🤖 AI

Quant Convergence: Bridging Classical Value Investing and Modern Factor Models for Systematic Equity Selection

Esta pesquisa demonstra que integrar os princípios clássicos de investimento em valor de Benjamin Graham com modelos de fatores modernos atua efetivamente como um mecanismo de controle de risco, permitindo que uma estratégia híbrida de Random Forest supere modelos de IA complexos como o AutoGluon ao entregar retornos superiores com drawdowns significativamente menores ao longo de um período de quatro anos.

Autores originais: Augusto Eiji Yamazaki, Hugo Garrido-Lestache Belinchon

Publicado 2026-06-24

📖 4 min de leitura☕ Leitura rápida

CC0 1.0

Autores originais: Augusto Eiji Yamazaki, Hugo Garrido-Lestache Belinchon

Artigo original dedicado ao domínio público sob CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando encontrar as melhores maçãs em um pomar enorme e barulhento (o mercado de ações). Durante décadas, as pessoas mais inteligentes têm usado duas ferramentas muito diferentes para fazer isso.

Ferramenta 1: O Agricultor à Moda Antiga (Benjamin Graham)
Esta é a abordagem da década de 1940. É como um checklist rigoroso. O agricultor só escolhe maçãs que sejam:

Grandes e robustas (não apenas mudas minúsculas).
Tenham bastante água em suas raízes (dinheiro em caixa).
Tenham um histórico de dar frutos todos os anos (lucros consistentes).
Sejam vendidas a um preço justo e baixo (não superfaturadas).

O agricultor ignora as "super-maçãs" chamativas e caras que podem crescer rápido, mas que poderiam apodrecer em uma tempestade. Isso é um filtro passa-baixa: ele bloqueia o que é barulhento e arriscado e deixa passar apenas o que é sólido e seguro.

Ferramenta 2: O Drone de Alta Tecnologia (IA Moderna)
Esta é a nova abordagem. Ela usa computadores complexos e aprendizado de máquina (como XGBoost e AutoGluon) para escanear todo o pomar. Ela observa milhares de pontos de dados: a velocidade do vento, a cor das folhas, o histórico do solo e até o humor da previsão do tempo. Ela tenta encontrar padrões ocultos que os humanos não conseguem ver.

O Experimento
Os autores deste artigo queriam ver qual ferramenta funciona melhor quando o tempo fica ruim. Eles montaram uma corrida usando 20 anos de dados do S&P 500 (o maior pomar dos EUA). Eles testaram cinco equipes diferentes:

O Agricultor Puro: Usando apenas as regras antigas da década de 1940.
O Drone Puro: Usando apenas dados modernos e de alta tecnologia.
O Híbrido: Tentando misturar as regras antigas com a nova tecnologia.
O Super-Drone: Uma IA muito complexa que empilha muitos modelos.
O Benchmark: Apenas comprar tudo no pomar (o índice S&P 500).

Eles realizaram essa corrida através de um período específico de quatro anos (2022–2026) que incluiu um crash massivo no mercado (uma "tempestade") seguido por uma recuperação.

Os Resultados: Quem Venceu?

O Drone de Alta Tecnologia (AutoGluon): Esta equipe ganhou muito dinheiro (retorno de 222%), mas foi uma montanha-russa. Como perseguiu as ações de tecnologia "chamativas", quando a tempestade atingiu, perdeu quase 40% do seu valor. Foi como um carro de corrida que é rápido, mas bate forte.
O Agricultor Puro (Regras de Graham): Esta equipe fez o maior dinheiro no total (retorno de 232%). Melhor ainda, quando a tempestade atingiu, eles perderam apenas 35%. Eles não sofreram tanto o impacto porque estavam segurando empresas sólidas e ricas em caixa.
A Equipe Híbrida: Quando tentaram misturar as regras antigas com a nova tecnologia, o resultado piorou. O computador ficou confuso, começou a perseguir as ações arriscadas novamente e rendeu menos dinheiro do que o Agricultor Puro.
O Super-Drone (XGBoost): Este falhou completamente no teste, ganhando menos dinheiro do que apenas comprar o mercado inteiro. Ele tinha "memorizado" o passado muito bem e não conseguiu lidar com a nova tempestade.

