Regime Dependent Machine Learning and the Limits of Algorithmic Trading in the Dhaka Stock Exchange

No mundo das finanças, existe uma crença persistente de que o preço futuro de uma ação pode ser previsto se alguém simplesmente reunir dados suficientes e aplicar as ferramentas matemáticas adequadas. Essa ideia baseia-se no conceito de que os mercados não são inteiramente aleatórios; em vez disso, eles se movem em padrões ou "regimes" distintos, alternando entre períodos de calmaria, alta volatilidade e estresse. Se um investidor pudesse identificar essas mudanças conforme elas ocorrem, a lógica dita, ele poderia ajustar sua estratégia para comprar quando o mercado estiver calmo e vender quando estiver caótico, daí superando o participante comum. Essa abordagem tornou-se um pilar do trading algorítmico moderno, onde computadores usam aprendizado de máquina complexo para escanear vastas quantidades de dados históricos, procurando por sinais que os traders humanos poderiam perder. A questão que impulsiona grande parte desta pesquisa é se esses sistemas sofisticados podem realmente transformar esses sinais em lucro real e duradouro, especialmente em mercados menos desenvolvidos e mais imprevisíveis do que os do Ocidente.

Um estudo recente focado na Bolsa de Valores de Dhaka, em Bangladesh, buscou responder a essa pergunta com precisão rigorosa. O pesquisador, Md. Shakil Sikder, não testou apenas um único modelo em um punhado de empresas. Em vez disso, ele construiu três grupos distintos de ações para garantir que os resultados não fossem uma casualidade. Um grupo consistia em doze empresas conhecidas e líquidas, cuidadosamente selecionadas pelo autor. Um segundo grupo era uma seleção aleatória de seis empresas, escolhidas por um computador para remover qualquer viés humano no processo de seleção. Um terceiro grupo, muito maior, de vinte e quatro ações adicionais, foi acrescentado posteriormente para testar se os achados se sustentariam em uma gama mais ampla de setores, cobrindo eventualmente quarenta e dois títulos em dezessete setores diferentes. O objetivo era ver se um tipo específico de aprendizado de máquina, que condiciona suas previsões ao "regime" atual do mercado, poderia consistentemente superar uma estratégia simples de linha de base que assume que o mercado não fará nada além de repetir sua média recente.

O estudo empregou cinco modelos de previsão diferentes, variando de métodos estatísticos básicos a sistemas avançados de inteligência artificial, como redes neurais. Esses modelos foram alimentados com treze indicadores técnicos diferentes, tais como movimentos de preços passados, volume de negociação e momentum, juntamente com um sinal indicando se o mercado estava em um estado normal, de alta volatilidade ou de estresse. Os pesquisadores utilizaram um método de teste rigoroso chamado validação walk-forward, que simula o trading em tempo real ao treinar o modelo com dados passados e, em seguida, testá-lo em dados futuros que ele nunca viu, garantindo que nenhuma informação vazasse do futuro para o passado. Eles também levaram em conta os custos específicos de negociação em Bangladesh, incluindo taxas de corretagem, impostos e o slippage que ocorre ao tentar comprar ou vender grandes quantidades de ações sem mover o preço contra si mesmo.

Os resultados foram nítidos e consistentes em todos os três grupos de ações. Nenhum dos modelos de aprendizado de máquina sofisticados conseguiu superar o benchmark simples. Na verdade, o modelo mais complexo, um algoritmo de árvore de gradiente impulsionado conhecido como LightGBM, teve um desempenho significativamente inferior à abordagem de linha de base em todos os painéis. Quando os pesquisadores tentaram usar a informação de regime para guiar as decisões de trading, as estratégias falharam em gerar qualquer lucro. Em vez disso, as estratégias de trading perderam a vasta maioria do capital inicial. O estudo descobriu que o sinal subjacente que os modelos tentavam explorar simplesmente não existia de uma forma que pudesse ser convertida em dinheiro após a dedução dos custos. Mesmo quando os pesquisadores tentaram reduzir o número de operações para evitar taxas, os retornos restantes ainda eram negativos, indicando que o problema não era apenas o custo de negociação, mas a falta de um sinal preditivo genuíno.

Uma descoberta particularmente reveladora diz respeito à forma como os modelos computacionais interpretam a mecânica única da Bolsa de Valores de Dhaka. A bolsa possui um mecanismo regulatório que estabelece um preço de piso, impedindo que as ações caiam abaixo de um certo nível. Durante períodos de estresse extremo, esse mecanismo pode causar a interrupção das negociações ou fazer com que os preços permaneçam estáveis por períodos prolongados. O estudo descobriu que os modelos de aprendizado de máquina, que dependem da volatilidade para detectar o estresse do mercado, interpretaram erroneamente esses congelamentos de preços planos. Como o preço não se movia, os modelos calcularam volatilidade zero e rotularam esses períodos perigosos como "baixo risco" ou "normais". Esse erro significou que os modelos falharam em proteger os investidores justamente nos momentos em que eram mais necessários. Os pesquisadores testaram uma regra para excluir esses dias de congelamento das negociações, mas esse ajuste apenas piorou o desempenho, pois os custos de rebalanceamento do portfólio superaram qualquer benefício potencial.

O estudo também abordou uma armadilha comum na pesquisa financeira: a diferença entre o que um modelo sabe após o fato e o que ele sabe em tempo real. Os pesquisadores descobriram que a capacidade do computador de identificar regimes de mercado após visualizar todo o histórico de dados era vastamente diferente de sua capacidade de identificar esses regimes enquanto eles estavam acontecendo. Ao olhar para trás, o modelo conseguia rotular corretamente um dia como estressante, mas, ao tomar uma decisão no momento, ele errava mais da metade das vezes. Essa lacuna entre a retrospectiva e a previsão em tempo real é uma razão crítica pela qual muitas estratégias de backtest falham quando aplicadas a mercados reais. O estudo confirmou que, mesmo com correções estatísticas avançadas e múltiplas camadas de validação, as estratégias não demonstraram qualquer habilidade que não pudesse ser explicada pelo acaso.

Em última análise, a pesquisa sugere que, para a Bolsa de Valores de Dhaka, o mercado se comporta de uma maneira consistente com a ideia de eficiência de forma fraca. Isso significa que movimentos de preços passados e volumes de negociação não fornecem um roteiro confiável para ganhos futuros, pelo menos não de uma forma que possa ser explorada pelas técnicas atuais de aprendizado de máquina. O estudo conclui que a suposição de que o aprendizado de máquina consciente de regimes pode ser facilmente transferido para mercados de fronteira com características regulatórias únicas é falha. A interação específica entre a detecção baseada em volatilidade e o mecanismo de preço de piso cria um ponto cego que os algoritmos não conseguem superar facilmente. As descobertas servem como um alerta para praticantes e pesquisadores, demonstrando que, em mercados com baixa liquidez e restrições regulatórias específicas, as ferramentas mais sofisticadas podem ainda ser incapazes de encontrar uma vantagem onde nenhuma existe. A evidência aponta para um mercado onde a única estratégia confiável, estatisticamente falando, permanece sendo a passiva de manter as ações a longo prazo, em vez de tentar cronometrar o mercado com algoritmos complexos.