💰 quantitative finance

End-to-End Parametric Portfolio Policies for Cross-Asset Futures Timing: When Do AI Models Beat Simple Rules?

Este artigo demonstra que modelos de IA de ponta a ponta, particularmente arquiteturas baseadas em transformer treinadas com um índice de Sharpe diferenciável, podem superar estratégias simples baseadas em regras no timing de futuros de múltiplos ativos ao mapear diretamente estados de mercado para pesos de portfólio enquanto gerenciam efetivamente os custos de transação.

Autores originais: Austin Pollok, Kevin Robik

Publicado 2026-07-02

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Austin Pollok, Kevin Robik

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ 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 é o capitão de um navio enorme transportando carga através de seis oceanos diferentes: ações, títulos, moedas, energia, metais e produtos agrícolas. Seu objetivo é decidir quanta carga colocar em cada porão para maximizar seu lucro enquanto evita tempestades.

Por muito tempo, os capitães usaram duas formas principais para tomar essas decisões:

As Regras Simples: "Colocar quantidades iguais em cada porão", "Equilibrar o peso para que nenhum porão fique pesado demais" ou "Seguir o vento (momentum)". Elas são fáceis de seguir, mas às vezes perdem oportunidades.
A IA Complexa: Um computador superinteligente que tenta prever o clima e o mercado, e então calcula a mistura perfeita de carga. O problema é que esses computadores podem ser tão complexos que cometem erros, ou ficam tão animados que mudam de ideia com muita frequência, desperdiçando combustível (dinheiro) em movimentos desnecessários.

Este artigo faz uma pergunta muito prática: Quando o computador superinteligente é realmente melhor do que as regras simples, e quando é apenas uma perda de tempo?

O Experimento: Uma Corrida de Alta Velocidade

Os autores organizaram uma corrida usando os 16 contratos de "futuros" mais populares (pense nisso como apostas no preço futuro de coisas como petróleo, ouro ou o S&P 500). Eles testaram dois tipos de capitães de IA contra três seguidores de regras simples:

As Regras Simples: Peso igual, Paridade de Risco e Momentum de Série Temporal (seguir tendências).
Os Capitães de IA:
- O LSTM: Um computador que lembra o passado como um diário, lendo um dia de cada vez.
- O Transformer: Um computador mais avançado (como os que alimentam os chatbots modernos) que pode olhar para o quadro geral de uma só vez, detectando padrões em diferentes oceanos simultaneamente.

Eles treinaram esses capitães de IA usando uma pontuação de "Índice de Sharpe", que mede quanto lucro você obtém para cada unidade de risco que assume.

As Grandes Descobertas

1. A IA "Inteligente" nem sempre é a IA "Rápida"
A descoberta mais surpreendente foi sobre o turnover, ou a frequência com que o capitão muda de ideia.

O LSTM era como um capitão nervoso que está constantemente rearranjando a carga. Ele encontrou algumas boas oportunidades, mas movimentou a carga tanto que os "custos de combustível" (taxas de transação) consumiram todos os seus lucros.
O Transformer era como um capitão calmo e estratégico. Ele encontrou oportunidades semelhantes, mas fez menos movimentos. Como não desperdiçou combustível rearranjando a carga constantemente, manteve mais de seu lucro. No final, o Transformer foi o vencedor porque foi eficiente, não apenas inteligente.

2. A IA vence em alguns oceanos, mas não em todos
A IA não venceu as regras simples em todos os lugares.

No oceano de "Ações": As regras simples (apenas comprar tudo igualmente) já estavam fazendo um trabalho tão bom que a IA não conseguiu encontrar muito valor adicional.
Nos oceanos de "Agricultura" e "Cross-Asset" (todos os oceanos combinados): A IA encontrou uma leve vantagem. Ela conseguiu navegar nas águas agitadas dos produtos agrícolas e na mistura complexa de todos os ativos melhor do que as regras simples.
Nos oceanos de "Taxa de Juros" e "Moedas": A regra simples de "seguir a tendência" foi, na verdade, a melhor. A IA não conseguiu melhorar esse desempenho.

3. A "Magia" pode ser apenas um tipo diferente de exposição
Quando a IA teve um bom desempenho no mercado de ações, os autores investigaram mais profundamente. Eles descobriram que a IA não estava necessariamente prevendo o futuro melhor do que um humano. Em vez disso, ela estava apenas mantendo as ações de uma forma um pouco mais eficiente, assumindo um pouco menos de risco para o mesmo retorno. Não era "timing mágico"; era apenas "direção eficiente".

O Veredito: Quando Usar a IA?

O artigo conclui que a IA é uma ferramenta útil, mas não é uma varinha mágica que funciona em todos os lugares.

