Explainable Regime Aware Investing

O artigo propõe um framework de construção de carteiras explicável e adaptativo baseado em um Modelo Oculto de Markov com distância de Wasserstein, que demonstra superioridade em desempenho ajustado ao risco e redução de drawdown ao identificar regimes de mercado dinâmicos e preservar a estabilidade das alocações em comparação com benchmarks tradicionais e estimadores não paramétricos.

O essencial

Imagine que você é o capitão de um navio que precisa navegar por um oceano gigante e cheio de tempestades (o mercado financeiro). O seu objetivo é chegar ao destino com o máximo de tesouro possível, mas sem afundar no caminho.

A maioria dos capitões (investidores tradicionais) faz uma coisa simples: eles olham para o mapa de ontem e assumem que o mar de hoje será igual. Se o sol estava brilhando ontem, eles continuam navegando em linha reta. Se uma tempestade surge de repente, eles só reagem quando a água já está batendo no convés.

Este artigo apresenta uma nova tecnologia para o capitão: um "Sistema de Previsão de Regimes Inteligente". Vamos descomplicar como ele funciona usando analogias do dia a dia.

1. O Problema: O "Céu" Muda, mas o Mapa é Estático

O mercado não é sempre o mesmo. Às vezes é um dia de sol e brisa suave (mercado em alta e estável). Às vezes é uma tempestade de inverno (crise, pânico). Às vezes é um nevoeiro denso (incerteza).

O problema é que os computadores que analisam o mercado são muito "neuróticos". Se você pedir para eles olharem para os dados de ontem e de hoje, eles podem mudar de ideia completamente.

• Exemplo: Imagine que você está tentando adivinhar o clima olhando para as nuvens. Um sistema ruim pode dizer: "Hoje é dia de praia!" e amanhã, com uma nuvem diferente, gritar: "É dia de tsunami!". Isso faria você trocar de roupa e de barco a cada 5 minutos, gastando todo o seu dinheiro em passagens e sem aproveitar a viagem. Isso é o que acontece com os métodos antigos (chamados de KNN no texto): eles mudam de ideia o tempo todo, gerando muitas trocas e custos.

2. A Solução: O "Sistema de Identidade" (Wasserstein HMM)

O autor, Amine Boukardagha, criou um sistema chamado Wasserstein HMM. Vamos traduzir isso para uma analogia simples:

Imagine que o mercado tem "personalidades" ou "modos de ser".

• Modo 1: O "Otimista" (tudo sobe, tudo é fácil).
• Modo 2: O "Medroso" (tudo cai, todo mundo corre para o abrigo).
• Modo 3: O "Neutro" (tudo fica quieto).

O segredo do novo sistema não é apenas detectar qual modo está acontecendo, mas lembrar quem é cada um.

• O Problema Antigo: Imagine que você tem 3 amigos (os modos). Hoje você chama o "João" de "Maria" e a "Maria" de "João". Amanhã, você inverte de novo. Se você estiver dando ordens baseadas nesses nomes, vai ficar louco. O computador antigo faz isso: ele muda os nomes dos "modos" toda vez que recalcula, confundindo o sistema.
• A Inovação (Wasserstein): O novo sistema usa uma "impressão digital" matemática (chamada distância de Wasserstein) para garantir que, não importa como o "João" se vista hoje, o computador saiba que é o mesmo "João" de ontem. Ele cria Modelos de Identidade (Templates).
  • Se o "Modo Otimista" começa a ficar um pouco mais agressivo, o sistema diz: "Ok, o Otimista mudou um pouco, mas ainda é o Otimista". Ele não cria um novo modo do zero e não troca os nomes. Isso mantém a calma e a consistência.

3. Como o Sistema Decide Onde Investir?

O sistema funciona em três passos simples:

1. Olhar para o Passado Recente: Ele analisa os últimos dias para ver qual é o "clima" atual.
2. Contar os Modos: Ele pergunta: "Quantas personalidades diferentes o mercado está mostrando hoje? Será que precisamos de 3 modos ou 5?". Ele ajusta esse número dinamicamente. Se o mercado está simples, usa menos; se está caótico, usa mais.
3. Ajustar a Vela (A Alocação): Com base no "Modo" atual, ele decide onde colocar o dinheiro.
   • Se o sistema detecta o "Modo Otimista", ele coloca mais dinheiro em ações (que sobem mais).
   • Se ele detecta o "Modo Medroso" (como na crise de 2025 mencionada no texto, chamada de "Dia da Libertação"), ele rapidamente tira dinheiro das ações e coloca em coisas seguras, como ouro e títulos do governo.

