📈 economics

Attention Without Estimation: Zero-Shot Time Series Foundation Models versus Long-Memory Econometrics in Realized Volatility Forecasting

Este artigo estabelece um rigoroso arcabouço teórico e empírico comparando modelos de fundação de séries temporais zero-shot contra benchmarks econométricos clássicos de memória longa para a previsão de volatilidade realizada, constatando que, embora os modelos de fundação superem o GARCH e o EWMA, eles acabam competindo de perto com modelos da família HAR, que capturam a maior parte do sinal explorável em dados de volatilidade.

Autores originais: Jayachandiran U, Janani Giridharan

Publicado 2026-07-10

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jayachandiran U, Janani Giridharan

Artigo original sob licença CC BY 4.0 (https://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 quão turbulento será um passeio de carro amanhã. No mundo das finanças, essa "turbulência" é chamada de volatilidade, e acertar isso é crucial para precificar opções, gerenciar riscos e manter os bancos seguros. Por décadas, os especialistas usaram um conjunto específico de ferramentas matemáticas chamadas econometria (pense neles como mecânicos experientes e à moda antiga) para prever a volatilidade. Recentemente, um novo desafiante entrou na garagem: os Modelos de Fundação de Séries Temporais (TSFMs). Estes são cérebros de IA gigantes e superinteligentes, treinados em milhões de diferentes padrões de séries temporais, prometendo prever a volatilidade para qualquer ativo sem precisar ser reajustado para cada carro específico.

Este artigo é uma corrida rigorosa e direta entre essas duas abordagens. Aqui está o que aconteceu quando eles entraram na pista.

A Pista de Corrida: Um Mundo Sintético

Primeiro, um detalhe crucial: os autores não testaram isso em mercados de ações do mundo real (que são bagunçados e cheios de segredos). Em vez disso, eles construíram uma pista de corrida sintética perfeitamente controlada usando uma simulação de computador. Eles criaram 20 ativos fictícios (como 20 carros diferentes) que se moviam de acordo com um conjunto estrito de regras envolvendo saltos aleatórios e curvas suaves.

15 desses carros foram usados para "treinar" o cérebro de IA (o TSFM).
Os outros 5 carros foram mantidos em segredo total. A IA nunca tinha visto esses carros antes. Isso é chamado de teste zero-shot — como pedir a um chef que só cozinhou comida italiana para fazer um prato tailandês perfeito sem uma receita.

Os Contendentes

A Velha Guarda (Econometria):
- GARCH & EWMA: Estes são os mecânicos básicos e confiáveis. Eles olham para as turbulências recentes e tentam adivinhar a próxima. São simples, mas às vezes perdem a visão do todo.
- HAR-RV: Este é o "mecânico estrela". Ele não olha apenas para o ontem; ele olha para o último dia, a última semana e o último mês, tudo ao mesmo tempo. É famoso por ser incrivelmente difícil de ser superado.
- HARQ & HAR-CJ: Estes são os "super-mecânicos". São versões especiais do mecânico estrela que podem lidar especificamente com ruído de medição (quando o velocímetro está falhando) e saltos repentinos (quando um carro atinge um buraco).
O Novo Desafiante (TSFM-Surrogate):
- Este é o cérebro de IA. Ele usa um mecanismo de "atenção de patch" (imagine que ele dá uma olhada rápida em blocos da estrada de uma vez, em vez de olhar cada centímetro individualmente). Ele foi treinado nos 15 carros conhecidos e depois foi solicitado a prever as turbulências dos 5 carros secretos sem qualquer ajuste adicional.

Os Resultados: Quem Venceu?

1. A IA vs. Os Mecânicos Básicos
O cérebro de IA (TSFM-surrogate) esmagou os mecânicos básicos (GARCH e EWMA).

Nos testes, a IA cometeu significativamente menos erros. Foi provado estatisticamente que ela é melhor em prever as turbulências do que os modelos antigos.
O Veredito: A IA é definitivamente melhor que as ferramentas básicas.

2. A IA vs. Os Super-Mecânicos (A Reviravolta)
Aqui é onde fica interessante. Quando a IA correu contra a família HAR (HAR-RV, HARQ e HAR-CJ), os resultados foram um empate no panorama geral, mas os super-mecânicos venceram no confronto direto.