Use a IA (especificamente o Transformer) quando estiver gerenciando uma mistura de muitos ativos diferentes (como um portfólio global) ou em mercados agitados onde as regras simples ficam confusas. A capacidade da IA de manter a calma e negociar menos é o seu superpoder.
Mantenha as Regras Simples quando o mercado estiver com uma tendência forte (como em taxas de juros) ou quando o mercado já for muito eficiente (como em grandes índices de ações). Nesses casos, a complexidade extra da IA não compensa.

A Conclusão Final

Pense nisso como escolher um carro.

Regras Simples são como um sedan confiável e econômico. Eles te levam onde você precisa chegar 90% das vezes sem problemas.
A IA é como um carro esportivo de alto desempenho. Ele pode ser mais rápido e lidar melhor com curvas complicadas, mas apenas se você tiver um motorista habilidoso (o Transformer) que saiba quando trocar as marchas e não queime muita gasolina. Se você tentar dirigir o carro esportivo em uma rodovia reta e vazia, o sedan será a melhor escolha.

O artigo nos ensina que, no mundo dos investimentos, complexidade não é automaticamente igual a melhores resultados. Às vezes, a melhor estratégia é aquela que sabe quando não se mover.

Resumo Técnico: Políticas de Portfólio Paramétricas End-to-End para Timing de Futuros Cross-Asset

1. Definição do Problema

O artigo aborda o desafio do timing cross-asset em investimentos sistemáticos multi-ativos (estratégias de global-macro e managed-futures). Embora as decisões de timing impulsionem o risco e o retorno realizados, elas são notoriamente difíceis de executar. A abordagem quantitativa padrão baseia-se em um framework de duas etapas "prever-então-otimizar": prever retornos esperados e covariâncias, e então otimizar pesos via otimização de média-variância. Os autores argumentam que esse pipeline é frágil; previsões de retorno ruidosas podem se transformar em pesos de portfólio instáveis.

A questão central de pesquisa é prática: Quando é que uma política de alocação baseada em IA, end-to-end, supera estratégias simples baseadas em regras (como equal weighting, parity de risco e momentum de série temporal) o suficiente para justificar sua complexidade adicional? O estudo foca em um universo altamente líquido e investível onde os prêmios de iliquidez não são uma fonte de alfa, isolando a pura habilidade de timing dos modelos.

2. Metodologia

Dados e Universo

O estudo utiliza dados de fechamento diário dos dezesseis futuros da CME mais líquidos em seis classes de ativos: Índices de Ações, Taxas de Juros, Câmbio (FX), Energia, Metais e Agrícolas. Os dados abrangem o período de 2001–2024. Os autores utilizam séries de contratos contínuos para garantir históricos sem lacunas e evitar viés de antecipação (look-ahead bias). O conjunto de características inclui retornos diários brutos e um conjunto de características engenheiradas economicamente interpretáveis (tendência, reversão à média, expoente de Hurst, volatilidade, correlação e momentos superiores), embora a análise principal fora da amostra (out-of-sample) dependa da seção transversal de retornos diários como o estado (state).

Framework da Política

Os autores empregam uma abordagem de política de portfólio paramétrica end-to-end. Em vez de prever retornos, uma rede neural mapeia estados de mercado ( $X_t$ ) diretamente para pesos de portfólio ( $w_t$ ) através de uma função de política diferenciável $\pi_\theta(X_t)$ .

Função Objetivo: Os modelos são treinados para maximizar um Sharpe ratio diferenciável (minimizando o Sharpe ratio negativo). Isso colapsa a previsão e a otimização em um único passo.
Restrições: Posições compradas/vendidas (long/short) são permitidas com exposição bruta unitária. A restrição de orçamento long/short é incorporada na arquitetura da política em vez de ser imposta como uma restrição post-hoc.
Custos de Transação: Um objetivo sensível ao custo penaliza o turnover ( $\lambda$ ), definido em 2 pontos base (bp) realistas para futuros líquidos, embora a análise de sensibilidade se estenda a 10 bp.

Arquiteturas

Duas arquiteturas de redes neurais são comparadas:

LSTM (Long Short-Term Memory): Serve como o baseline de rede neural para modelagem de sequência.
Transformer: Uma arquitetura customizada seguindo a literatura recente sobre momentum de futuros baseado em atenção. Ela inclui:
- Embedding Time2Vec: Para capturar estruturas periódicas, já que a atenção padrão é agnóstica à ordem.
- Encoder-Decoder: Quatro camadas de autoatenção de múltiplas cabeças com redes residuais com portão (GRN).
- Mascaramento Causal: Garante que os pesos dependam apenas das informações disponíveis no momento da formação da posição.
- Camada de Saída: Uma camada de softmax com sinal converte os scores do decoder em pesos, normalizando a exposição absoluta total.

