📈 economia

Historical-Memory Equity Selection: A Comparative Study of Retrieval, Neural Prediction, and Adaptive Mixing

Este estudo avalia uma estrutura centrada em memória para a seleção de ações de horizonte intermediário em seis mercados e conclui que, embora a abordagem torne a recuperação decomponível, a seleção de memória baseada em similaridade falha em superar precedentes aleatórios ou benchmarks históricos, demonstrando, em última análise, nenhuma melhoria estatisticamente significativa no desempenho da carteira em comparação com estratégias passivas.

Autores originais: Rohil Gujarathi, Sangeeta Oswal, Vaibhav Goyal, Anjali Yeole

Publicado 2026-09-23

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Rohil Gujarathi, Sangeeta Oswal, Vaibhav Goyal, Anjali Yeole

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

Investir no mercado de ações muitas vezes parece como tentar prever o tempo enquanto se está parado no meio de uma tempestade. Os investidores observam padrões passados, esperando que a história se repita, mas o mundo financeiro é caótico. Os preços movem-se de formas complexas, influenciados por eventos globais, emoções humanas e mudanças repentinas na forma como as pessoas sentem o risco. Durante décadas, especialistas financeiros tentaram construir ferramentas melhores para navegar neste caos. Uma ideia promissora tem sido usar programas de computador poderosos, especificamente aqueles projetados para compreender sequências longas de dados, para identificar padrões que os humanos poderiam perder. Outra ideia é criar uma "memória" para estes computadores — uma forma de olhar para trás para momentos específicos do passado que pareçam semelhantes ao presente e ver o que aconteceu em seguida. A esperança é que, ao combinar estas ferramentas modernas com um registro claro e inspecionável de decisões passadas, possamos fazer escolhas mais inteligentes sobre quais ações comprar e manter por alguns meses.

Uma equipe de pesquisadores partiu para testar se esta combinação de modelos de computador avançados e uma memória histórica rigorosa realmente funciona melhor do que métodos tradicionais mais simples. Eles construíram um sistema que podia observar milhares de ações em seis países diferentes, incluindo os Estados Unidos, a Índia e o Reino Unido, durante um período de seis anos, de 2020 a 2025. O objetivo deles era ver se um computador poderia escolher um grupo de ações que crescesse em valor melhor do que uma seleção aleatória ou uma estratégia básica de comprar tudo igualmente. Para fazer isso, criaram uma estrutura onde o computador poderia ou fazer uma previsão baseada em seu próprio aprendizado, ou buscar vinte e cinco exemplos passados que parecessem semelhantes à situação atual, ou misturar as duas abordagens. Crucialmente, eles projetaram a parte da "memória" de modo que cada decisão pudesse ser rastreada até registros passados específicos, tornando o processo transparente e fácil de verificar.

Os pesquisadores rodaram seu sistema através de uma simulação rigorosa envolvendo mais de cem ações e mais de quatro milhões de previsões de políticas. Eles compararam dezesseis estratégias diferentes, variando de regras simples de momentum a redes neurais complexas e seu novo sistema baseado em memória. Eles mediram o sucesso não apenas pelo quão bem o computador adivinhava o futuro, mas por quanto dinheiro um portfólio teria realmente rendido após contabilizar custos de negociação e riscos. Os resultados foram surpreendentes e um tanto humildes. A estratégia que teve o melhor desempenho não foi o sistema de memória de alta tecnologia, nem a rede neural avançada. Em vez disso, a abordagem mais simples venceu: uma estratégia passiva de comprar uma quantidade igual de cada ação e mantê-las. Este método simples alcançou um retorno maior e uma pontuação de risco ajustado melhor do que qualquer um dos modelos complexos.

O sistema de memória específico que os pesquisadores construíram, que tentava encontrar os melhores exemplos do passado para guiar escolhas futuras, teve na verdade um desempenho pior do que o esperado. Rendeu um retorno menor do que um sistema que simplesmente selecionava exemplos passados de forma aleatória. Também falhou em superar uma estratégia básica que apenas usava o retorno médio de todo o mercado como guia. Os pesquisadores descobriram que a tentativa do computador de encontrar situações passadas "semelhantes" não levou a melhores decisões de investimento. Na verdade, toda vez que comparavam o sistema de memória com um grupo de controle mais simples, o sistema de memória saía à frente na direção errada, mostrando uma diferença negativa de desempenho. Mesmo quando tentaram deixar o computador decidir quando usar a memória e quando usar suas próprias previsões, o resultado não foi melhor do que apenas manter os métodos mais simples.

Este estudo não prova que os computadores não podem ajudar nos investimentos, mas mostra que simplesmente adicionar uma memória histórica ou usar ferramentas complexas de correspondência de padrões não torna automaticamente uma estratégia mais lucrativa. Os pesquisadores enfatizaram que, embora seu sistema tornasse o processo de tomada de decisão muito claro e fácil de auditar — permitindo que qualquer pessoa visse exatamente quais registros passados foram usados para fazer uma escolha — essa transparência não se traduziu em dinheiro extra. As situações passadas "semelhantes" que o computador encontrou não foram, de fato, bons preditores do que aconteceria a seguir. O estudo sugere que os mercados financeiros podem ser complexos demais ou mutáveis demais para que esses tipos específicos de analogias históricas funcionem, pelo menos durante o período de seis anos que testaram.

