arrependimento (O Núcleo do Mecanismo): O mecanismo de alocação utiliza uma estratégia inspirada em "Follow-the-Leader" (FTL).
   • Formulação Teoria dos Jogos: O problema é modelado como um jogo de agente único onde o agente seleciona um vetor de portfólio $a(t)$ sobre $n$ ativos em cada passo de tempo.
   • Geração de Ações: Em vez de manter misturas ponderadas de especialistas (como no algoritmos Hedge clássicos), o sistema gera ações candidatas perturbando a alocação de baseline atual. Especificamente, ele modifica o peso de um único ativo dentro de limites predefinidos e ajusta as alocações restantes para satisfazer a restrição de soma unitária.
   • Seleção: O agente seleciona a ação candidata que alcançou o maior desempenho absoluto (ex: maximizando os índices Sharpe, Calmar ou Sortino) sobre uma janela de observação específica ($k$).
4. Mecânica de Backtesting: O sistema simula negociações com restrições realistas, incluindo custos de transação, tratamento de deslistagem (lista negra de ativos) e rastreamento diário de preços para títulos e caixa.

Principais Contribuições
O artigo delineia três contribuições principais:

• Estratégia de Portfólio Greedy baseada em Arrependimento: Um framework de otimização inovador que rebalanceia dinamicamente os ativos para minimizar o arrependimento retrospectivo. Diferente dos métodos estáticos tradicionais, esta abordagem se adapta às mudanças nas dinâmicas de mercado enquanto otimiza explicitamente métricas de desempenho ajustadas ao risco.
• Agrupamento e Hedging Guiados por LLM: A integração de insights de LLM diretamente no pipeline de construção de portfólio. Os autores demonstram que, embora os LLMs possam ter dificuldade em prever setores de alto retorno puramente a partir de dados de sentimento, eles são eficazes em identificar setores de hedge complementares, vinculando sistematicamente sinais de finanças comportamentais às decisões de alocação.
• Desempenho Superior Empírico: O framework foi validado em dois universos de ativos distintos: uma mistura minimalista "COCKROACH" (Caixa, Ouro, Títulos, SPY) e um conjunto complexo de 51 ETFs setoriais. O estudo fornece extensas análises de sensibilidade em relação à frequência de rebalanceamento, janelas de observação e filtros de sentimento.

Resultados
Resultados empíricos de backtesting (janeiro de 2011 – junho de 2024 para o universo de ETFs) demonstram um desempenho superior aos benchmarks tradicionais:

• Retornos e Métricas Ajustadas ao Risco: A estratégia proposta superou a linha de base de compra e manutenção (buy-and-hold) do SPY em 68,6% em retornos cumulativos e alcançou um Índice Sharpe 119% maior.
• Controle de Drawdown: A estratégia exibiu um drawdown máximo significativamente menor (aprox. 16%) comparado ao SPY (34%) no mesmo período, destacando uma proteção superior contra quedas.
• Impacto do LLM: O hedging guiado por LLM melhorou substancialmente os retornos ajustados ao risco, elevando os Índices Sharpe em até 63% em configurações específicas (rebalanceamento trimestral). Por outro outro lado, o agrupamento setorial dinâmico sozinho não superou o universo total de ativos, sugerindo que os LLMs são mais adequados para hedging do que para seleção primária de setores neste contexto.
• Frequência de Rebalanceamento: Um cronograma de rebalanceamento trimestral foi considerado ideal, estabelecendo um equilíbrio entre capturar tendências de médio prazo e minimizar custos de transação.

Significância e Alegações
O artigo afirma que seu framework oferece uma solução robusta e adaptável para gestão de ativos de baixa frequência que integra com sucesso o aprendizado online com sinais comportamentais. Ao restringir o espaço de busca a ajustes incrementais em torno de uma base diversificada e utilizar LLMs para compensação de risco em vez de geração pura de alfa, o método produz portfólios que consistentemente superam benchmarks padrão com menor volatilidade.

Os autores posicionam este trabalho como uma ponte entre a otimização clássica, a teoria do aprendizado de não-arrependimento e as capacidades modernas de NLP. Eles afirmam que a abordagem é particularmente valiosa para investidores avessos ao risco e gestores institucionais que buscam estratégias que ofereçam proteção contra quedas e baixa correlação com oscilações de mercado sem as altas taxas ou o subdesempenho frequentemente associados à gestão ativa tradicional. O estudo conclui que, embora existam limitações (como o rebalanceamento de frequência fixa e as restrições preditivas de LLM), a integração de atualizações de "não-arrependimento" com condicionamento de sentimento leve representa um passo significativo à frente na construção prática de portfólios.