Desenho Experimental

A avaliação utiliza um design de janela expansiva walk-forward. Os modelos são treinados em 40% iniciais da amostra e reajustados em blocos de aproximadamente quatro anos com uma divisão de 90/10 entre treino e validação. O desempenho é comparado contra três regras padrão: Equal Weighting (1/N), Paridade de Risco e Momentum de Série Temporal (TSMOM).

3. Principais Resultados

Desempenho por Classe de Ativos

Ranking Geral: As políticas aprendidas (Transformer e LSTM) geralmente classificam-se acima das regras simples no portfólio cross-asset agregado e em vários sleeves de ativos individuais (ex: Agrícolas, Metais), mas não uniformemente.
Especificidades de Classe de Ativos:
- Índices de Ações: A LSTM alcança o maior Sharpe (0,87), superando o equal weighting (0,78) e a paridade de risco (0,79). No entanto, a decomposição de fatores revela que isso se deve amplamente à exposição de mercado ( $\beta$ ) em vez de alfa residual.
- Taxas de Juros e FX: O momentum de série temporal permanece como a estratégia dominante; os modelos aprendidos têm dificuldade em superar o TSMOM nesses regimes.
- Agrícolas: O Transformer mostra a melhoria mais significativa, mais que dobrando o Sharpe da melhor estratégia de compra exclusiva (0,34 vs. 0,16).
Significância Estatística: Após a correção de Bonferroni para testes múltiplos, apenas os resultados de índices de ações dos modelos aprendidos permanecem estatisticamente distinguíveis de zero. O Sharpe do Transformer cross-asset (0,55) está ligeiramente acima do equal weighting (0,52), mas não é estatisticamente significativo em uma comparação direta.

O Impacto dos Custos de Transação

A descoberta mais crítica refere-se ao turnover e sensibilidade de custo:

Turnover: O Transformer exibe um turnover muito baixo (~~0,02 diário), enquanto a LSTM negocia agressivamente (~~0,17 diário no portfólio cross-asset).
Desempenho Líquido: Após aplicar um custo de transação de 2 bp, o Sharpe ratio da LSTM cai significativamente (de 0,50 para 0,33 no portfólio cross-asset), enquanto o do Transformer permanece estável (0,55 para 0,54).
Conclusão: O Transformer gera a política de resultado líquido mais forte porque negocia menos, preservando sua vantagem bruta. O turnover mais alto da LSTM corrói seu alfa uma vez que os custos são implementados.

Complexidade e Robustez

Sensibilidade à Semente (Seed): O Transformer é sensível à inicialização aleatória. A média de sementes (média de três modelos independentes) é a única melhoria que aumenta de forma confiável a estabilidade e a competitividade.
Complexidade: Estruturas mais complexas (mistura de especialistas, conjuntos de características maiores, ensembles de modelos) não melhoraram o desempenho fora da amostra de forma confiável. O Transformer simples, com média de sementes, provou ser superior a essas adições.

Skill vs. Exposição

No índice de ações, o desempenho do Transformer é atribuído principalmente à exposição direcional eficiente em termos de risco (beta sub-unitário) em vez de alfa neutro ao mercado. A LSTM mostrou algum alfa residual em ações, mas isso não foi consistente em outras classes de ativos. Nenhum universo apresentou alfa residual distinguível de zero após testes rigorosos.

4. Significância e Alegações

O artigo conclui que o valor da alocação de IA end-to-end é condicional, não universal.

Quando funciona: Políticas end-to-end agregam valor onde as regras simples são mais fracas (ex: mercados de commodities voláteis/picotados) e onde o modelo pode explorar a amplitude através de uma grande seção transversal de contratos (o portfólio de 16 contratos).
Quando falha: A abordagem é menos convincente onde a diversificação ingênua (equal weighting) ou regras de tendência padrão (TSMOM) já capturam a maior parte dos retornos disponíveis (ex: Taxas de Juros, FX).
A Vantagem do "Transformer": A arquitetura Transformer é preferida em relação à LSTM não necessariamente por uma predição bruta superior, mas pelo seu baixo turnover, o que permite que sobreviva aos custos de transação realistas.
Lição para o Praticante: O estudo defende o benchmarking de modelos de IA contra as regras simples específicas que um praticante realmente executaria, em vez de apenas contra o equal weighting. Enfatiza que turnover e sensibilidade de custo são tão críticos quanto os Sharpe ratios brutos. Os resultados sugerem que, embora a IA possa produzir uma regra de alocação útil e de baixo turnover, ela não gera automaticamente alfa neutro ao mercado e deve ser avaliada com atenção rigorosa aos custos de transação e à estabilidade da semente.

Os autores enquadram isso como um "teste conservador" do framework em um ambiente de frequência diária e alta liquidez, observando que frequências mais altas ou universos mais amplos poderiam oferecer mais sinal para esses modelos explorarem.