A Bipartite Graph Approach to U.S.-China Cross-Market Return Forecasting

Este artigo propõe uma estrutura de aprendizado de máquina baseada em grafos bipartidos para prever retornos entre os mercados de ações dos EUA e da China, revelando uma forte assimetria direcional onde os retornos do mercado americano possuem poder preditivo significativo sobre os retornos intradiários chineses, enquanto o efeito inverso é limitado.

O essencial

Imagine que o mercado financeiro é como um mundo gigante onde duas cidades principais, Nova York (EUA) e Xangai (China), operam em horários completamente diferentes. Quando uma cidade vai dormir, a outra acorda.

Este artigo é como um manual de instruções para criar um "sistema de previsão do tempo" que usa o clima de uma cidade para prever o clima da outra no dia seguinte.

Aqui está a explicação simples, passo a passo:

1. O Problema: Prever o Futuro no Caos

Prever se uma ação (uma "participação" em uma empresa) vai subir ou descer é como tentar adivinhar o resultado de um jogo de dados cheio de ruído. Os mercados são barulhentos e mudam de comportamento o tempo todo. A maioria dos estudiosos olha apenas para o que acontece dentro de uma única cidade (apenas EUA ou apenas China). Mas e se a "notícia" de ontem em Nova York pudesse nos dizer o que vai acontecer hoje em Xangai?

2. A Ideia Genial: O "Mapa de Conexões" (Grafo Bipartido)

Os autores criaram uma ferramenta chamada Grafo Bipartido Direcionado. Vamos usar uma analogia:

Imagine que você tem duas caixas de cartas:

• Caixa Azul: Cartas com ações americanas.
• Caixa Vermelha: Cartas com ações chinesas.

Normalmente, as pessoas olham apenas para cartas da mesma cor. Mas os autores queriam saber: "Se a carta 'Apple' (EUA) se comportou de um jeito ontem, qual carta da China (ex: 'Alibaba') vai reagir hoje?"

Para descobrir isso, eles criaram um mapa de conexões:

1. Eles olharam para o passado (os últimos 250 dias).
2. Usaram um teste matemático para ver quais ações americanas realmente "influenciavam" quais ações chinesas.
3. Se havia uma influência forte, eles desenhavam uma seta da ação americana para a ação chinesa.
4. Se não havia influência, não desenhavam nada.

O resultado foi um mapa esparso (com poucas setas, mas importantes), que funciona como um filtro inteligente. Em vez de jogar todos os dados na máquina, eles só jogam os dados que realmente têm uma conexão comprovada.

3. A Assimetria: Quem é o "Chefe"?

A descoberta mais interessante do estudo é sobre quem manda em quem.

• EUA -> China: Funciona muito bem! O que acontece no fechamento do mercado americano (quando eles vão dormir) tem um poder enorme de prever como o mercado chinês vai abrir e fechar no dia seguinte. É como se o "chefe" (EUA) desse um sinal que o "funcionário" (China) segue.
• China -> EUA: Funciona muito pouco. O que acontece em Xangai tem pouca influência sobre o que acontece em Nova York no dia seguinte.

Isso acontece porque o mercado americano é maior, mais líquido e define o "humor" global. Quando a noite cai em Nova York, o mundo inteiro (incluindo a China) reage às notícias que saíram lá.

4. A Máquina de Previsão (Machine Learning)

Depois de criar esse mapa de conexões, eles usaram 10 tipos diferentes de "cérebros" de computador (algoritmos de aprendizado de máquina) para fazer as previsões.

• Alguns cérebros eram simples (como uma linha reta).
• Outros eram complexos (como árvores de decisão ou redes neurais).
• Eles também criaram um "comitê" (ensemble), onde a previsão final é a média de todos os cérebros.

O Resultado: O sistema que usava o Mapa de Conexões (Grafo) + Dados Americanos para prever a China foi o vencedor. Ele conseguiu prever com mais precisão do que qualquer método que olhasse apenas para dentro da China ou que não usasse o mapa de conexões.

5. Por que isso importa?

O estudo mostra que:

1. A ordem importa: Como os mercados não abrem ao mesmo tempo, a informação flui em uma direção clara (EUA -> China).
2. Estrutura é melhor que volume: Não adianta jogar todos os dados na máquina. É melhor ter menos dados, mas que sejam os certos (aqueles conectados pelo mapa).
3. Assimetria é real: O mundo financeiro é desequilibrado. O que acontece nos EUA afeta a China muito mais do que o contrário.

Resumo em uma frase

Os autores criaram um "filtro inteligente" que conecta ações americanas a chinesas baseando-se em quem influencia quem, descobrindo que o mercado americano é um oráculo poderoso para prever o mercado chinês, e que usar essa estrutura organizada é muito melhor do que tentar adivinhar olhando apenas para o passado de um único país.

Nota importante: O estudo diz que isso é uma prova de que a previsão funciona, mas não é um "plano de enriquecimento rápido" pronto para usar, pois não inclui custos de transação ou taxas de banco. É mais sobre entender a ciência por trás do movimento do dinheiro.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "A Bipartite Graph Approach to U.S.-China Cross-Market Return Forecasting", apresentado em português:

1. O Problema

A previsão de retornos de ativos é um desafio central na gestão de carteiras, agravado pelo ruído, não-estacionariedade e dependências não lineares nos mercados financeiros. Embora existam muitos estudos sobre previsão dentro de um único mercado (usando Machine Learning ou econometria), há uma lacuna significativa na previsão de retornos de ações específicas entre mercados com horários de negociação não sobrepostos.

A maioria das pesquisas existentes foca em:

• Previsão intra-mercado.
• Interações de mercado em nível de índice agregado.
• Correlações contemporâneas ou spillovers de volatilidade, em vez de previsões direcionais explícitas de retornos de ações individuais.

