💰 quantitative finance

Cross-Sectional Heterogeneity in LSTM Networks for Financial Time Series

Este artigo propõe uma arquitetura LSTM aprimorada que integra covariáveis macrofinanceiras e embeddings de setores aprendíveis para capturar efetivamente a heterogeneidade transversal nos retornos do S&P 500, demonstrando desempenho preditivo e interpretabilidade superiores em relação aos benchmarks padrão por meio de uma estratégia impulsionada por fatores de reversão de curto prazo e momentum de setor.

Autores originais: Julius Döbelt

Publicado 2026-08-07

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Julius Döbelt

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 está tentando prever o tempo, mas em vez de olhar para as nuvens, está olhando para o mercado de ações. Este é o mundo da previsão de séries temporais financeiras, um campo onde cientistas tentam adivinhar se o preço de uma ação vai subir ou descer amanhã com base em seu histórico. É um jogo notoriamente difícil. Pense no mercado de ações como um oceano gigante e barulhento. O "sinal" é a direção real do vento, dizendo para onde as ondas estão indo, mas o "ruído" é o respingar das águas, os gritos das gaivotas e as ondulações aleatórias que tornam difícil ver o padrão real. Como o mercado é tão eficiente — o que significa que todos conhecem as notícias instantaneamente — encontrar um padrão confiável é como tentar ouvir um sussurro em um furacão.

Para enfrentar isso, pesquisadores usam o aprendizado de máquina (machine learning), especificamente um tipo de cérebro de computador chamado LSTM (Long Short-Term Memory - Memória de Longo Prazo). Você pode pensar em um LSTM como um bibliotecário super organizado que lê o histórico do preço de uma ação dia após dia, lembrando das partes importantes e esquecendo o ruído, para fazer um palpite sobre o futuro. Por muito tempo, esses bibliotecários foram treinados para tratar cada ação como se fosse a mesma pessoa, apenas usando um chapéu diferente. Eles olhavam para o histórico da Apple e o histórico de uma empresa de serviços públicos exatamente da mesma forma. Mas, no mundo real, uma empresa de tecnologia e uma empresa de energia reagem às notícias de maneiras muito diferentes. Este artigo faz uma pergunta simples: E se ensinássemos nosso bibliotecário a reconhecer que as ações pertencem a diferentes "vizinhanças" (setores) e que essas vizinhanças têm suas próprias personalidades únicas?

O Chapéu Seletor do Grande Mercado de Ações

Neste estudo, o autor, Julius Döbelt, decide atualizar o bibliotecário LSTM padrão. A versão antiga era boa, mas era um pouco desajeitada porque tratava uma ação tecnológica de alto crescimento exatamente da mesma forma que uma ação estável de serviços públicos. Döbelt introduz um novo truque: Embeddings de Setor.

Imagine que você está em uma festa enorme com centenas de convidados. O antigo bibliotecário olharia para cada convidado e tentaria adivinhar quem dançará a seguir baseando-se apenas em como eles se moveram na última hora. Mas o novo bibliotecário de Döbelt recebe um "chapéu seletor" especial. Antes mesmo de o bibliotecário olhar para a dança, o chapéu identifica instantaneamente cada convidado com seu grupo: "Tecnologia", "Saúde", "Energia" e assim por diante. O bibliotecário aprende que os convidados de "Tecnologia" tendem a dançar em um ritmo específico, enquanto os convidados de "Energia" têm um estilo totalmente diferente. Ao dar ao computador essas "etiquetas de setor" como uma entrada especial, o modelo pode finalmente entender que o desempenho passado de uma ação não depende apenas de seu próprio histórico, mas também da vibração de toda a sua vizinhança.

O Experimento: Uma Viagem no Tempo de 30 Anos

Para testar essa ideia, Döbelt construiu uma máquina do tempo. Ele pegou dados do S&P 500 (as 500 maiores empresas dos EUA) de 1995 a 2024. Ele não olhou apenas para um ano; ele executou uma simulação onde treinou o modelo com três anos de história e depois o testou no ano seguinte, repetindo esse processo 27 vezes. Isso é como treinar um aluno durante três anos e depois testá-lo em um novo ano escolar, repetidamente, para ver se ele realmente aprendeu ou se apenas memorizou as respostas.

Ele comparou seu novo "Sector LSTM" contra três outros competidores:

O LSTM Básico: O antigo bibliotecário que ignora as vizinhanças.
A Floresta Aleatória (Random Forest): Um tipo diferente de cérebro de computador que toma decisões fazendo muitas perguntas pequenas (como um comitê de especialistas).
A Estratégia de Comprar e Segurar (Buy-and-Hold): O investidor que simplesmente compra todo o mercado e espera.

Os Resultados: O Truque da Vizinhança Vence (Em Grande Parte)

Os resultados foram claros e empolgantes. O novo Sector LSTM superou consistentemente os outros. Quando o modelo usou as etiquetas de setor, ele fez previsões mais corretas sobre quais ações superariam a média e quais perderiam.