4. O Resultado: Menos Estresse, Mais Dinheiro

O artigo compara esse novo sistema com dois outros:

1. O "Cego": Compra e segura (Buy & Hold) apenas ações.
2. O "Confuso": Usa métodos antigos que mudam de ideia o tempo todo (KNN).

O que aconteceu?

• O "Cego" (Apenas Ações): Quando a tempestade de 2025 chegou, ele afundou muito. Perdeu quase 15% do valor.
• O "Confuso" (Método Antigo): Mudou de ideia tanto que gastou muito dinheiro em taxas de troca e ainda assim perdeu muito.
• O "Sistema Inteligente" (Wasserstein):
  • Antecipou a tempestade: Assim que os sinais de "Modo Medroso" apareceram, ele reduziu a exposição às ações.
  • Proteção: Quando a crise bateu, ele já estava em posições mais seguras (ouro e títulos).
  • Resultado: Ele perdeu apenas 5,43% no pior momento, enquanto o "Cego" perdeu 14,62%.
  • Eficiência: Ele trocou de posição muito menos vezes (menos custos), mantendo o dinheiro trabalhando de forma mais suave.

Resumo em uma Frase

Este artigo diz que para investir bem todos os dias, não basta apenas olhar para os dados; é preciso ter um sistema que reconheça a personalidade do mercado e se adapte a ela sem entrar em pânico ou mudar de ideia a cada segundo. Ao fazer isso, você evita as quedas bruscas e constrói riqueza de forma mais estável.

É como ter um navegador que não apenas vê a tempestade, mas sabe exatamente qual tipo de tempestade é, lembra como ela se comportou no passado, e ajusta as velas suavemente para que você não seja jogado para fora do barco.

Resumo técnico

Resumo Técnico: Investimento Consciente de Regime Explicável

1. O Problema

A construção de carteiras diárias enfrenta dois objetivos conflitantes: a necessidade de adaptação rápida a estruturas de mercado em evolução e a robustez contra ruído de estimação e atritos de negociação.

• Instabilidade em Alta Frequência: Em frequências diárias, as estimativas de média e covariância condicionais são instáveis. Pequenas perturbações nos dados de entrada podem gerar grandes alterações nos pesos otimizados.
• Desafios de Modelos de Regime: Quando a alocação depende de regimes latentes (estados de mercado), a instabilidade na identidade do regime ou na complexidade do modelo amplifica o problema.
  • Troca de Rótulos (Label Switching): A re-estimação repetida de modelos HMM (Hidden Markov Models) em janelas rolantes pode permutar as identidades dos estados latentes, desestabilizando a otimização subsequente e degradando a interpretabilidade econômica.
  • Complexidade Estática: A escolha de um número fixo de regimes pode ser frágil à medida que a complexidade do mercado muda ao longo do tempo.
• Falha de Métodos Não Paramétricos: Abordagens baseadas em vizinhança local (como K-NN) sofrem com mudanças descontínuas nos conjuntos de vizinhos, levando a estimativas de momentos condicionais instáveis e uma rotação excessiva de carteiras (turnover).

2. Metodologia: O Modelo Wasserstein HMM

O autor propõe um framework de construção de carteira baseado no Hidden Markov Model de Wasserstein (Wasserstein HMM), projetado especificamente para alocação diária estritamente causal. O modelo integra três elementos principais:

1. Estimação de HMM Gaussiano em Janela Rolante:

   • O modelo assume que os regimes de mercado correspondem a diferentes distribuições Gaussianas multivariadas.
   • Utiliza uma janela de expansão (rolling) estritamente causal, onde todas as características (retornos, volatilidade, momentum) são calculadas apenas com dados até $t-1$.

2. Seleção de Ordem do Modelo Preditiva:

   • Em vez de selecionar o número de regimes uma única vez (ex: via BIC) ou usar regras de emergência monotônica, o modelo seleciona dinamicamente a ordem $K_t$ (número de estados) periodicamente.
   • A seleção baseia-se no desempenho de log-verossimilhança preditiva de um passo à frente em uma amostra de validação, alinhando a complexidade do modelo ao seu valor preditivo fora da amostra.