Em última análise, o trabalho serve como um verificação cuidadosa sobre o entusiasmo em torno da inteligência artificial nas finanças. Demonstra que ter uma ferramenta que pode olhar para trás na história e explicar seu raciocínio é valioso para entender como um modelo funciona, mas não garante que o modelo esteja correto. Os pesquisadores concluíram que seu método específico de selecionar ações com base em registros passados semelhantes não adicionou nenhum valor em comparação com o ato de não fazer nada de especial. Para investidores e desenvolvedores, a lição é que encontrar um padrão no passado não é o mesmo que encontrar um caminho para o lucro futuro e, às vezes, a abordagem mais simples continua sendo a mais eficaz.

Resumo Técnico: Seleção de Ativos Baseada em Memória Histórica

1. Definição do Problema

O estudo aborda dois desafios primários no aprendizado de máquina aplicado ao setor financeiro:

Previsão de Horizonte Intermediário: Podem os modelos de sequência modernos, especificamente aqueles capazes de representar contextos longos (ex: Transformers), apoiar efetivamente decisões de seleção de ações mantidas por períodos intermediários (especificamente 63 sessões de bolsa), em vez de apenas horizontes de alta frequência ou de curtíssimo prazo?
Inspecbilidade da Lógica de Decisão: Pode uma memória numérica limitada e específica para a tarefa ser construída para tornar a base de uma previsão inspecionável e auditável sem depender de modelos de linguagem abertos ou camadas de geração aumentada por recuperação (RAG)?

Os autores observam que, embora os modelos de sequência tenham avançado, a previsão financeira é complicada pela realização lenta dos resultados, mudanças de regime e pelo fato de que a precisão da previsão não se traduz necessariamente em seleção de portfólio lucrativa após considerar custos de negociação e saídas dependentes de trajetória.

2. Metodologia

Dados e Universo

Universo: Um painel de 103 ações líquidas em seis mercados (EUA, Índia, China, Brasil, França, Reino Unido), selecionadas de 108 candidatos com base em continuidade e critérios de sede. O painel é condicionado à sobrevivência.
Período de Tempo: A avaliação abrange seis anos contínuos (2020–2025) usando seis dobras (folds) anuais de walk-forward.
Características (Features): 23 características técnicas de preço-volume (retornos, momentum, volatilidade, volume, médias móveis, drawdown, localização de preço).
Representação de Entrada: Um sistema de "janela agrupada" (pooled-window) constrói 42 médias de seis sessões não sobrepostas a partir da janela defasada de 252 dias, resultando em um vetor de 966 dimensões ( $42 \times 23$ ). Isso remove a ordem diária intra-patch.
Alvo (Target): Um retorno à frente de 63 sessões ( $r_{63}$ ) calculado sobre preços ajustados pelo modelo (ajustados por desdobramentos/dividendos), servindo como rótulo de previsão e proxy de ranking.

Componentes do Framework

O estudo implementa um framework onde as previsões são construídas a partir de registros históricos elegíveis, seus retornos concluídos e uma regra de agregação explícita. A memória opera ao lado ou independentemente dos preditores neurais.

Memória Histórica (Recuperação por Similaridade):
- Elegibilidade: Os registros devem ter uma janela de resultado concluída de 126 sessões. Correspondências exatas do mesmo ticker são excluídas. Precedentes selecionados do mesmo ticker devem estar a pelo menos 21 sessões de distância, com um limite de três por ticker.
- Recuperação: Para uma consulta, o sistema seleciona $k=25$ precedentes baseados na distância euclidiana entre as janelas de características agrupadas e padronizadas.
- Agregação: A previsão é a média aritmética dos retornos de 63 sessões dos 25 precedentes selecionados.
- Auditabilidade: O processo é totalmente decomponível em verificações de elegibilidade, IDs selecionados, distâncias e retornos, fornecendo uma trilha de auditoria do tipo "citação".
Preditores Neurais:
- Transformer Temporal: Aceita as janelas agrupadas (42, 23), projeta os patches para largura 64 e utiliza duas camadas de codificação (4 cabeças, largura de feed-forward de 128) com agrupamento de atenção (attention pooling) e uma cabeça escalar.
- MLP: Consome o vetor achatado de 966 dimensões através de camadas (966 → 64 → 128 → 1) com LayerNorm e ativações GELU.
- Ambos utilizam checkpoints determinísticos (sementes 7, 17, 37).
Mistura e Portão (Gating):
- Misturas Fixas: Combinações lineares da previsão neural ( $\hat{r}_{base}$ ) e da previsão de memória ( $\hat{r}_{mem}$ ) usando um coeficiente $\lambda$ selecionado via busca em grade (grid search) por objetivos de MSE ou Sharpe nos dados de desenvolvimento.
- Portões Adaptativos: Um portão logístico ( $g = \text{sigmoid}(a^T z + b)$ ) pondera dinamicamente as duas previsões com base na magnitude e diagnósticos de discordância ( $| \hat{r}_{base} |$ , $| \hat{r}_{base} - \hat{r}_{mem} |$ , $| \hat{r}_{mem} |$ ).
Execução de Portfólio:
- Alocação: Pontuações são escalonadas por volatilidade ( $S = \hat{r} / (v_{21} + 10^{-4})$ ).
- Restrições: Apenas compra (long-only), máximo de três posições por conta, executadas na abertura seguinte.
- Regras de Saída: Stop loss móvel (trailing stop estilo Chandelier) baseado em ATR, com um teto de manutenção de 63 sessões.
- Custos: 10 bps de comissão + 5 bps de slippage modelado por lado.

