Impact of Expert-Following Strategies in Financial Asset Recommendation

Resumo Técnico: Estratégias de Seguimento de Especialistas em Recomendação de Ativos Financeiros

Declaração do Problema
A Recomendação de Ativos Financeiros (FAR, do inglês Financial Asset Recommendation) enfrenta um compromisso fundamental entre dois objetivos concorrentes: maximizar o retorno real do investimento (Retorno sobre o Investimento, ou ROI) e garantir o alinhamento com as preferências do investidor (medido pelo Ganho Cumulativo Descontado normalizado, ou nDCG). As abordagens existentes geralmente otimizam apenas um desses critérios. Estratégias baseadas em retornos frequentemente ignoram as preferências individuais, resultando em baixa relevância, enquanto estratégias baseadas em preferências (como filtragem colaborativa ou modelos de popularidade) tendem a gerar retornos comparáveis à média do mercado, sem um alfa significativo. Pesquisas anteriores [2] confirmaram que nenhum método existente supera simultaneamente as linhas de base tanto em ROI quanto em nDCG, criando a necessidade de um framework que possa otimizar conjuntamente esses critérios utilizando sinais comportamentais.

Metodologia
O artigo propõe as Estratégias de Seguimento de Especialistas (Expert-Following Strategies), um framework projetado para preencher a lacuna entre lucratividade e relevância, alavancando o histórico de transações de investidores de alto desempenho. A metodologia opera da seguinte forma:

1. Identificação de Especialistas: O sistema identifica um subconjunto de investidores "especialistas" ($E_X$) do período de treinamento com base em seu ROI histórico. Especificamente, os $X\%$ superiores de investidores (onde $X \in \{5, 10, 15, 20\}$) são selecionados. O ROI de um investidor é calculado como o retorno da carteira durante a janela de treinamento $[t_0, t]$, considerando as posições líquidas de ações (compras menos vendas).
2. Pontuação de Ativos: Em vez de utilizar aprendizado de modelos complexos, o framework pontua os ativos com base no comportamento coletivo desses especialistas identificados. Para cada ativo $i$, uma pontuação de recomendação $S_i$ é computada como a soma das frequências de compra ponderadas pelo ROI:
   $$S_i = \sum_{u \in E_X} \max(\text{ROI}_u(t_0, t), 0) \cdot C_{u,i}$$
   Aqui, $C_{u,i}$ representa o número de vezes que o especialista $u$ comprou o ativo $i$. Esta formulação garante que ativos comprados frequentemente por investidores de alto desempenho recebam pontuações mais altas, combinando efetivamente sinais de preferência coletiva com ponderação de lucratividade.
3. Recomendação: Os $k$ melhores ativos (com $k=10$) com as pontuações mais altas são recomendados ao usuário.

Configuração Experimental
O estudo utiliza o conjunto de dados FAR-Trans, cobrindo históricos de transações de janeiro de 2018 a novembro de 2022. A avaliação emprega um framework robusto de validação walk-forward de múltiplas instâncias:

• Validação: 10 instâncias de janela deslizante foram geradas, cada uma com um período de treinamento de aproximadamente 14 meses e um período de avaliação de 10 meses.
• Métricas: O desempenho foi avaliado usando ROI@10 (retorno médio da carteira), SR@10 (Razão de Sharpe anualizada) e nDCG@10 (relevância dos itens comprados dentro do período de manutenção).
• Linhas de Base (Baselines): O método proposto foi comparado contra estratégias baseadas em retorno (Otimização de Razão de Sharpe, Random Forest), estratégias baseadas em preferência (Popularidade) e uma linha de base de Média de Mercado.

Principais Resultados
Os experimentos demonstram que as Estratégias de Seguimento de Especialistas resolvem com sucesso o compromisso ROI–nDCG:

• Melhoria Simultânea: Diferente das linhas de base que se destacam em um métrica em detrimento da outra (por exemplo, a Random Forest alcançou alto ROI, mas nDCG próximo de zero; a Popularidade alcançou alto nDCG, mas sem ganho significativo de ROI), as variantes de Seguimento de Especialista alcançaram melhorias estatisticamente significativas sobre a linha de base de Média de Mercado em ambos o ROI e o nDCG simultaneamente em todos os quatro limiares de especialistas.
• Desempenho Superior: A variante de especialista dos top-5% alcançou o maior ROI (0,246) enquanto mantinha um nDCG significativo (0,176), ocupando a região de alto-ROI/alto-nDCG no cenário de desempenho.
• Significância Estatística: As melhorias foram validadas usando testes t pareados e testes de postos sinalizados de Wilcoxon com correção de Bonferroni ($\alpha' \approx 0,0071$).

Significância e Alegações
O artigo alega que as Estratégias de Seguimento de Especialistas oferecem uma solução simples, porém eficaz, para o problema de otimização de duplo objetivo na recomendação financeira. A principal significância reside na descoberta de que investidores de alto desempenho exibem inerentemente padrões de transação que refletem tanto estratégias de maximização de lucro quanto comportamentos de compra realistas que se alinham às preferências gerais dos investidores. Ao identificar e seguir esses especialistas, o framework alcança um equilíbrio robusto sem exigir treinamento de modelos complexos. Os autores observam que, embora a abordagem assuma custos de transação zero (o que pode superestimar o ROI para estratégias de alta rotatividade), ela fornece uma base empírica sólida para trabalhos futuros envolvendo taxas realistas e modelos baseados em grafos.