Confronto Direto: Os modelos HAR (especialmente os que lidam com saltos e ruídos) foram estatisticamente melhores que a IA. A IA cometeu mais erros do que os modelos HAR ao prever o tamanho exato das turbulências.
O Panorama Geral (Conjunto de Confiança do Modelo): No entanto, quando os juízes olharam para o grupo inteiro, eles não puderam afirmar com certeza que os modelos HAR eram definitivamente melhores que a IA. A IA foi estatisticamente indistinguível dos melhores modelos HAR.
A Lição: A IA é boa o suficiente para estar no "Hall da Fama" com os melhores modelos econométricos, mas ainda não os derrotou.

3. O Fator "Salto"
A simulação incluiu "saltos" repentinos (buracos). Os modelos HAR que foram especificamente projetados para detectar esses saltos (HAR-CJ) e lidar com dados ruidosos (HARQ) tiveram o melhor desempenho. A IA, que não foi explicitamente ensinada a procurar por saltos, não teve o mesmo desempenho que esses modelos especializados. Isso sugere que a IA precisa de mais dados ou de um treinamento melhor para aprender esses padrões específicos por conta própria.

Por Que a IA Não Venceu?

Os autores sugerem algumas razões, baseadas em sua matemática e simulações:

Fome de Dados: A IA foi treinada em apenas 15 ativos. O artigo argumenta que os modelos de fundação geralmente precisam de milhares ou milhões de ativos para realmente brilhar. Com apenas 15, a IA ainda está aprendendo o básico, enquanto os modelos HAR (que são mais simples) conseguem aprender perfeitamente a partir do histórico de apenas um ativo.
Janela de Contexto: A IA olhou para os últimos 32 dias de dados. Os autores descobriram que, quando permitiram que a IA olhasse para 64 dias, ela melhorou. Isso sugere que a IA só precisa de um "olhar para trás" (lookback) mais longo para ver o padrão completo, assim como os modelos HAR olham para um mês inteiro.
Especialização: Os modelos HAR são como ferramentas especializadas construídas especificamente para volatilidade. A IA é uma "generalista" tentando aprender tudo de uma vez. Em uma simulação de regime único e controlada, o especialista vence.

O Que o Artigo Explicitamente Descarta

NÃO é uma vitória da IA sobre toda a econometria. O artigo afirma explicitamente que a família HAR continua sendo o benchmark mais difícil de superar.
NÃO é um teste de modelos do mundo real. A IA usada aqui é um "surrogate" (um substituto) construído do zero. Os autores não testaram modelos comerciais famosos como Chronos ou TimesFM porque não podiam baixá-los em seu ambiente offline. Eles são cuidadosos ao dizer que seus resultados se aplicam ao paradigma dos modelos de fundação, não necessariamente a essas marcas específicas.
NÃO é um problema resolvido. O artigo não afirma que a IA substituiu a necessidade de econometria. De fato, sugere que, para um único ativo em um mercado estável, a matemática de antigamente ainda é muito difícil de bater.

O Resumo Final

Nesta corrida simulada, o Modelo de Fundação de Séries Temporais provou ser um competidor sério, superando as ferramentas básicas e acompanhando o ritmo dos melhores especialistas. No entanto, ele ainda não destronou a família HAR.

O artigo sugere que o verdadeiro superpoder da IA não é vencer os especialistas em uma sala pequena e controlada, mas sim sua capacidade de trabalhar zero-shot (sem retreinamento) através de muitos mercados diferentes e bagunçados do mundo real ao mesmo tempo. Se você tiver milhares de ativos e mudanças repentinas de mercado (mudanças de regime), a IA poderá eventualmente assumir a liderança. Mas, por enquanto, nesta simulação específica, os modelos econométricos de memória longa e conscientes de saltos ainda são os reis da colina.

Os autores concluem que precisamos de mais dados (mais ativos) e janelas de lookback mais longas para ver se a IA pode realmente superar os especialistas. Até lá, a melhor estratégia pode ser manter a matemática de antigamente como uma rede de segurança enquanto a IA aprende o ofício.

