📈 economia

Macroeconomic Predictability and Machine Learning in REIT Returns: Out-of-Sample Evidence and Property-Sector Heterogeneity

Este estudo constata que, embora modelos de aprendizado de máquina não lineares ofereçam ganhos de previsão fora da amostra economicamente significativos para retornos de REITs dos EUA de médio prazo — particularmente no setor de saúde e impulsionados por fatores macroeconômicos —, eles não alcançam superioridade agregada estatisticamente significativa sobre modelos lineares de referência após ajustes de múltiplos testes, com sinais preditivos concentrados em componentes comuns de séries temporais em vez de seleção transversal.

Autores originais: Mahsa Khoshnoud

Publicado 2026-10-15

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Mahsa Khoshnoud

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

No mundo dos investimentos, alguns ativos comportam-se como ações, enquanto outros agem mais como títulos ou edifícios físicos. Os Fundos de Investimento Imobiliário, conhecidos como REITs, situam-se exatamente no meio deste divide. Eles são empresas que possuem propriedades que geram renda, como shopping centers, complexos de apartamentos e hospitais, e são negociados na bolsa de valores como qualquer outra empresa. Como o seu valor depende tanto da saúde do mercado de ações quanto da realidade física da economia — como taxas de juros, crescimento do emprego e inflação — prever o seu desempenho futuro é um quebra-cabeça complexo. Durante décadas, investidores e economistas tentaram resolver este quebra-cabeça usando matemática simples e linear, assumindo que, se a economia sobe, estas ações sobem de uma forma previsível. Mas a economia raramente é uma linha reta; ela torce e faz curvas, e a relação entre uma recessão, um pico nas taxas de juros e o valor de uma propriedade pode mudar dependendo do contexto. É aqui que a ciência da computação moderna entra em cena, oferecendo ferramentas que podem procurar padrões complicados e ocultos nos dados que a matemática tradicional poderia perder.

Um pesquisador decidiu testar se estas ferramentas computacionais avançadas, conhecidas como aprendizado de máquina (machine learning), poderiam realmente prever os retornos futuros dos REITs melhor do que os métodos tradicionais e padrão. Ele reuniu uma quantidade massiva de dados históricos, acompanhando 383 empresas imobiliárias diferentes ao longo de mais de duas décadas, desde o ano 2000 até 2023. Este período cobriu algumas das mudanças econômicas mais dramáticas da história moderna, incluindo a crise financeira global, um longo período de taxas de juros muito baixas, o choque repentino da pandemia e a rápida inflação que se seguiu. O pesquisador alimentou os modelos de computador com um conjunto específico de pistas: taxas de juros atuais, números de desemprego, dados de inflação, a velocidade com que a economia está crescendo e como o mercado de ações mais amplo estava performando. Ele então pediu ao computador para adivinhar o que aconteceria com os retornos dos REITs nos próximos meses. Para garantir que o teste fosse justo, ele treinou o computador com dados passados e depois pediu que ele previsse o futuro sem nunca permitir que ele espiasse as respostas antecipadamente.

Os resultados revelaram uma história que é mais matizada do que uma vitória simples para a nova tecnologia. Quando o pesquisador perguntou ao computador o que aconteceria no futuro imediato — um, dois ou três meses à frente — os modelos de aprendizado de máquina não tiveram um desempenho melhor do que um palpite simples baseado no desempenho médio passado. De fato, para estes prazos curtos, os modelos de computador foram ligeiramente piores do que os índices de referência básicos. No entanto, a história mudou quando o pesquisador olhou para um horizonte de médio prazo, especificamente pedindo ao computador para prever os retornos cumulativos ao longo de um período de seis meses. Aqui, os modelos avançados começaram a mostrar a sua força. Os algoritmos mais sofisticados, que trabalham construindo muitas pequenas árvores de decisão para encontrar padrões complexos, foram capazes de reduzir significativamente os seus erros de previsão em comparação com os métodos lineares tradicionais. Eles capturaram cerca de 9,3 por cento da variação nos retornos de seis meses, uma melhoria significativa em relação à abordagem padrão, que na verdade teve um desempenho ligeiramente inferior a uma média histórica simples.

Apesar desta melhoria na precisão, o pesquisador foi cuidadoso ao não declarar uma vitória total. Quando aplicou testes estatísticos rigorosos para ver se o sucesso do computador era um avanço genuíno ou apenas um golpe de sorte, os resultados foram menos definitivos. As melhorias, embora economicamente perceptíveis, não foram estatisticamente fortes o suficiente para provar com absoluta certeza que os modelos de aprendizado de máquina eram superiores aos métodos mais antigos em todos os casos. O estudo sugere que os modelos de computador não estão encontrando uma fórmula mágica que funcione para cada propriedade ou para cada mês. Em vez disso, eles estão captando um tipo específico de sinal: o movimento amplo e compartilhado de todo o mercado imobiliário impulsionado pela economia geral. Os modelos são bons em cronometrar o mercado geral, sentindo quando a maré das taxas de juros e do emprego está prestes a mudar, mas não são bons em escolher vencedores e perdedores individuais entre as diferentes empresas.