O artigo aborda especificamente a previsão de retornos de ações entre os mercados dos EUA e da China, explorando a janela temporal única onde as sessões de negociação não se sobrepõem, permitindo uma estrutura de informação temporalmente ordenada e livre de viés de "olhar para o futuro" (look-ahead bias).

2. Metodologia

O framework proposto combina seleção de características baseada em grafos com modelos de aprendizado de máquina em duas etapas principais:

A. Construção do Grafo Bipartido Direcionado

• Estrutura: O modelo representa dois mercados distintos (EUA e China) como dois conjuntos de vértices disjuntos ($X$ e $Y$).
• Lógica Temporal: Devido à não sobreposição das sessões, os retornos do mercado fonte (ex: fechamento anterior dos EUA) precedem o início da sessão do mercado alvo (ex: abertura-ao-fechamento da China).
• Seleção de Arestas (Screening): Para cada par ordenado de ações (uma do mercado fonte, uma do alvo), é realizada uma regressão linear univariada em uma janela de treinamento rolante.
  • Uma aresta direcionada é criada se o coeficiente de regressão for estatisticamente significativo (testado via estatística $t$ com um limiar $\tau$, geralmente 2).
  • Isso cria um grafo esparsificado onde as arestas representam ligações preditivas temporais específicas, não apenas correlações contemporâneas.
• Interpretação: O grafo atua como uma camada de seleção de características economicamente interpretável, mapeando canais de transmissão de informação entre setores e ações específicas.

B. Modelos de Previsão (Machine Learning)

Uma vez selecionados os preditores (ações do mercado fonte conectadas à ação alvo no grafo), os retornos são previstos usando uma suíte de 10 modelos de aprendizado de máquina:

1. Métodos Lineares/Regularizados: OLS, LASSO, Ridge.
2. Métodos Baseados em Kernel: SVM.
3. Métodos Baseados em Árvores/Ensemble: XGBoost, LightGBM, Random Forests, AdaBoost.
4. Ensemble: Média e Mediana dos resultados dos 8 modelos acima.

O objetivo é prever retornos de "abertura ao fechamento" (OPCL) no mercado alvo utilizando informações do mercado fonte.

3. Contribuições Principais

• Framework de Grafo Direcionado: Propõe um método inovador para modelar dependências inter-mercado usando grafos bipartidos direcionados, onde as arestas são definidas por significância preditiva temporal e não por correlação simultânea.
• Análise em Nível de Ação: Diferente da literatura que foca em índices agregados, este estudo realiza previsão de retornos em nível de ação individual entre os dois maiores mercados de capitalização do mundo.
• Exploração de Assimetria Temporal: Utiliza a estrutura natural de horários não sobrepostos (EUA fecham antes da China abrir) para criar um fluxo de informação causal e limpo para treinamento de modelos.
• Interpretabilidade Econômica: O grafo resultante não é uma "caixa preta"; ele revela canais de transmissão setoriais (ex: como o setor de serviços financeiros da China se conecta ao setor de utilidades públicas dos EUA).

4. Resultados Chave

Os experimentos cobrem o período de 2014 a 2021, utilizando as 500 ações de maior capitalização de mercado de cada país.

• Assimetria Direcional Pronunciada:
  • EUA $\rightarrow$ China: Existe uma forte capacidade preditiva. Os retornos de fechamento anterior a fechamento (pvCLCL) dos EUA contêm informações substanciais para prever os retornos de abertura-ao-fechamento (OPCL) da China.
  • China $\rightarrow$ EUA: O efeito reverso é limitado e estatisticamente fraco.
• Desempenho dos Modelos:
  • Modelos como Ridge, LightGBM e Ensembles (média/mediana) apresentaram os melhores resultados ao prever ações chinesas usando dados dos EUA.
  • O uso de retornos pvCLCL dos EUA (que capturam a noite americana e o fechamento) superou o uso de retornos OPCL dos EUA na previsão de ações chinesas, destacando a importância da transmissão de informações durante a noite.
• Valor Adicional do Grafo:
  • A abordagem baseada em grafo com dados inter-mercado superou consistentemente:
    1. Baselines sem grafo (apenas dados intra-mercado).
    2. Abordagens baseadas em grafo usando apenas dados intra-mercado.
  • Isso confirma que a seleção de características estruturada pelo grafo extrai sinal econômico relevante que modelos padrão não capturam.
• Robustez:
  • A análise de sensibilidade mostrou que a performance decai quando as arestas do grafo são randomizadas ou quando o atraso temporal (lag) entre preditor e alvo aumenta, confirmando que a estrutura do grafo e a recência da informação são críticas.

5. Significância e Implicações

• Econômica: O estudo valida empiricamente o papel central do mercado dos EUA na descoberta de preços global, especialmente para mercados asiáticos que operam em fusos horários diferentes. A assimetria encontrada reflete a dominância da informação dos EUA na dinâmica de retornos internacionais.
• Metodológica: Demonstra que estruturas de grafos esparsos e direcionados podem ser usadas como camadas de pré-processamento eficazes para modelos de Machine Learning, melhorando a interpretabilidade e a performance de previsão em cenários de alta dimensionalidade.
• Prática: Embora o estudo não proponha uma estratégia de negociação pronta para produção (devido à ausência de modelagem de custos de transação e impacto de mercado), os resultados sugerem que a incorporação de dados de mercados externos estruturados via grafos pode gerar alfas preditivos significativos.

Em resumo, o artigo fornece uma ponte metodológica robusta entre a teoria de redes, a econometria temporal e o aprendizado de máquina moderno para resolver problemas complexos de previsão de ativos em mercados globais interconectados.