Resumo Técnico: Atenção Sem Estimativa

Declaração do Problema

A previsão da volatilidade realizada (RV) é um desafio fundamental na econometria financeira, crucial para a precificação de derivativos, gestão de risco e capital regulatório. Historicamente, este domínio tem sido dominado por modelos paramétricos, especificamente o framework de Heterogeneidade Autorregressiva (HAR-RV) e modelos da família GARCH, que exigem estimativa de parâmetros específicos para cada ativo. Recentemente, os Modelos de Fundação de Séries Temporais (TSFMs) — grandes arquiteturas transformer pré-treinadas em corpora heterogêneos e implantadas de maneira zero-shot — emergiram como um potencial mudança de paradigma. No entanto, faltam comparações rigorosas e reprodutíveis entre esses modelos de fundação zero-shot e benchmarks econométricos clássicos e robustos a saltos (jumps). Este artigo aborda essa lacuna desenvolvendo um framework matematicamente rigoroso para comparar TSFMs contra modelos econométricos de última geração em um ambiente controlado offline, onde checkpoints proprietários não estão disponíveis.

Metodologia

1. Benchmarks Econométricos e Extensões Teóricas

Os autores estabelecem um conjunto abrangente de benchmarks econométricos, estendendo além do padrão HAR-RV e GARCH(1,1):

HAR-RV: Uma regressão linear sobre médias diárias, semanais e mensais de RV. O artigo prova a consistência e a normalidade assintótica do estimador OLS sob dependência de regressores de memória longa próxima (Teorema 1).
HARQ (Ajustado por Quarticidade): Incorpora a quarticidade realizada para reduzir o peso de lags diários ruidosos, abordando o erro de medição na RV.
HAR-CJ (Robusto a Saltos): Decompõe a RV em componentes contínuos e de saltos usando variação de bipower para modelá-los separadamente.
GARCH(1,1) & EWMA: Modelos padrão de variância condicional paramétrica.
Garantias Teóricas: O artigo deriva uma correção de viés log-normal para a exponencialização de previsões de log-RV (Proposição 1) e estabelece as propriedades assintóticas dos estimadores.

2. Paradigma TSFM e Modelo Substituto (Surrogate)

Como os checkpoints proprietários de TSFM (ex: Chronos, TimesFM) não podem ser baixados no ambiente offline dos autores, eles constroem um TSFM-surrogate que instancia fielmente o paradigma TSFM sem alegar equivalência a modelos proprietários específicos.

Arquitetura: Um transformer baseado em patches (seguindo o PatchTST) com normalização de instância e um head probabilístico Gaussiano.
Treinamento: Pré-treinado do zero em um painel de 15 ativos sintéticos.
Inferência: Avaliado estritamente zero-shot (pesos congelados, sem atualizações de gradiente) em 5 ativos mantidos fora da amostra (held-out).
Análise de Complexidade: O artigo deriva a complexidade computacional por camada, mostrando que, embora o forward pass do transformer seja $O(P^2d)$ , ele evita o custo $O(n)$ de re-estimação diária econométrica, oferecendo uma vantagem de amortização em configurações multi-ativos (Proposição 6).

3. Teoria do Aprendizado Estatístico

O artigo fornece limites formais para caracterizar quando a transferência zero-shot é justificada:

Complexidade de Rademacher: Um limite de generalização baseado em norma para a classe de funções do patch-transformer (Teorema 2).
Limite de Transferência PAC-Bayesiano: Um limite para o risco de transferência zero-shot de ativos de treinamento para um ativo mantido fora da amostra, separando explicitamente o ajuste in-sample, a complexidade do modelo e a discrepância de distribuição (Teorema 3). Isso formaliza a intuição de que modelos de fundação requerem painéis de pré-treinamento extensos para superar penalidades de complexidade.

4. Estrutura de Avaliação

Um aparato de avaliação estatística robusto é empregado:

Funções de Perda: RMSE, MAE e QLIKE (provado robusto a proxies de volatilidade ruidosos conforme Patton [31]).
Pontuação Probabilística: Continuous Ranked Probability Score (CRPS) para distribuições preditivas Gaussianas.
Testes de Hipótese: Testes de Diebold–Mariano para precisão pareada e um Model Confidence Set (MCS) de bootstrap estacionário para comparação conjunta de modelos.
Dados: Um painel sintético realista de 20 ativos gerados a partir de um modelo de volatilidade estocástica de Heston com saltos, permitindo o cálculo direto de quarticidade realizada e variação de bipower a partir de caminhos intraday.