O pesquisador também descobriu que a utilidade destas ferramentas depende fortemente do tipo de propriedade sendo analisada. Os modelos de aprendizado de máquina funcionaram melhor para REITs de cuidados de saúde (health-care), onde as previsões não foram apenas precisas, mas também estatisticamente significativas mesmo após testes rigorosos. Propriedades de varejo também mostraram promessa, enquanto empresas imobiliárias residenciais e diversificadas foram melhor previstas pelos métodos tradicionais mais simples. Esta descoberta destaca que a economia afeta diferentes tipos de edifícios de maneiras distintas, e um modelo de computador de tamanho único não pode capturar todas as nuances. Além disso, o estudo mostrou que os modelos de computador não estavam apenas memorizando o passado; eles estavam aprendendo a pesar diferentes fatores econômicos, como a forma como as mudanças no desemprego ou nas taxas de juros interagem entre si, para formar um quadro mais completo do futuro.

Em última análise, esta pesquisa oferece uma perspectiva clara e fundamentada sobre o papel da inteligência artificial nas finanças. Ela demonstra que, embora o aprendizado de máquina possa descobrir padrões valiosos na forma como a economia influencia o setor imobiliário, ele não é uma bola de cristal. A tecnologia brilha ao observar tendências de médio prazo e setores específicos, mas não substitui a necessidade de escrutínio estatístico cuidadoso e da compreensão de que a economia é um cenário em constante mudança. O estudo conclui que o valor destas ferramentas avançadas é real, mas condicional; elas são instrumentos poderosos para compreender a direção geral do mercado, desde que sejam usadas com as expectativas corretas e aplicadas aos tipos certos de ativos.

Resumo Técnico: Previsibilidade Macroeconômica e Aprendizado de Máquina nos Retornos de REITs

Definição do Problema
Os Real Estate Investment Trusts (REITs) negociados publicamente ocupam uma posição híbrida nos mercados financeiros, expostos tanto a riscos de ações quanto aos fundamentos do mercado imobiliário impulsionados por condições macroeconômicas (taxas de juros, inflação, mercado de trabalho e atividade real). Embora regressões lineares preditivas tenham tradicionalmente modelado essas relações, elas impõem formas funcionais fixas que podem falhar em capturar não linearidades dependentes de estado. Por exemplo, o impacto das taxas de juros nos retornos dos REITs pode diferir dependendo se estes são acompanhados por uma forte atividade real ou por uma inflação persistente. Embora a literatura recente sugira que o aprendizado de máquina (machine learning - ML) possa extrair sinais preditivos não lineares, permanece incerto se esses ganhos são estatisticamente robustos sob uma avaliação rigorosa fora da amostra (out-of-sample), se eles se generalizam através de horizontes de previsão e setores imobiliários, e se representam sinais de timing agregados ou seleção de títulos (security selection) transversal. Este estudo aborda essas lacunas avaliando se modelos de ML não lineares melhoram as previsões de retornos de REITs além dos benchmarks lineares e das médias históricas, especificamente sob restrições cronológicas rigorosas.

Metodologia
O estudo utiliza um conjunto de dados de 47.075 observações de empresa-mês, abrangendo 383 títulos de REITs dos EUA de janeiro de 2000 a dezembro de 2023. O conjunto de preditores é deliberadamente parcimonioso, composto por variáveis macroeconômicas (taxa de fundos federais, taxa real de 10 anos, mediana do CPI, PIB per capita real, desemprego), variáveis de mercado (retornos ponderados pelo valor do CRSP), variações em variáveis macro, três defasagens (lags) de retornos de REITs e tamanho da empresa.

O design de previsão emprega uma divisão estritamente cronológica para evitar o viés de antecipação (look-ahead bias):

Amostra de Estimação: 2000–2015.
Amostra de Validação: 2016–2019 (usada exclusivamente para ajuste de hiperparâmetros).
Amostra de Teste: 2020–2023 (avaliada uma única vez com hiperparâmetros congelados).

O estudo compara três modelos de ML baseados em árvores — Gradient Boosting, Random Forest e XGBoost — contra dois benchmarks: uma regressão de Mínimos Quadrados Ordinários (OLS) agrupada e uma previsão de média histórica. O desempenho é avaliado usando $R^2$ fora da amostra ( $R^2_{OOS}$ ), RMSE e MAE em horizontes diretos (1–3 meses) e cumulativos (3–6 meses).