O Vencedor: O Sector LSTM teve o melhor equilíbrio entre ganhar dinheiro e assumir riscos baixos. Ele alcançou um Índice Sharpe (uma pontuação que mede quanto lucro você obtém pelo risco que assume) de 0,69, o que foi significativamente melhor que o LSTM básico (0,39) e a Floresta Aleatória (0,53).
O Perdedor: Curiosamente, adicionar dados "macrofinanceiros" extras — como preços do petróleo, futuros de ouro e taxas de juros — não ajudou. Na verdade, o modelo que tentou usar todas essas notícias econômicas extras teve o pior desempenho. Parece que, para esta tarefa específica de previsão diária, conhecer a vizinhança (setor) era muito mais importante do que conhecer o relatório meteorológico global.

Abrindo a "Caixa Preta"

Uma das maiores reclamações sobre a IA é que ela é uma "caixa preta" — sabemos que funciona, mas não sabemos por que. Döbelt decidiu espiar dentro da caixa. Ele descobriu que o modelo aprendeu secretamente duas regras famosas do mercado de ações sem que ninguém o ensinasse:

Momento do Setor (Industry Momentum): O modelo aprendeu que, se uma vizinhança inteira (como a Tecnologia) tem tido um bom desempenho nos últimos meses, ela tende a continuar indo bem por um tempo. As "etiquetas de setor" atuaram como um impulsionador de momento, levando o modelo a apostar nas vizinhanças vencedoras.
Reversão de Curto Prazo (Short-Term Reversal): O modelo também aprendeu que, se uma única ação teve um salto enorme ontem, é provável que ela dê um pequeno passo atrás hoje. É como um elástico voltando à posição original.

No entanto, o artigo também encontrou uma armadilha. Esse truque de "momento da vizinhança" funciona muito bem em tempos estáveis, como em 2007, onde o modelo apostou corretamente nos vencedores. Mas em tempos de caos, como logo após o crash das pontocom em 2000 ou a pandemia de 2020, o truque falhou. Quando o mercado entrou em pânico, os "perdedores" do ano anterior tornaram-se os "vencedores", e a dependência do modelo em relação às tendências de vizinhança fez com que ele apostasse nos cavalos errados. Isso sugere que, embora o modelo seja inteligente, ele não é mágico; ele ainda tem dificuldades quando as regras do mercado mudam subitamente.

A Conclusão

Este artigo sugere que ensinar a IA a reconhecer que "uma ação é mais do que apenas um número; ela faz parte de um time" é uma maneira poderosa de melhorar as previsões. Ao adicionar simples "etiquetas de setor", o modelo tornou-se melhor em navegar no barulhento mercado de ações. Mas o autor também nos alerta que os dias de lucros massivos e fáceis provavelmente acabaram. O sucesso do modelo é modesto e depende fortemente do comportamento normal do mercado. É um passo sólido à frente, provando que, mesmo em um oceano barulhento, saber em qual barco você está faz uma grande diferença.

Resumo Técnico: Heterogeneidade Transversal em Redes LSTM para Séries Temporais Financeiras

Definição do Problema
A previsão de retornos de ativos financeiros é um desafio central, porém não resolvido, na economia empírica, caracterizado por uma baixa relação sinal-ruído e pela eficiência de forma semiforte do mercado. Embora as redes Long Short-Term Memory (LSTM) tenham demonstrado potencial para capturar dependências temporais, as arquiteturas padrão frequentemente falham ao não considerar a heterogeneidade transversal. As abordagens tradicionais, como a LSTM de camada única aplicada a dados transversais agrupados (pooled) por Fischer e Krauss (2018), assumem implicitamente que todos os ativos são extraídos de um processo gerador de retornos comum. Essa premissa contradiz evidências estabelecidas de que a participação em setores e as características das empresas induzem diferenças sistemáticas nas dinâmicas de retorno. Além disso, a natureza de "caixa-preta" dos modelos de aprendizado profundo limita sua interpretabilidade, tornando difícil validar se as representações aprendidas alinham-se com fatores econômicos conhecidos, como o momentum ou a reversão.

Metodologia
O artigo propõe uma extensão arquitetural inovadora ao modelo LSTM básico, projetada para melhorar a precisão preditiva e a interpretabilidade, mitigando simultaneamente o overfitting.

