Forecasting accuracy to portfolio value: Model risk and regime dependence in an emerging equity market
Este estudo analisa as ações da Bolsa de Moscou para demonstrar que, embora o CatBoost ofereça a melhor precisão de previsão estatística, o PatchTST entrega um desempenho de portfólio superior, e nenhuma estratégia de seleção de modelos ou de mudança de regime pode superar de forma confiável o descompasso fundamental entre a precisão de previsão e a capacidade de classificação transversal em mercados emergentes.
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
Investidores que gerenciam grandes volumes de dinheiro enfrentam um dilema constante e silencioso: eles devem adivinhar quais ações subirão e quais cairão, mas nunca podem ter certeza se o seu método de adivinhação é o correto. Isso não é apenas uma questão de azar; é um problema fundamental de incerteza. Em um nível, o investidor teme que sua estimativa do retorno futuro de uma ação esteja errada. Em um nível mais profundo, ele teme que todo o arcabouço matemático que está usando para fazer essa estimativa possa estar falho. Em tempos estáveis, regras simples costumam funcionar bem, mas quando o ambiente econômico muda — quando a inflação dispara, os mercados tornam-se voláteis ou os preços desabam — essas mesmas regras podem falhar. A questão torna-se se um método mais complexo e flexível pode se adaptar melhor a essas condições de mudança do que um método direto, e se um método que é estatisticamente preciso na previsão de números realmente leva a melhores resultados de investimento.
Uma equipe de pesquisadores decidiu testar essas questões no mercado de ações russo, um lugar onde as condições econômicas mudaram drasticamente na última década. Eles reuniram dados de quase trezentas empresas negociadas na Bolsa de Moscou, cobrindo um período de meados de 2016 até 2025. Este intervalo de tempo incluiu anos de inflação constante, o choque global da pandemia e um período de intensa tensão geopolítica e aperto monetário. Os pesquisadores queriam ver se a relação entre as características de uma empresa e seus retornos futuros mudava dependendo de se o mercado estava calmo ou sob estresse. Para fazer isso, construíram um experimento controlado onde oito métodos diferentes de previsão competiam entre si. Esses métodos variavam de equações lineares simples, que assumem uma relação constante entre fatores e retornos, a algoritmos sofisticados de aprendizado de máquina capazes de detectar padrões complexos e não lineares e de se adaptar a novos dados.
Os pesquisadores alimentaram todos os oito modelos com exatamente a mesma informação: dados sobre o tamanho, valor, momentum e liquidez da empresa, combinados com indicadores de estresse de mercado, como inflação alta e quedas acentuadas de preços. Eles então pediram a cada modelo que previsse os retornos das ações ao longo dos próximos três meses. Crucialmente, eles não deixaram os modelos competirem em um "todos contra todos"; em vez disso, forçaram cada modelo a usar as mesmas regras para construir uma carteira. Eles selecionaram as vinte e cinco ações com os maiores retornos previstos, limitaram o montante de dinheiro investido em qualquer única ação e gerenciaram o risco de forma idêntica. Isso garantiu que qualquer diferença nos resultados finais viesse puramente da qualidade das previsões, e não de como o dinheiro foi alocado.
Os resultados revelaram um descompasso surpreendente entre a precisão estatística e o valor no mundo real. Um dos modelos de aprendizado de máquina mais avançados, conhecido como CatBoost, produziu os menores erros médios ao prever retornos. Foi o mais preciso ao adivinhar os números. No entanto, quando os pesquisadores observaram se os modelos conseguiam classificar corretamente as melhores ações em relação às piores, todos os oito métodos tiveram um desempenho ruim. Nenhum deles conseguiu identificar consistentemente os melhores desempenhos melhor do que o acaso. Essa descoberta sugere que mesmo os algoritmos mais sofisticados lutam para encontrar um sinal confiável no ruído de um mercado emergente, especialmente quando esse mercado está passando por mudanças estruturais rápidas.
Mais importante ainda, o estudo descobriu que o modelo com a melhor precisão estatística não produziu a melhor carteira de investimentos. Um modelo diferente, baseado em uma arquitetura de aprendizado de sequência chamada PatchTST, teve uma precisão geral relativamente baixa em suas previsões. No entanto, quando suas previsações foram usadas para construir uma carteforma, ele entregou retornos ajustados ao risco que eram competitivos com as melhores estratégias e sofreu perdas menores durante as quedas do mercado. Esse resultado destaca uma lição crítica: um modelo não precisa ser perfeito ao prever cada número para ser útil para o investimento. Ele só precisa ser bom o suficiente para identificar as ações específicas que terão um bom desempenho, mesmo que erre o restante do mercado.
Os pesquisadores também testaram se era possível alternar entre modelos dependendo das condições atuais do mercado, como usar um modelo durante a inflação alta e outro durante as quedens do mercado. Eles criaram uma regra que selecionaria automaticamente o modelo com melhor desempenho com base nos resultados recentes ou no estado atual da economia. Embora essa regra de alternância tenha produzido os maiores retornos nominais em seu teste retrospectivo (backtest), a vantagem não foi estatisticamente confiável. Os resultados foram tão próximos aos das estratégias fixas que a diferença poderia facilmente ser devida ao acaso. Além disso, como a regra foi desenhada após observar os dados, ela não pode ser considerada uma estratégia comprovada para o futuro. O estudo sugere que, embora saber que o mercado está sob estresse seja útil para entender quando as previsões podem ser pouco confiáveis, isso não fornece um sinal claro e automático sobre qual ferramenta matemática utilizar.
Em última análise, o artigo conclui que não existe um único "melhor" modelo para prever retornos de ações em um mercado emergente. Os modelos mais flexíveis e complexos não superam automaticamente os mais simples, e o modelo que vence em um concurso estatístico não é necessariamente aquele que constrói a carteira mais lucrativa. A incerteza que os investidores enfrentam é dupla: eles devem lidar com a dificuldade inerente de prever o futuro e também devem aceitar que não podem saber com certeza qual método de previsão é o correto para o momento. Neste ambiente, a abordagem mais robusta pode não ser a busca por uma máquina de previsão perfeita, mas sim reconhecer que todos os modelos carregam riscos e que o valor de um modelo não reside em sua precisão média, mas em sua capacidade de guiar decisões de investimento sólidas sob pressão.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.