Estimated Dynamic Equilibrium Model: Supply and Demand as a Sample Path of a Stochastic Process

Resumo Técnico: Modelo de Equilíbrio Dinâmico Estimado (EDEM)

Declaração do Problema
O artigo aborda a falha persistente da Hipótese dos Mercados Eficientes (EMH) em explicar fenômenos de mercado como bolhas, colapsos e anomalias persistentes de retorno transversal. Embora a literatura empírica sobre a "divergência de opinião" (Miller, 1977) ofereça teorias concorrentes — algumas prevendo um prêmio para o desacordo, outras um desconto —, essas descobertas permanecem contraditórias e frequentemente dependem da janela específica de observação. Os autores argumentam que a raiz dessa confusão reside na estrutura estática da oferta e da demanda. Mercados reais não são cronogramas fixos, mas processos contínuos e estocásticos onde os preços de hoje retroalimentam as avaliações de amanhã. O artigo busca construir um modelo gerativo, de baixo para cima, para determinar se um desequilíbrio persistente pode emergir de regras simples e de senso comum, sem assumir irracionalidade, otimismo ou viés comportamental dos investidores.

Metodologia
Os autores introduzem o Modelo de Equilíbrio Dinâmico Estimado (EDEM), um framework baseado em agentes (ABM) implementado na biblioteca Python Mesa. O modelo simula um mercado imobiliário em uma grade toroidal onde agentes heterogêneos (compradores e vendedores) interagem sob as seguintes regras estruturais:

1. Estimação Heterogênea: Os agentes possuem funções de estimação pessoais para o valor do ativo, definidas como $E_{i,t}(h) = v_t(h) \cdot (1 + \epsilon_{i,t,h})$, onde $\epsilon$ é um termo de erro de média zero com dispersão específica do agente $\sigma$. Crucialmente, os erros são de média zero; os agentes não são inerentemente tendenciosos.
2. Limpeza pelo Maior Lance: Os vendedores selecionam o maior lance recebido de um conjunto de estimativas ruidosas.
3. Regra de Compromisso de Lance: Os compradores comprometem-se com uma compra apenas se o preço oferecido for igual ou superior à sua própria média móvel de lances pendentes. Isso restringe as transações reais à cauda superior da distribuição de lances do próprio comprador.
4. Retroalimentação Dinâmica:
   • Variante de Equilíbrio Dinâmico (DE): Utiliza uma média móvel das últimas $W$ vendas para atualizar os preços de mercado. As quantidades de oferta e demanda ajustam-se via parâmetros "balanceadores" ($C_b, C_s$) que respondem aos incrementos de preço, simulando comportamentos de reversão à média ou acompanhamento de tendência.
   • Variante de Mercado Especulativo: Atualiza os valores dos ativos de forma multiplicativa com base na razão entre lances vencedores e valores atuais, permitindo o estudo de bolhas ilimitadas.

O modelo trata a oferta e a demanda não como cronogramas determinísticos, mas como passeios aleatórios de valor inteiro impulsionados por incrementos de preço e parâmetros balanceadores.

Principais Contribuições

1. Mecanismo de Deriva de Estatística de Ordem: O artigo deriva um resultado de forma fechada mostrando que, mesmo com erros de estimação de média zero, o lance vencedor esperado para um vendedor recebendo $n$ lances excede o valor verdadeiro por um fator de $1 + \sigma(n-1)/(n+1)$. Esse "viés de estatística de ordem" surge porque o máximo de $n$ extrações ruidosas é estritamente maior que a média.
2. Crescimento Exponencial Composto: Os autores demonstram que, quando esse máximo realizado é retroalimentado na âncora de avaliação do próximo período (via a regra de atualização multiplicativa), o viés compõe-se multiplicativamente. Isso gera uma deriva de preços ascendente persistente e bolhas exponenciais sem exigir qualquer suposição de otimismo ou irracionalidade dos investidores.
3. Framework Unificado de Regimes: O EDEM engloba o equilíbrio walrasiano clássico (como $\sigma \to 0$) e o prêmio estático de Miller (como um limite de período único) como casos especiais. Identifica ainda seis regimes distintos fora do equilíbrio emergindo de um único conjunto de regras de agentes, parametrizados por ruído de estimação, paciência do vendedor e força do balanceador:
   • Equilíbrio estável em faixa
   • Ciclos econômicos endógenos
   • Excedentes e déficits persistentes
   • Bolhas exponenciais descontroladas
   • Transição constante (nunca estabilizando)

Resultados
Através de oito experimentos controlados primários e uma grade de sensibilidade de 30 células, os autores observam:

• Dinâmicas Estáveis vs. Instáveis: Baixo ruído de estimação e paciência moderada resultam em equilíbrio estável. Alto ruído induz ciclos econômicos; alta paciência ou baixa densidade de agentes criam desvios persistentes (excedentes ou déficits) do equilíbrio teórico.
• Geração de Bolhas: Na variante especulativa sem balanceador ($C_b=0$) e com ruído moderado ($\sigma=15\%$), os preços crescem exponencialmente (atingindo ~421x o valor verdadeiro em 3000 ticks).
• Ineficácia de Balanceadores Lineares: Balanceadores de reversão à média ($C_b > 0$) amorteceram, mas não eliminaram a deriva ascendente. Balanceadores de acompanhamento de tendência ($C_b < 0$) permitem bolhas maiores. Crucialmente, nenhuma configuração do balanceador linear restaura o preço ao valor justo ($v_t/v^* = 1$) dentro das escalas de tempo simuladas.
• Sensibilidade: A deriva de estatística de ordem é universal em toda a grade de parâmetros; cada combinação de coeficiente balanceador e nível de ruído resultou em $v_t/v^* > 1$.

Significado e Alegações
O artigo afirma modestamente oferecer uma explicação estrutural para achados empíricos contraditórios na literatura sobre divergência de opinião. Postula que se um estudo observa um "prêmio" ou um "desconto" depende da posição da amostra ao longo da trajetória estocástica subjacente, o que estudos de janela curta não conseguem distinguir.

A implicação teórica primária é que bolhas são uma inevitabilidade estatística da limpeza por maior lance com retroalimentação, e não uma anomalia comportamental. Uma implicação secundária e prática concerne aos algoritmos de avaliação de aprendizado de máquina (por exemplo, Zillow Offers). Os autores argumentam que algoritmos treinados em preços de limpeza históricos aprendem inadvertidamente a estatística de ordem superior (o lance vencedor) em vez da média da população. Quando implantados, esses algoritmos atuam como estimadores com viés positivo, fornecendo um sinal de coordenação que amplifica as próprias bolhas que pretendem precificar. O artigo conclui que corrigir isso requer procedimentos "conscientes da seleção" (por exemplo, prever medianas ou usar verossimilhanças de dados censurados) em vez de tratar preços históricos de limpeza como alvos de treinamento não tendenciosos.