A Grande Lição
O artigo conclui que complexidade nem sempre é melhor.

Pense nas regras da década de 1940 não como algo "ultrapassado", mas como um cinto de segurança. Quando você coloca um motor de IA de alta potência dentro de um cinto de segurança (as regras de Graham), ele performa melhor do que se você deixasse a IA correr solta.

A "margem de segurança" de que Benjamin Graham falava não é apenas uma ideia legal; ela atua como um filtro matemático que impede a IA de ficar excessivamente animada e comprar ações voláteis e arriscadas logo antes de um crash.

O "margem de segurança" que Benjamin Graham mencionou não é apenas uma ideia agradável; ela atua como um filtro matemático que impede a IA de ficar excessivamente animada e comprar ações arriscadas e voláteis logo antes de uma queda.

Em resumo:

IA Complexa é como um carro de corrida: rápido, mas perigoso em uma tempestade.
Investimento em Valor à Moda Antiga é como um caminhão robusto: demora mais para começar, mas te leva com segurança através da tempestade e te faz chegar ao final com mais dinheiro no bolso.
Misturá-los é como colocar um motor de carro de corrida em um caminhão; isso apenas torna o veículo instável.

O estudo prova que, no mundo barulhento e caótico das ações, manter as regras fundamentais simples e entediantes de "comprar boas empresas a um preço justo" é, na verdade, a maneira mais inteligente de usar computadores modernos.

Resumo Técnico: Convergência Quant

Declaração do Problema

A finança quantitativa moderna depende cada vez mais de modelos complexos de aprendizado de máquina (ML), como XGBoost e ensembles de AutoML, para identificar padrões nos mercados de ações. No entanto, os autores postulam que, à medida que esses modelos aumentam em complexidade, correm o risco de "overfitting" (sobreajuste) ao ruído e ao hype de curto prazo, em vez de identificar empresas com valor genuíno de longo prazo. Isso leva a carteiras que podem gerar altos retornos absolutos durante mercados de alta (bull markets), mas que sofrem drawdowns catastróficos durante choques de mercado devido à falta de restrições de risco estruturais. A questão central de pesquisa é se a estrutura clássica de investimento em valor baseada em regras de Benjamin Graham pode servir como um "filtro passa-baixa" matemático para regularizar modelos de IA modernos, evitando que assumam risco excessivo enquanto mantêm ou melhoram o desempenho preditivo.

Metodologia

O estudo empregou um protocolo rigoroso de backtesting de 20 anos (março de 2006 – março de 2026) no universo do S&P 500, utilizando uma divisão temporal estrita de 80/20 para garantir a ausência de viés de antecipação (look-ahead bias). A janela de treinamento cobriu 4.021 dias, enquanto a janela de teste fora da amostra cobriu 1.006 dias (março de 2022 – março de 2026), um período caracterizado por uma severa contração macroeconômica seguida por um rali concentrado.

Dados e Engenharia de Atributos (Feature Engineering)

Os pesquisadores construíram três conjuntos de atributos distintos para testar contra cinco arquiteturas de modelos:

Estratégia A (Graham Puro): 19 atributos baseados estritamente nos sete critérios defensivos de Graham (ex: Índice de Liquidez Corrente ≥ 2, P/L ≤ 15, P/L × P/VP ≤ 22,5), codificados como limiares binários e suplementados com índices fundamentais.
Estratégia B (Quant Moderno): 15 atributos derivados de operações vetorizadas, incluindo métricas de risco-retorno (Alpha CAPM, Beta, Sharpe), sinais de momentum e um sinal de integridade de dados baseado na Lei de Benford.
Estratégia C (Híbrido Combinado): Uma agregação de 36–40 atributos, incluindo termos de interação entre domínios (ex: Valor × Momentum).

