Overreaction as an indicator for momentum in algorithmic trading: A Case of AAPL stocks

Resumo Técnico: Reação Excessiva como Indicador de Momentum no Trading Algorítmico

1. Problema e Motivação

O artigo investiga se as reações excessivas de curto prazo (overreactions) no mercado financeiro podem ser sistematicamente previstas e monetizadas como sinais de momentum. O foco central é a Apple Inc. (AAPL).

• Contexto: Os mercados financeiros frequentemente exibem desvios previsíveis em relação aos valores fundamentais devido a incertezas, pressão de tempo e assimetria de informações. Essas reações excessivas, muitas vezes impulsionadas por emoções e viés comportamentais (como medo e ganância), criam ineficiências de curto prazo.
• Lacuna na Literatura: Poucos estudos modelam a "reação excessiva" como um alvo preditivo distinto, em vez de apenas observá-la ex-post. Além disso, a integração de embeddings emocionais finos (extraídos de texto) com algoritmos de aprendizado de máquina não lineares em frequências intradiárias (minuto a minuto) ainda não foi totalmente explorada.
• Objetivo: Desenvolver um pipeline que preveja eventos de reação excessiva em tempo real, utilizando características emocionais baseadas em transformadores (NLP) e modelos de machine learning (ML) não lineares, para explorar o momentum derivado de desalinhamentos de preços.

2. Metodologia

2.1. Dados e Pré-processamento

• Ativo e Período: AAPL, de 1º de janeiro de 2019 a 30 de junho de 2022.
• Fontes de Dados:
  • Mercado: Dados OHLCV (Preço Aberto, Máximo, Mínimo, Fechado e Volume) em frequências de 1, 5, 10 e 15 minutos.
  • Sentimento: Tweets contendo "$AAPL" filtrados para inglês.
• Extração de Emoções: Utilização do modelo de transformador ModernFinBERT (tabularisai) para extrair vetores de probabilidade de emoções (medo, alegria, raiva, tristeza, nojo, surpresa, neutro) de cada tweet.
• Sincronização: Os dados de mercado e as emoções são alinhados em intervalos fixos. Para evitar viés de look-ahead, as características ($X_t$) são construídas com informações até o fim do intervalo $t$, e o alvo é o estado de reação excessiva no intervalo seguinte ($OR_{t+1}$).

2.2. Definição de Reação Excessiva (Overreaction)
A reação excessiva é definida como uma realização de retorno extrema em relação à volatilidade contemporânea e aos custos de transação. É tratada como um problema de classificação de três classes:

• +1 (Reação Excessiva Positiva): Retorno > $\theta \cdot \sigma_t + 2 \cdot TC$
• -1 (Reação Excessiva Negativa): Retorno < $-(\theta \cdot \sigma_t + 2 \cdot TC)$
• 0 (Neutro): Caso contrário.
• Onde $\sigma_t$ é a volatilidade realizada (janela rolante de 20 intervalos) e $TC$ são os custos de transação (10 bps por lado). O parâmetro $\theta$ varia de 1,5 a 5,0.

2.3. Modelos de Aprendizado de Máquina
O estudo compara quatro arquiteturas não lineares para prever $OR_{t+1}$:

1. XGBoost: Classificador probabilístico multi-classe.
2. Random Forest: Floresta aleatória com ajuste de hiperparâmetros.
3. Deep Neural Network (DNN): Rede feed-forward com duas camadas ocultas e dropout.
4. Bidirectional LSTM (BiLSTM): Rede recorrente bidirecional para capturar dependências temporais.

2.4. Estratégia de Trading e Avaliação

• Sinal: Compra se $P(OR=+1) > c$; Venda se $P(OR=-1) > c$.
• Custos: Simulação rigorosa incluindo custos de entrada/saída (2xTC) e troca de posição (4xTC).
• Métricas: Sharpe Ratio, Sortino Ratio, Drawdown Máximo e testes estatísticos de Jobson-Korkie (com correção de Memmel) para comparar desempenhos.
• Interpretabilidade: Uso de SHAP (Shapley Additive exPlanations) para decompor as previsões e entender a contribuição de cada característica (volatilidade, emoções específicas).

3. Resultados Principais

3.1. Desempenho por Frequência Intraday
Os resultados variam significativamente dependendo do intervalo de tempo (1, 5, 10 e 15 minutos):

• 1 Minuto (Ultra-curto):

  • O ruído de microestrutura domina. A maioria das estratégias tem desempenho limitado.
  • O Random Forest foi o melhor modelo de ML (Sharpe 0,90), mas com apenas 2 operações, indicando que oportunidades são raras.
  • A regra de benchmark de reação excessiva performou mal (Sharpe -1,01).
  • Conclusão: O ML supera o benchmark, mas a tradabilidade é baixa devido ao ruído.