Crucialmente, o estudo emprega inferência formal de comparação de previsões. Utiliza estatísticas de Diebold–Mariano (DM) com ajustes HAC para janelas sobrepostas e a correção de pequena amostra de Harvey–Leybourne–Newbold. Para lidar com testes múltiplos, o procedimento de Holm é aplicado à família de comparações de previsões. O estudo também utiliza valores SHAP (SHapley Additive exPlanations) para decompor a importância das variáveis e analisa a distinção entre previsibilidade de série temporal (agregada) e previsibilidade transversal (seleção de títulos).

Principais Resultados

Dependência do Horizonte: A previsibilidade é fortemente dependente do horizonte. Em horizontes diretos curtos (1–3 meses), todos os modelos, incluindo ML, produzem $R^2_{OOS}$ negativos em relação à média histórica. No entanto, em retornos cumulativos de médio prazo, os modelos de ML geram ganhos economicamente significativos. No horizonte de seis meses, o Gradient Boosting e o XGBoost alcançam valores de $R^2_{OOS}$ de aproximadamente 9,3%, enquanto o OLS agrupado permanece ligeiramente negativo (−0,6%).
Significância Estatística: Apesar da magnitude econômica dos ganhos, testes formais de comparação de previsões não estabelecem superioridade estatisticamente significativa dos modelos de ML sobre os benchmarks lineares ou de média histórica após o ajuste de múltiplos testes. O menor p-valor não ajustado para o XGBoost contra a média histórica é 0,063, que se torna 0,756 após o ajuste de Holm. Isso sugere que, embora o ML reduza a magnitude do erro de previsão, a evidência não é suficiente para alegar dominância estatística na amostra agregada.
Natureza da Previsibilidade: A análise SHAP indica que a importância preditiva é impulsionada principalmente pela atividade real, condições do mercado de trabalho, taxas de política monetária e taxas de juros reais de longo prazo, em vez de mera persistência de retornos ou tamanho da empresa. O sinal de previsão está concentrado no componente comum de série temporal dos retornos dos REITs. A correlação entre a média transversal dos retornos realizados de seis meses e a previsão do XGBoost é 0,530, mas a correlação média de Spearman transversal entre os retornos individuais dos REITs previstos e realizados é próxima de zero. Assim, os modelos capturam informações de timing agregadas, em vez de capacidade de seleção de títulos transversais.
Heterogeneidade de Setor: Os ganhos preditivos variam significativamente entre os setores imobiliários. Os REITs do setor de saúde exibem a evidência mais forte de previsibilidade não linear, com o XGBoost alcançando um $R^2_{OOS}$ de 11,5% que permanece estatisticamente significativo em relação à média histórica após o ajuste por setor. Os REITs do varejo mostram estimativas pontuais positivas, mas não rejeitam a igual precisão preditiva em testes formais de perda. Por outro lado, os REITs diversificados e residenciais favorecem o benchmark linear OLS.
Robustez: Um exercício de pseudo-fora da amostra pré-2020 (retenção 2014–2016) mostra que, embora os modelos de ML superem consistentemente o OLS agrupado em termos de erro relativo, eles não reproduzem $R^2_{OOS}$ positivos em relação à média histórica, indicando que a vantagem absoluta é dependente de regime.

Significância e Alegações
O artigo contribui para a literatura ao deslocar o foco de se modelos não lineares podem gerar ajuste fora da amostra positivo para se esses ganhos sobrevivem ao escrutínio estatístico rigoroso. O autor alega que a utilidade do aprendizado de máquina para a previsão de retornos de REITs é condicional em vez de universal.

Distinção entre Métricas e Inferência: O estudo destaca que melhorias substanciais em métricas de desempenho convencionais ( $R^2$ , RMSE) não implicam necessariamente dominância preditiva estatisticamente estabelecida uma vez aplicados os ajustes de múltiplos testes e as correções de pequena amostra.
Identificação de Componentes: A evidência sugere que os modelos de ML, neste contexto, preveem um componente de retorno comum suave e sensível ao macroambiente, em vez de permitir a seleção transversal de títulos.
Condições de Contorno: Os ganhos preditivos mostram-se contingentes ao horizonte de previsão (emergindo em horizontes cumulativos médios), ao regime econômico (mais fortes no período 2020–2023) e ao setor imobiliário (mais fortes em saúde).

O autor conclui que, embora o aprendizado de máquina possa revelar uma estrutura preditiva útil em imóveis listados, a força desta conclusão depende criticamente do horizonte específico, do benchmark, do componente de retorno, do regime econômico e dos critérios de inferência utilizados. Os achados não sustentam uma alegação de superioridade universal do aprendizado de máquina, mas sim uma visão matizada onde métodos não lineares oferecem valor seletivo e dependente de regime.

Mais como este