An `Inverse' Experimental Framework to Estimate Market Efficiency

Título: Um Framework Experimental "Inverso" para Estimar Eficiência de Mercado

Autores: Thomas Asikis e Heinrich Nax (Universidade de Zurique)

1. O Problema

O artigo aborda uma lacuna crítica na avaliação de mercados digitais complexos (como plataformas de procurement, leilões de anúncios e trocas de commodities).

• Limitação dos Dados Observacionais: Em mercados reais, os analistas têm acesso apenas a dados de orderbook (ofertas de compra/bids e vendas/asks e preços realizados). Eles não têm acesso aos "valores de reserva" verdadeiros (a disposição máxima de compra ou mínima de venda) dos participantes.
• Incapacidade de Medir Eficiência: Sem conhecer os valores de reserva, é impossível calcular a Eficiência Alocativa (AE) real ou determinar se os resultados do mercado convergem para o Equilíbrio Competitivo (CE) de forma precisa. Economistas tradicionais não podem avaliar a justiça ou o bem-estar do mercado apenas com dados observáveis.
• Complexidade: Os dados de orderbook são não estruturados, não estacionários e não lineares, tornando difícil a aplicação de modelos econômicos teóricos tradicionais.

2. Metodologia: A Abordagem "Inversa"

Os autores propõem uma inversão da lógica padrão da economia experimental:

• Abordagem Tradicional: O experimentador induz valores de reserva conhecidos, observa o comportamento do mercado e testa se o resultado converge para o equilíbrio teórico.
• Abordagem "Inversa" (Proposta): O objetivo é prever as características do equilíbrio (Eficiência Alocativa e Preço de Equilíbrio Competitivo - CEP) usando apenas os dados observáveis do orderbook (bids, asks e preços realizados), sem conhecer os valores de reserva.
• Dados de Treinamento: Os modelos são treinados em dados experimentais controlados (reprodução em larga escala do estudo clássico de Smith [1962] por Ikica et al.), onde os valores de reserva são conhecidos e servem como "rótulos" (ground truth) para o treinamento.
• Aplicação: Uma vez treinados, os modelos são aplicados a dados onde os valores de reserva são desconhecidos (simulando o cenário do mundo real).

Técnicas de Processamento e Modelos

Para lidar com a variabilidade e a falta de escala nos dados, os autores utilizam:

1. Normalização Baseada em Quantis: Transformam os dados brutos de orderbook em vetores de decis (D0 a D10) de bids e asks. Isso cria uma representação de oferta e demanda normalizada, agnóstica à escala de preços absoluta.
2. Modelos de Aprendizado de Máquina:
   • EMH (Hipótese de Mercado Eficiente): Baseline simples que assume eficiência total (AE=1) ou usa o último preço realizado.
   • CEMH (EMH Corrigida): Um estimador não paramétrico que ajusta a eficiência baseada em estatísticas de grupos (feedback, regras de preço).
   • OB-RLM (Regressão Linear Robusta no Orderbook): Um modelo linear que usa os quantis normalizados de bids/asks e preços realizados, com técnicas robustas para lidar com outliers.
   • GBT (Gradient Boosting Trees): Um modelo de ensemble não linear (árvores de decisão) capaz de capturar relações complexas e não lineares nos dados iniciais do mercado.

3. Principais Contribuições

• Inversão Metodológica: É a primeira aplicação direta de uma abordagem de "inversão" em leilões duplos contínuos de bens não duráveis (estilo Vernon Smith) usando dados experimentais para treinar modelos aplicáveis a dados observacionais.
• Predição sem Valores de Reserva: Demonstra que é possível estimar a eficiência alocativa e o preço de equilíbrio com precisão razoável usando apenas dados de orderbook, superando a barreira da informação incompleta.
• Tratamento de Dados Não Estruturados: Desenvolveu técnicas de normalização por quantis que permitem a aplicação de algoritmos de machine learning em dados de orderbook dinâmicos e de tamanho variável.
• Validação Experimental: Utiliza dados experimentais de alta qualidade como base de verdade para validar modelos que, posteriormente, serão usados em cenários onde a verdade é desconhecida.

4. Resultados

Os modelos foram avaliados usando o Erro Percentual Absoluto Mediano (Median-APE) em um conjunto de teste separado.

• Predição de Eficiência Alocativa (AE):
  • O modelo GBT (Gradient Boosting Trees) obteve o melhor desempenho geral, especialmente antes de qualquer preço ser realizado (fase inicial do mercado).
  • Modelos lineares (OB-RLM) performam bem após a realização de alguns preços, mas têm dificuldade na fase inicial não linear.
  • A precisão melhora com o tempo e com o número de negociações realizadas.
• Predição de Preço de Equilíbrio (CEP):
  • O GBT superou os outros modelos na previsão do CEP antes de qualquer preço ser observado (fase transitória).
  • Após a acumulação de preços realizados, modelos lineares robustos (OB-RLM) tornaram-se altamente precisos (erro < 5-7%).
• Análise de Características (Feature Importance):
  • Para a AE, o modelo GBT identificou que as configurações de feedback (especialmente "Black Box") e o número de rodadas são cruciais.
  • Para o CEP, os quantis extremos de bids de compradores e asks de vendedores têm maior peso preditivo.
• Robustez: Os modelos mantiveram desempenho consistente entre mercados pequenos e grandes, embora a fase inicial (sem preços) seja mais desafiadora.

5. Significado e Implicações

• Aplicação no Mundo Real: O framework é diretamente aplicável a plataformas B2B, trocas de componentes eletrônicos e mercados de anúncios, onde os valores de reserva (custos de produção, urgência de compra) são privados.
• Otimização de Mercados: Permite que operadores de plataformas monitorem a "saúde" do mercado em tempo real, detectando ineficiências ou manipulações antes que elas se tornem críticas, mesmo sem acesso aos dados internos dos participantes.
• Superação da Teoria Tradicional: O artigo argumenta que, em mercados complexos onde a teoria econômica analítica falha devido à complexidade estratégica, a abordagem inversa baseada em dados (Machine Learning) oferece o único caminho viável para obter métricas de eficiência fundamentadas.
• Futuro: Os autores planejam validar esses modelos em dados observacionais reais e expandir para outros tipos de mercados, como bolsas de valores.

Em resumo, o artigo estabelece um novo paradigma para a análise de mercados: em vez de tentar deduzir o comportamento a partir de teorias complexas, usa-se dados controlados para "ensinar" algoritmos a reconhecer padrões de eficiência a partir da superfície observável dos dados de mercado.