Interpretable Systematic Risk around the Clock

Este artigo apresenta a primeira análise abrangente e contínua do risco de salto sistemático, combinando dados de alta frequência com narrativas de notícias classificadas por uma LLM para identificar categorias de risco interpretáveis, permitindo a construção de uma carteira que isola o risco de salto mais precificado e gera alphas significativos.

O essencial

Imagine que o mercado de ações é como um oceano gigante. Às vezes, a água está calma e sobe ou desce devagar (isso é o movimento "contínuo"). Mas, de repente, uma onda gigante ou um tsunami atinge a costa. Essas ondas súbitas e violentas são o que os economistas chamam de "jumps" (saltos).

Este artigo, escrito por Songrun He, é como um novo tipo de sistema de radar e inteligência artificial que tenta entender exatamente por que essas ondas gigantes acontecem e quanto elas custam para quem navega por elas.

Aqui está a explicação do estudo, dividida em partes simples:

1. O Problema: Olhar apenas para o dia é como olhar pela janela de um carro

Antes, os estudiosos do mercado olhavam apenas para o que acontecia entre as 9h30 e as 16h00 (o horário de funcionamento das bolsas nos EUA). Eles usavam ferramentas antigas para ler notícias.

O autor diz: "Isso é um erro!".
Muitas notícias importantes (como dados econômicos dos EUA ou eventos na Europa/Ásia) acontecem quando o mercado está fechado (à noite). Se você ignora a noite, está ignorando a maior parte das ondas gigantes. É como tentar prever o clima olhando apenas para o meio-dia e ignorando a tempestade que passou à noite.

2. A Solução: Um Detetive com Superpoderes (IA)

Para consertar isso, o autor fez três coisas incríveis:

• Olhou 24 horas por dia: Ele usou dados de contratos futuros que negociam o mercado o tempo todo (dia e noite), cobrindo quase 24 horas do dia.
• Usou um "Detetive de IA" (LLM): Em vez de apenas contar palavras-chave em notícias (como faziam os métodos antigos), ele usou uma Inteligência Artificial avançada (chamada Qwen) que pensa e raciocina.
  • A analogia: Imagine que você tem 100 jornais diferentes. Um método antigo conta quantas vezes a palavra "inflação" aparece. O novo método (IA) lê os jornais, entende o contexto, a ironia e a gravidade, e diz: "Ah, essa notícia sobre o Banco Central é o que causou a queda do mercado agora".
• Classificou as ondas: A IA organizou as notícias em 5 categorias principais:
  1. Macroeconomia (dados de emprego, inflação, PIB).
  2. Política (decisões do governo, taxas de juros).
  3. Geopolítica (guerras, tensões internacionais).
  4. Empresas (lucros de grandes companhias).
  5. Internacional (crises em outros países).

3. A Descoberta Principal: Nem todas as ondas são iguais

O estudo descobriu que o mercado paga um "preço" diferente para cada tipo de onda.

• O Grande Vencedor: As notícias Macroeconômicas (como dados de emprego ou inflação) são as que mais assustam e, portanto, pagam o maior prêmio. Quem arrisca dinheiro nessas ondas ganha mais.
• O Surpresa: As ondas que acontecem à noite (quando o mercado está fechado) são as principais responsáveis por esses ganhos. Se você só olhar para o dia, perde a maior parte do dinheiro que poderia ganhar.
• A IA é melhor: Quando o autor usou a IA para classificar as notícias, ele conseguiu criar uma estratégia de investimento que rendeu muito mais do que usar métodos antigos ou até mesmo adivinhar aleatoriamente.

4. O Resultado Prático: Um Mapa do Tesouro

O autor criou um "fórmula mágica" (um portfólio) que, a cada ano, escolhe o tipo de notícia que está pagando mais para ser arriscado.

• Sem IA: Se você tentasse adivinhar qual notícia é importante, sua estratégia seria fraca e arriscada.
• Com IA: A estratégia do autor conseguiu um retorno muito alto com menos risco do que o mercado geral. É como ter um mapa que mostra exatamente onde estão as ondas gigantes e como surfar nelas para ganhar dinheiro, enquanto os outros apenas tentam não afundar.