3. Rastreamento de Identidade Baseado em Templates (Wasserstein):

   • Para resolver o problema de troca de rótulos, o modelo mapeia os componentes Gaussianos estimados em cada data para templates de regime persistentes.
   • O mapeamento utiliza a distância 2-Wasserstein entre distribuições Gaussianas, que possui uma forma fechada analítica.
   • Os templates são atualizados via suavização exponencial. Isso garante a preservação da identidade do regime ao longo do tempo sem necessidade de otimização combinatória discreta, permitindo uma evolução estrutural suave.

Camada de Otimização:

• As probabilidades dos regimes são usadas para calcular momentos condicionais ponderados (média e covariância).
• Esses momentos alimentam um problema de Otimização Média-Variância (MVO) consciente de custos de transação, que inclui penalidades de turnover ($\ell_1$) e restrições de peso máximo.
• A estimativa de covariância utiliza o encolhimento (shrinkage) de Ledoit-Wolf para estabilizar a matriz de risco de alta dimensão.

3. Contribuições Principais

1. Framework Geometricamente Fundamentado: Introdução do Wasserstein HMM para inferência de regimes, utilizando a geometria do transporte ótimo para ancorar identidades de regimes, eliminando a instabilidade combinatória associada a modelos latentes rolantes.
2. Controle Adaptativo de Complexidade: Substituição de critérios de informação estáticos por seleção de ordem baseada em desempenho preditivo, permitindo que o número de regimes se adapte à complexidade do mercado.
3. Demonstração de Impacto Econômico: Evidência empírica de que a estabilidade na inferência de regimes (preservação de identidade e controle de complexidade) é um determinante de primeira ordem para a robustez da implementação, reduzindo o turnover e os drawdowns.
4. Explicabilidade: O modelo permite a interpretação econômica clara dos regimes ao longo do tempo, pois as identidades dos templates são preservadas, permitindo atribuição de desempenho por estado de mercado.

4. Resultados Empíricos

O framework foi testado em um universo diversificado de ativos diários (Ações, Títulos, Commodities, FX) de 2005 a 2026, comparado a benchmarks e a um estimador não paramétrico (K-NN).

• Desempenho Risco-Retorno:

  • O Wasserstein HMM alcançou um Sharpe Ratio de 2.18, superando significativamente a diversificação igualitária (1.59) e a estratégia Buy & Hold do S&P 500 (1.18).
  • Drawdown Máximo: O modelo sofreu um drawdown máximo de -5.43%, comparado a -14.62% do S&P 500 e -12.52% da estratégia K-NN.

• Estabilidade e Turnover:

  • O modelo paramétrico reduziu drasticamente o turnover diário médio (0.79% vs. 56.65% do K-NN).
  • A evolução dos pesos foi muito mais suave, evitando a "dança" de alocação causada pela instabilidade dos vizinhos mais próximos no K-NN.

• Cenário de Estresse ("Liberation Day" - Início de 2025):

  • Durante uma forte venda de ações no início de 2025, o modelo detectou a transição para um regime de estresse (Regime E).
  • A estratégia reduziu sistematicamente a exposição a ações e aumentou a alocação em ativos defensivos (USD, Títulos, Ouro), mitigando as perdas pico-a-vale.
  • O K-NN falhou em detectar essa transição de forma suave, resultando em alta volatilidade e maiores perdas.

• Análise de Regimes:

  • O modelo identificou regimes distintos com características econômicas claras (ex: "Expansão de Risco Equilibrada", "Rally de Risco Amplo", "Estresse de Ações com Amortecedor de Commodities").
  • A estratégia performou bem em todos os regimes identificados, com taxas de acerto superiores a 58% em cada um.

5. Significado e Conclusão

O artigo conclui que o investimento consciente de regimes não é apenas uma questão de se os regimes existem, mas como eles são inferidos e estabilizados.

• Estabilidade de Identidade: A preservação da identidade do regime através de templates ancorados geometricamente (Wasserstein) é crucial para evitar a instabilidade na otimização de carteiras diárias.
• Superioridade sobre Métodos Locais: Métodos não paramétricos locais (como K-NN) produzem estimativas descontínuas que levam a custos de transação excessivos e performance degradada em frequências diárias.
• Viabilidade Operacional: O framework proposto oferece uma solução implementável que equilibra a adaptação a mudanças estruturais com a robustez necessária para a alocação de capital real, demonstrando que a qualidade da inferência de regimes impacta diretamente a estabilidade do caminho do capital (path stability) e a proteção contra quedas severas.

Em suma, o trabalho valida que a combinação de modelos latentes estruturados com controle de complexidade preditiva e ancoragem geométrica de identidade fornece características de implementação superiores para a alocação diária de ativos cruzados.