Principais Resultados

1. Hierarquia de Desempenho

TSFM vs. GARCH/EWMA: O TSFM-surrogate desempenha-se estatisticamente de forma superior ao GARCH(1,1) e EWMA em todas as funções de perda (RMSE, QLIKE) e procedimentos de teste (Diebold–Mariano, MCS).
TSFM vs. Família HAR: O TSFM-surrogate é significativamente superado por toda a família HAR (HAR-RV, HARQ, HAR-CJ) em testes de Diebold–Mariano pareados. HARQ e HAR-CJ alcançam as menores taxas de erro, confirmando o valor da robustez a saltos e erros de medição no processo gerador de dados sintéticos.
Model Confidence Set (MCS): Crucialmente, embora os testes pareados mostrem que o TSFM é inferior aos variantes HAR, o Model Confidence Set conjunto (90% de confiança) inclui o TSFM-surrogate junto com toda a família HAR. Isso indica que, ao considerar múltiplas comparações, o TSFM é estatisticamente indistinguível dos melhores modelos econométricos.

2. Comprimento de Contexto e Arquitetura

Ablação de Contexto: A precisão zero-shot melhora monotonicamente conforme a janela de contexto do transformer aumenta (de $L=16$ para $L=64$ ). A variante $L=64$ supera a baseline $L=32$ , sugerindo que o modelo ainda não saturou os benefícios de horizontes de observação mais longos, espelhando a dependência do HAR em relação a lags de múltiplos meses.
Calibração: A distribuição preditiva do TSFM-surrogate (via CRPS) é competitiva e ligeiramente melhor calibrada do que o plain HAR-RV, destacando a força de sua quantificação de incerteza aprendida.

3. Eficiência Computacional

Embora o forward pass de amostra única do TSFM-surrogate seja atualmente mais lento em tempo de execução do que o reajuste de OLS para o HAR nas amostras utilizadas ( $n \approx 1.250$ ), o artigo argumenta que a vantagem prática reside na amortização: uma única rede congelada serve a todos os ativos sem re-estimação por ativo, eliminando a complexidade operacional de manter pipelines econométricos separados.

Significância e Alegações

O artigo alega fornecer uma comparação matizada e matematicamente fundamentada em vez de um simples veredito de "vencedor leva tudo". Suas principais contribuições são:

Refinando o Debate de Paradigmas: Os resultados sugerem que estruturas autorregressivas de memória longa (família HAR) permanecem extremamente difíceis de superar em dados estacionários de regime único. A afirmação mais forte do TSFM não é que ele "vence" o HAR abertamente, mas que ele alcança a indistinguibilidade estatística dos melhores modelos enquanto oferece a vantagem arquitetônica de zero re-estimação por ativo.
Justificativa Teórica para Escala: Através do Teorema 3 (limite PAC-Bayes), o artigo formaliza que a desvantagem atual do TSFM em relação ao HAR deve-se em parte ao pequeno painel de pré-treinamento ( $N=15$ ). A penalidade de complexidade no limite escala com $1/\sqrt{n}$ , implicando que um real ganho dos modelos de fundação provavelmente requer pré-treinamento em ordens de magnitude a mais de dados heterogêneos para tornar o termo de complexidade negligenciável.
Rigor Metodológico: O artigo estabelece um protocolo reprodutível para avaliar modelos de fundação em ambientes offline, provando que um substituto treinado customizado pode testar validamente o paradigma (atenção por patch, transferência zero-shot) sem a necessidade de checkpoints proprietários.
Sensibilidade da Função de Perda: O estudo demonstra que o ranking dos modelos e a participação no Model Confidence Set não são invariantes à perda, mostrando que o TSFM é excluído do MCS sob perda de erro quadrático (devido à sensibilidade a picos de volatilidade), mas incluído sob QLIKE, reforçando a necessidade de funções de perda robustas como o QLIKE na previsão de volatilidade.

Em conclusão, o artigo postula que, embora os modelos de fundação mostrem promessa e expressividade arquitetônica (provado via Proposição 5 que eles aninham estruturas HAR), sua superioridade prática sobre a econometria clássica na previsão de volatilidade é contingente à escala (painéis de pré-treinamento maiores e mais heterogêneos) e condições de implantação (mudanças de regime, heterogeneidade entre ativos) que não estavam totalmente presentes neste estudo de regime único e sintético.