Dados e Protocolo de Validação: O estudo utiliza um universo livre de viés de sobrevivência composto pelos constituintes do S&P 500 de janeiro de 1995 a dezembro de 2024. A avaliação segue um protocolo de janela deslizante com 27 períodos de estudo não sobrepostos. Cada período consiste em um conjunto de treinamento de 3 anos e um conjunto de teste fora da amostra (out-of-sample) de 1 ano. Para evitar vazamento de dados (data leakage), a sequência de entrada é limitada a 60 dias defasados (em comparação aos 240 de trabalhos anteriores), garantindo que não haja sobreposição entre as sequências de treinamento e teste.
Tarefa de Previsão: O problema é formulado como uma tarefa de classificação binária: prever se o retorno de uma ação no dia $t+1$ estará acima ou abaixo do retorno mediano transversal do S&P 500. Isso transforma o problema de regressão em um sinal direcional adequado para uma estratégia de portfólio long-short.
Extensões Arquiteturais:
1. Embeddings de Setor Aprendíveis: A principal inovação é a integração de embeddings de setor TRBC (The Refinitiv Business Classification) aprendíveis. Em vez de tratar todas as ações de forma idêntica, o modelo mapeia cada ação para um vetor específico do setor ( $e_c$ ) em um espaço latente contínuo. Este vetor é concatenado com o estado oculto final da LSTM antes da camada de classificação. Isso permite que o modelo aprenda uma representação de baixa dimensão de estruturas ao nível do setor, incorporando efetivamente um intercepto transversal que desloca as probabilidades de classificação com base no grupo industrial.
2. Covariáveis Macro-Financeiras: O modelo é estendido para incluir sequências de variáveis macro-financeiras (retornos do petróleo, VIX, futuros do ouro e diferenciais de taxas de juros do Tesouro) juntamente com os retornos das ações para capturar sinais econômicos mais amplos.
3. Regularização: Para lidar com o overfitting no ambiente ruidoso das finanças, o modelo emprega suavização de rótulos (label smoothing — suavizando alvos para 0,05/0,95), gradient clipping, weight decay, early stopping e dropout tanto de entrada quanto recorrente.
Benchmarks: O desempenho é avaliado contra uma LSTM básica, um modelo Random Forest (usando retornos cumulativos como características) e uma estratégia tradicional de compra e manutenção (buy-and-hold) do mercado.

Principais Resultados

Métricas de Desempenho: A Sector LSTM supera consistentemente todos os benchmarks. Ela alcança os maiores retornos diários e a maior acurácia de classificação. Em termos de desempenho ajustado ao risco, a Sector LSTM produz um Índice de Sharpe anualizado significativamente maior (0,69) em comparação com a Base LSTM (0,39) e a Covariate LSTM (0,27). Embora o Random Forest seja competitivo no Índice de Sharpe, a Sector LSTM supera-o significativamente em acurácia preditiva (p < 0,01).
Ineficácia das Covariáveis: A inclusão de covariáveis macro-financeiras não melhorou a previsão direcional; a Covariate LSTM teve o pior desempenho entre as variantes de aprendizado profundo, sugerindo que os sinais econômicos adicionais não forneceram conteúdo explorável para esta tarefa específica.
Validação de Longo Prazo: A extensão da avaliação até 2024 confirma a deterioração dos lucros de arbitragem estatística baseados em LSTM documentada por Fischer e Krauss (2018). Altos retornos e Índices de Sharpe concentraram-se antes de 2008 (com uma breve exceção em 2020). Após 2010, nenhum ano produziu retornos de estratégia próximos aos do final da década de 1990, apoiando a literatura sobre o declínio dos retornos no quantitative trading.
Interpretabilidade e Decomposição de Sinal: O artigo consegue decompor o sinal preditivo em dois componentes endógenos:
1. Momentum de Indústria: Os embeddings de setor aprendidos funcionam como um fator implícito de momentum de indústria. O modelo atribui vieses positivos aos setores que foram ganhadores recentes durante a janela de treinamento. Este sinal é dependente de regime: ele impulsiona o desempenho superior em anos estáveis (ex: 2007), mas leva a perdas significativas durante quedas de momentum (ex: 2003, 2021–2024) quando ocorrem rotações setoriais.
2. Reversão de Curto Prazo: O componente temporal da LSTM (o estado oculto) captura o efeito de reversão de curto horizonte bem documentado, onde os ganhadores recentes tendem a ter desempenho inferior e os perdedores recentes tendem a superar o mercado na semana seguinte.

Significância e Alegações
O artigo reivindica três contribuições primárias para a literatura:

Inovação Arquitetural: Introduz a primeira aplicação de embeddings de setor contínuos dentro de uma rede recorrente para a previsão de retornos transversais. Isso modela explicitamente a heterogeneidade transversal, permitindo que o modelo se adapte a variações na dinâmica industrial em vez de tratar os ativos como permutáveis.
Validação de Longo Prazo: Ao estender a amostra até 2024, o artigo fornece evidências robustas de que o declínio na lucratidade das LSTMs após 2010 é uma mudança duradoura na eficiência do mercado, e não um fenômeno transitório.
Explicabilidade: O estudo demonstra que modelos de aprendizado profundo podem recuperar regularidades conhecidas de precificação de ativos endogenamente. Ao visualizar o espaço latente e analisar os pesos, o artigo mostra que a "caixa-preta" pode ser aberta para revelar representações economicamente significativas, especificamente que os embeddings de setor atuam como um fator de momentum de indústria aprendível.

O autor conclui que, embora a incorporação da heterogeneidade transversal via embeddings aprendíveis seja uma forma parcimoniosa e eficaz de melhorar a previsão baseada em LSTM, o sinal incremental é modesto, altamente condicional aos regimes de mercado e enfraqueceu na última década.

O Chapéu Seletor do Grande Mercado de Ações

O Experimento: Uma Viagem no Tempo de 30 Anos

Os Resultados: O Truque da Vizinhança Vence (Em Grande Parte)

Abrindo a "Caixa Preta"

A Conclusão

Mais como este