Resumo em uma frase

Este estudo mostra que, para entender e ganhar dinheiro no mercado de ações, você precisa olhar o mercado o tempo todo (24h) e usar uma Inteligência Artificial inteligente para ler as notícias, pois as ondas mais perigosas (e lucrativas) acontecem quando ninguém está olhando, e a IA consegue entender o "porquê" delas melhor do que qualquer método antigo.

Em suma: O mercado não dorme, e para ganhar dinheiro nele, você precisa de um detetive que não dorme também.

Resumo técnico

Resumo Técnico: Risco Sistemático Interpretável ao Longo do Dia

Autor: Songrun He (Washington University in St. Louis)
Data do Rascunho: Abril de 2026 (Primeira versão: Julho de 2025)

1. O Problema e a Motivação

O artigo aborda uma lacuna crítica na literatura de finanças: a compreensão incompleta do risco de salto (jump risk) sistemático devido à análise restrita ao horário de negociação intradiário (9:30–16:00 ET).

• Viés de Variável Omitida: Estudos anteriores (ex: Aleti & Bollerslev, 2025) focam apenas no período intradiário, ignorando que uma parcela significativa do risco sistemático e das notícias que o impulsionam ocorre durante o período overnight (fora do horário de negociação).
• Limitações de Análise de Texto: Métodos tradicionais de Processamento de Linguagem Natural (NLP) e modelos tópicos (como LDA) carecem da capacidade de raciocínio causal para vincular com precisão eventos de salto de alta frequência a narrativas de notícias específicas e complexas.
• Contexto de Mercado: Com a expansão planejada de bolsas de valores para negociações de 24 horas (ex: Nasdaq), torna-se imperativo entender a dinâmica de risco ao longo de todo o ciclo de 24 horas.

2. Metodologia

O autor integra três avanços recentes para criar um framework analítico abrangente:

A. Dados de Alta Frequência "Ao Longo do Dia" (Around-the-Clock)

• Mercado de Ações: Utiliza dados de milissegundos do TAQ (Trade and Quote) para ações do S&P 1500 (1997–2020) para o período intradiário.
• Futuros E-mini S&P 500: Utiliza dados de tick do CME para cobrir o período overnight, permitindo a identificação de saltos de mercado 24 horas por dia.
• Identificação de Saltos: Aplica estimadores de variância truncada (Aït-Sahalia & Jacod, 2014) para separar movimentos contínuos de movimentos descontínuos (saltos) em intervalos de 15 minutos.

B. Framework Econométrico: Regressão Fama-MacBeth em Tempo Contínuo

• Adapta a regressão Fama-MacBeth em tempo contínuo (Aït-Sahalia, Jacod & Xiu, 2025) para decompor o risco sistemático em componentes contínuos e de salto específicos por tópico.
• Portfólios de Mimetização de Fatores ("Pure-Play"): Constrói portfólios que isolam a exposição a um tipo específico de risco de salto (ex: risco macroeconômico) enquanto mantêm exposição zero a outros fatores de risco e ao componente contínuo.
• Beta de Salto: Estima betas de salto em tempo real usando apenas as observações onde o fator de mercado sofreu um salto, garantindo alta precisão devido à alta relação sinal-ruído.

C. Recuperação de Narrativas e Classificação com LLMs

• Modelo: Utiliza o modelo de raciocínio open-source Qwen3-235B-A22B.
• Pipeline de 3 Passos:
  1. Recuperação (Prompt 1): O LLM analisa notícias do Dow Jones Newswires em janelas de 15 minutos ao redor do salto para identificar a causa provável.
  2. Definição de Tópicos (Prompt 2): Classifica as causas em categorias mutuamente exclusivas.
  3. Classificação Final (Prompt 3): Atribui cada evento de salto a uma das cinco categorias econômicas principais:
     • Notícias Macroeconômicas (Surpresas de dados).
     • Campanhas Corporativas (Lucros de empresas âncora).
     • Transbordamentos Internacionais.
     • Anúncios de Política (Monetária/Fiscal).
     • Eventos Geopolíticos.
• Validação: Comparação com modelos ChronoBERT (sem viés de olhar para o futuro) e LDA tradicional para garantir robustez.