Arquiteturas de Modelos

Cinco modelos foram avaliados usando otimização de hiperparâmetros via Optuna (Estimador de Parzen Dirigido por Árvore) e validação cruzada de TimeSeriesSplit:

Random Forest (RF): Treinado nas Estratégias A, B e C.
XGBoost: Treinado no conjunto de dados Híbrido Combinado (Estratégia D).
AutoGluon: Um framework de aprendizado de máquina automatizado configurado para empilhar (stacking) múltiplos modelos (Estratégia E).

Protocolo de Execução

O estudo simulou uma estratégia estrita de "buy-and-hold" (comprar e segurar). No início do período de teste, cada modelo selecionou as 20 ações com maior probabilidade de desempenho superior. Estas foram compradas com pesos iguais e mantidas sem rebalanceamento durante todo o período de quatro anos.

Principais Resultados

Os resultados fora da amostra desafiaram a suposição de que maior complexidade algorítmica e dados irrestritos geram retornos ajustados ao risco superiores.

Retornos Absolutos: O Random Forest de Graham Puro (Estratégia A) alcançou o maior retorno total de 232,13%, superando o benchmark do S&P 500 (68,00%) e o modelo AutoGluon irrestrito (222,68%).
Risco e Drawdown: Embora o AutoGluon tenha gerado altos retornos, sofreu um drawdown máximo severo de 39,78% durante o choque de mercado de 2022, significativamente pior que o benchmark de 24,00%. Em contraste, o modelo Graham Puro experimentou um drawdown de 35,01%, e o RF Híbrido Combinado (Estratégia C) alcançou o menor drawdown de 34,53%.
Desempenho Ajustado ao Risco: O modelo Graham Puro alcançou o maior Índice de Calmar (1,38), indicando um retorno superior por unidade de risco de queda, seguido pelo RF Híbrido Combinado (Estratégia C) com 1,22, enquanto o AutoGluon caiu para 1,16.
Penalidade de Complexidade: Quando fatores quantitativos modernos foram misturados com as regras de Graham (Estratégia C), o retorno total caiu para 202,91% em comparação com os 232,13% do modelo Graham puro. Além disso, o modelo XGBoost aplicado ao conjunto de dados combinado (Estratégia D) colapsou para um retorno de 56,79%, subperformando o benchmark, o que indica um sério overfitting.
Significância Estatística: Um teste t de Welch confirmou que o outperformance da estratégia Graham era estatisticamente significativo ao nível $\alpha = 0,10$ ( $p = 0,098$ ) contra o S&P 500. Por outro lado, o modelo AutoGluon falhou em rejeitar a hipótese nula ( $p = 0,106$ ), sugerindo que seus retornos eram matematicamente indistinguíveis da variância aleatória dada a sua alta volatilidade.

Significância e Alegações

O artigo afirma que a "margem de segurança" de Benjamin Graham não é um conceito ultrapassado, mas sim uma técnica de regularização altamente eficaz para o trading algorítmico moderno.

Filtragem Passa-Baixa: O estudo demonstra que restringir modelos de ML a métricas clássicas de balanço patrimonial atua como um filtro passa-baixa matemático, removendo efetivamente empresas financeiramente frágeis e impedindo que o modelo sofra overfitting para momentum ou volatilidade de curto prazo.
Diluição de Valor: A pesquisa sugere que tentar "modernizar" as regras de Graham adicionando fatores contemporâneos de momentum na verdade dilui seu poder preditivo. A lógica fundamental pura provou ser estruturalmente superior às abordagens híbridas neste regime de mercado específico.
Sobrevivência Estrutural: Os achados indicam que, na interseção entre IA e finanças, os modelos mais robustos são aqueles ancorados na realidade econômica fundamental. Ensembles complexos e irrestritos podem capturar o momentum de alta, mas falham em fornecer sobrevivência estrutural durante choques de mercado, enquanto modelos fundamentais restritos oferecem um perfil de risco-retorno superior.

Os autores concluem que restrições fundamentais são necessárias para isolar o alfa verdadeiro e estatisticamente significativo, transformando a estrutura defensiva de Graham dos anos 1940 em uma ferramenta vital para a gestão de risco em sistemas de aprendizado de máquina de alta dimensionalidade.