Controles e Baselines

O estudo compara 16 políticas, incluindo:

Controles de Memória: Recuperação aleatória elegível, média histórica incondicional (prior histórico) e KNN simples (sem as restrições de 3 por ticker/21 sessões).
Controles Neurais: MLP Direto, Transformer Direto e suas misturas/portões.
Benchmarks Financeiros: Momentum de 21 sessões, momentum escalonado por volatilidade e buy-and-hold passivo de peso igual.

3. Principais Resultados

Métricas de Desempenho (2020–2025)

A métrica primária é o Índice de Sharpe médio do mercado, calculado através de 204 contas de mercado/execução contínuas.

Peso Igual Passivo: Alcançou o maior Sharpe médio de mercado (0.636) e retorno anualizado (11.91%).
Baselines Neurais: Regressão Ridge anual seguida por um Sharpe de 0.444. Modelos MLP e Transformer diretos variaram entre 0.274 e 0.383.
Desempenho da Memória:
- Memória de Similaridade (Recuperação): Sharpe de 0.245 e retorno anualizado de 2.99%.
- Comparação: A memória de similaridade teve desempenho inferior à Memória Aleatória (Sharpe 0.423) e ao Prior Histórico (Sharpe 0.352).
- Significância Estatística: Todos os seis contrastes primários comparando a memória de similaridade contra os controles (Aleatória, Prior, KNN, Ridge, MLP, Transformer) geraram estimativas pontuais negativas. Após o ajuste de Holm, nenhuma das diferenças foi estatisticamente significativa ao nível de 5% (p-valores ajustados por Holm variaram de 0.7487 a 1.0000).

Descobertas Específicas

Sem Valor Incremental: A regra de seleção de similaridade implementada não adicionou valor ao portfólio sobre alternativas mais simples (recuperação aleatória, média histórica) ou baselines neurais.
Portão vs. Mistura: O portão adaptativo não superou estatisticamente as misturas de Sharpe fixo.
Heterogeneidade de Mercado: A memória de similaridade mostrou índices de Sharpe positivos no Brasil, Índia, Reino Unido e EUA, mas negativos na China e França. No entanto, estes não foram vitórias contra o benchmark.
Reversão de Evidência: Os resultados contradisseram evidências anteriores de desenvolvimento de um único ano (2024), onde abordagens baseadas em memória haviam mostrado promessa. Os autores atribuem essa reversão a fatores como cobertura de regime mais ampla, a representação agrupada ou a métrica de distância euclidiana, embora nenhuma causa única tenha sido isolada.

4. Contribuições e Significância

Principais Contribuições

Interface Especificada: O artigo define uma interface rigorosa entre construção de memória, seleção de vizinhos, agregação de previsão e execução de portfólio. Isso permite que o mecanismo de recuperação seja auditado separadamente do preditor neural.
Comparação Pareada: Fornece uma comparação pareada de 16 políticas com o mesmo estatístico de Sharpe médio de mercado, controlando o conjunto de informações elegíveis.
Inspecbilidade: O framework demonstra que uma memória numérica limitada pode tornar o cálculo de recuperação decomponível e revisável ao nível de caso sem a necessidade de um modelo de linguagem.

Alegações Modestas e Limitações

Os autores declaram explicitamente que:

O estudo não afirma que a camada de memória garante confiabilidade, correção ou conformidade regulatória.
Os resultados representam evidência negativa em relação à regra de similaridade implementada (distância euclidiana em características técnicas agrupadas) e não uma rejeição geral de conceitos de memória histórica.
O período de avaliação (2020–2025) foi inspecionado durante o desenvolvimento, e o universo é condicionado à sobrevivência; portanto, os resultados são simulações de pesquisa com limitações de vintage de dados e ações corporativas.
O framework torna a contribuição de recuperação identificável, mas a evidência de vários anos não mostra que a seleção por similaridade melhora o desempenho do portfólio nesta configuração específica.

Conclusão

A lição central é que um mecanismo de memória inspecionável e um sinal de similaridade lucrativo são conquistas distintas. Embora o framework consiga vincular evidências históricas a previsões de forma transparente, os resultados atuais de vários anos não oferecem vantagem incremental de portfólio para a regra de analogia implementada ou para portões adaptativos sobre o peso igual passivo ou baselines neurais simples. Trabalhos futuros devem focar no teste de representações de estado e medidas de distância alternativas sob o mesmo design de controle pareado.