• 5 Minutos:

  • Melhora na estrutura do sinal. O BiLSTM destaca-se (Sharpe 0,69), sugerindo que a modelagem de dependências temporais em emoções é benéfica nesta frequência.
  • O benchmark de reação excessiva continua a performar mal (-0,94).

• 10 Minutos (O "Sweet Spot"):

  • Desempenho Máximo: Esta frequência apresenta a melhor estrutura de sinal.
  • Benchmark vs. ML: Curiosamente, a regra clássica de reação excessiva (baseada em heurística comportamental) supera a maioria dos modelos de ML, atingindo um Sharpe de 1,43 e retorno anual de 34,07%.
  • O DNN performou bem entre os MLs (Sharpe 0,65), mas não superou o benchmark simples.
  • Interpretação: A 10 minutos, os efeitos comportamentais clássicos são fortes e previsíveis, tornando heurísticas simples eficazes.

• 15 Minutos:

  • O XGBoost e Random Forest performam bem (Sharpe ~0,46 a 0,87).
  • O benchmark de reação excessiva permanece competitivo (Sharpe 0,66), mas a vantagem do ML sobre o benchmark torna-se estatisticamente insignificante.

3.2. Análise de Importância de Características (SHAP)

• Volatilidade: É consistentemente a característica mais dominante em todas as frequências. Alta volatilidade tende a sinalizar vendas (reação a choques de liquidez/desequilíbrio).
• Emoções Negativas (Medo, Tristeza): São os principais impulsionadores de previsões de venda. O "Medo" é a emoção mais reativa e informativa, alinhada com a aversão à perda.
• Conteúdo Neutro: Surpreendentemente, altos níveis de neutralidade correlacionam-se com sinais de compra, sugerindo que períodos de discurso estável facilitam a previsão de momentum.
• Surpresa: Tem um papel variável; em frequências maiores (10-15 min), altas taxas de surpresa podem preceder recuperações de preço (compra).

4. Contribuições Chave

1. Integração de NLP e ML: Demonstra a viabilidade de usar embeddings de emoção baseados em transformadores (FinBERT) combinados com modelos não lineares para prever ineficiências de curto prazo.
2. Definição Preditiva de Overreaction: Propõe uma metodologia onde a "reação excessiva" é o alvo de previsão, não apenas uma observação histórica, permitindo estratégias de momentum direcionadas.
3. Descoberta de Regimes de Frequência: Identifica que a eficácia das estratégias depende criticamente da frequência de amostragem:
   • Em frequências ultra-altas (1 min), o ML é necessário para filtrar ruído, mas as oportunidades são escassas.
   • Em frequências intermediárias (10 min), heurísticas comportamentais clássicas ainda são superiores ou competitivas, sugerindo que a ineficiência de mercado é mais "pura" e menos complexa neste horizonte.
4. Interpretabilidade Comportamental: O uso de SHAP valida que os modelos aprendem mecanismos comportamentais plausíveis (ex: medo levando a vendas excessivas), conectando a "caixa preta" do ML à teoria financeira comportamental.

5. Significado e Implicações

• Para o Trading Algorítmico: O estudo sugere que estratégias puramente baseadas em regras simples podem ser eficazes em janelas de 10 minutos, mas a integração de NLP e ML é crucial para frequências mais altas ou para refinar a entrada/saída em regimes de alta volatilidade.
• Para a Teoria Financeira: Confirma que as emoções (especialmente o medo) têm um papel estrutural e previsível na formação de preços intradiários, gerando desvios que podem ser explorados.
• Limitações: O estudo foca em um único ativo (AAPL) e em dados do Twitter. A generalização para outras classes de ativos e a consideração de custos de execução reais (slippage, latência) são desafios futuros.

Conclusão Final:
As reações excessivas impulsionadas por emoções contêm uma estrutura previsível que pode ser explorada. Embora modelos de machine learning superem regras simples em frequências muito curtas (1-5 min), em frequências intermediárias (10 min), os efeitos comportamentais clássicos são tão fortes que heurísticas simples ainda competem ou superam modelos complexos. A chave para o sucesso reside na adaptação da estratégia à frequência de mercado e na compreensão de como a volatilidade e as emoções interagem nesses diferentes horizontes temporais.