3. Principais Resultados

A. Heterogeneidade nos Prêmios de Risco

• Risco Macroeconômico Dominante: O risco de salto ligado a notícias macroeconômicas (especialmente dados como NFP, CPI, PIB) comanda o maior prêmio de risco, gerando um retorno anual de 3,65% e um Sharpe Ratio de 0,78 (superior ao do mercado, que é 0,53).
• Irrelevância de Outros Riscos (Controlados): Outros riscos, como política monetária e transbordamentos internacionais, apresentam prêmios menores ou estatisticamente insignificantes quando o risco macroeconômico é controlado.
• Importância do Período Overnight: A análise intraday apenas produz estimativas ruidosas e enviesadas. A inclusão do período overnight restaura a significância estatística e melhora o desempenho de investimento ajustado ao risco em três vezes.

B. Desempenho de Investimento em Tempo Real

• Estratégia Dinâmica: Uma estratégia que, anualmente, seleciona o portfólio de fator de salto com o maior Sharpe Ratio (geralmente o tópico macroeconômico) e o mantém por um ano, alcança um Sharpe Ratio out-of-sample de 0,95.
• Alphas Significativos: Este portfólio gera alphas significativos mesmo após controle para os seis fatores de Fama-French (2018).
• Validação de Placebo: Estratégias que atribuem tópicos aleatoriamente não conseguem replicar esse desempenho, confirmando que o valor vem da compreensão narrativa do LLM, não de ruído.

C. Valor do Raciocínio do LLM (Thinking vs. Non-Thinking)

• O estudo compara o modelo Qwen com e sem a capacidade de "pensar" (raciocínio).
• Resultado: O modelo com raciocínio ("Thinking") identifica a causa do salto em 97,2% dos casos, enquanto o modelo sem raciocínio ("Non-Thinking") identifica apenas 69,7%.
• Impacto Financeiro: A estratégia baseada no modelo com raciocínio atinge um Sharpe Ratio de 0,95, enquanto a versão sem raciocínio cai para 0,39, demonstrando que a capacidade de raciocínio é crucial para a precisão econômica.

D. Robustez e Viés de Olhar para o Futuro

• O uso do modelo ChronoBERT (com corte de conhecimento pré-2000) para classificação out-of-sample confirma que os resultados não são impulsionados por viés de olhar para o futuro (lookahead bias) do LLM.

4. Contribuições e Significância

1. Avanço Empírico: Oferece a primeira decomposição empírica completa e around-the-clock do risco de salto sistemático, demonstrando que o período overnight é a principal fonte de prêmio de risco em ações dos EUA.
2. Inovação Metodológica em Finanças: Introduz uma nova aplicação de LLMs de raciocínio para a recuperação de narrativas causais em dados de alta frequência, superando métodos tradicionais de contagem de palavras e LDA em precisão e valor de investimento.
3. Framework Automatizado e Reprodutível: Desenvolve um pipeline totalmente automatizado que mapeia notícias brutas de alta frequência para fontes de risco interpretáveis, permitindo a construção de estratégias de investimento adaptativas e transparentes.
4. Implicações Práticas: Demonstra que a compreensão das narrativas de notícias em tempo real, combinada com dados de alta frequência, permite a criação de portfólios de mimetização de fatores que superam consistentemente o mercado, oferecendo novas ferramentas para a gestão de risco e precificação de ativos.

Conclusão:
O artigo estabelece que o risco de salto sistemático não é homogêneo; ele é heterogêneo e altamente dependente do contexto narrativo. A integração de dados de alta frequência ao longo de 24 horas com a capacidade de raciocínio de LLMs avançados revela que o risco macroeconômico é o principal motor de compensação de risco, e que ignorar o período overnight ou usar métodos de NLP tradicionais leva a estimativas subótimas de risco e oportunidades de investimento perdidas.