Structural Break Detection and Regime-Dependent Financial Time-Series Forecasting Using Change-Point Models and Markov Switching: Evidence from Asia-Pacific Equity Markets

Os mercados financeiros não são máquinas que funcionam com base em um conjunto único e imutável de regras. Em vez disso, são sistemas vivos que oscilam entre diferentes estados de espírito. Às vezes são calmos e previsíveis; outras vezes, são caóticos e propensos a oscilações súbitas e violentas. Durante décadas, economistas tentaram construir modelos que pudessem prever esses movimentos, esperando enxergar o futuro com clareza. Mas esses modelos enfrentam um problema fundamental: eles frequentemente assumem que o passado é um guia perfeito para o futuro. Quando um mercado muda subitamente sua natureza — talvez devido a uma nova lei, uma crise global ou uma mudança na psicologia dos investidores — um modelo que se apega a dados antigos pode tornar-se perigosamente lento para se adaptar. É como tentar navegar em uma tempestade usando um mapa desenhado para mares calmos.

Para resolver isso, pesquisadores desenvolveram duas formas principais de pensar sobre as mudanças de mercado. Uma abordagem busca por "mudanças de regime", onde o mercado alterna entre estados recorrentes, como um interruptor alternando entre o modo calmo e o turbulento. A outra busca por "rupturas estruturais", que são mudanças permanentes nas regras subjacentes do jogo, onde o mapa antigo já não é mais válido. Uma ideia mais nova e sofisticada combina estas: usar sinais em tempo real para detectar quando as regras mudaram e, então, ajustar instantaneamente a memória do modelo para focar apenas no histórico mais recente e relevante. Este artigo faz uma pergunta simples, mas difícil: será que essa abordagem inteligente e adaptativa funciona melhor do que os métodos estabelecidos ao prever preços de ações e riscos nos diversos mercados da região Ásia-Pacífico?

Uma equipe de pesquisadores partiu para testar essa ideia usando dados de cinco grandes mercados de ações: Índia, Japão, Hong Qualidade (Hong Kong), Coreia do Sul e Austrália. Eles reuniram quase duas décadas de dados diários de preços, cobrindo desde a crise financeira global até a pandemia e além. O objetivo era ver se um modelo que pudesse "ouvir" um sinal de mudança e imediatamente esquecer seu histórico anterior superaria um modelo que mantivesse todo o seu histórico, inclusive as partes obsoletas. Eles construíram um sistema que combinava um modelo de mercado padrão com um detector em tempo real. Este detector, conhecido como detecção de mudança online Bayesiana, atua como um despertador sensível. Ele observa a volatilidade do mercado e, se sentir uma mudança súbita no padrão, toca um alarme. Quando o alarme soa, o modelo é programado para reduzir sua memória, descartando dados mais antigos que podem não ser mais relevantes, e se retreinar com as informações novas.

Os pesquisadores testaram este modelo "consciente de rupturas" contra uma versão padrão que nunca reduz sua memória, bem como contra diversas outras ferramentas de previsão comuns. Eles realizaram um experimento rigoroso de um passo à frente ao longo de 1.000 dias para cada mercado, garantindo que o modelo pudesse usar apenas as informações disponíveis até aquele dia específico, tal como um investidor real faria. Eles também realizaram simulações de computador onde sabiam as respostas exatas antecipadamente, para verificar se seus métodos eram capazes de identificar corretamente as mudanças quando elas ocorriam. As simulações mostraram que suas ferramentas eram capazes de encontrar os padrões corretos; o teste no mundo real, no entanto, contou uma história mais complicada.

Os resultados revelaram que não existe uma única "melhor" maneira de prever o futuro desses mercados. A evidência de rupturas estruturais variou drasticamente de país para país. Na Coreia do Sul, os dados sugeriram três mudanças distintas e permanentes na forma como o mercado se comportava. No Japão, os dados não mostraram tais rupturas permanentes, mesmo que o mercado tenha experimentado turbulência significativa. Esta descoberta, por si só, foi crucial: provou que os mercados nesta região não compartilham um único ritmo comum. O que funciona para um país não pode ser aplicado cegamente a outro.

Quando se tratou de prever o preço real das ações no dia seguinte, o modelo inteligente e adaptativo não venceu. De fato, para a maioria dos mercados, os modelos simples que apenas olhavam para o desempenho médio passado ou para as tendências mais recentes tiveram um desempenho tão bom, ou até melhor. O modelo complexo que tentava constantemente resetar sua memória não produziu previsões de preços mais precisas. Em alguns casos, como no mercado japonês, o modelo adaptativo teve, na verdade, um desempenho pior do que as alternativas mais simples. Os pesquisadores descobriram que a complexidade adicional de esquecer e reaprender constantemente não ajudou a prever o retorno do dia seguinte.

A história mudou ligeiramente quando os pesquisadores observaram a volatilidade, ou o quanto os preços oscilam. Aqui, os modelos tradicionais que mantinham seu histórico completo de dados geralmente superaram o modelo adaptativo. O modelo que tendia a reduzir sua memória frequentemente cometia erros maiores ao prever o quão selvagem o mercado seria. Parece que, mesmo quando o mercado muda, manter um histórico longo de dados ajuda o modelo a entender melhor os padrões subjacentes de risco do que começar do zero com uma folha em branco. O modelo "sem reset" (no-reset), que nunca esquecia seu passado, permaneceu altamente competitivo e, em vários mercados, foi significativamente superior na previsão da volatilidade média.

No entanto, o modelo adaptativo encontrou seu nicho mais forte na previsão do risco de queda, especificamente o Valor em Risco (Value-at-Risk). Este é um indicador usado por bancos e investidores para estimar a perda máxima que podem enfrentar em um dia ruim. No mercado indiano e no mercado australiano, o modelo consciente de rupturas forneceu uma calibração muito melhor desse risco. Ele previu corretamente a frequência de perdas extremas de forma mais precisa do que os outros modelos. Para o mercado indiano, ele previu o número de dias ruins quase perfeitamente. No mercado australiano, também teve um desempenho muito bom. Mas esse sucesso não foi universal. Em Hong Kong, o modelo adaptativo foi excessivamente conservador, prevendo muito menos dias ruins do que realmente ocorreram, enquanto na Coreia do Sul, todos os modelos tiveram dificuldade em capturar a cauda extrema da distribuição de risco.

Os pesquisadores também observaram o quão severas foram as perdas nos dias em que o limite de risco foi ultrapassado. Aqui, o modelo adaptativo não mostrou uma vantagem clara. Em muitos casos, os modelos tradicionais previram o tamanho das perdas tão bem quanto, ou melhor que, o adaptativo. Em muitos casos, os modelos tradicionais previram o tamanho das perdas tão bem quanto, ou melhor, o adaptativo. Em muitos casos, os modelos tradicionais previram o tamanho das perdas tão bem quanto, ou melhor, o adaptativo. O estudo concluiu que o valor de saber sobre uma ruptura estrutural depende inteiramente do que você está tentando prever e de qual mercado você está observando. Não é uma solução mágica que melhora todas as previsões.

Em última análise, o artigo sugere que a ideia de resetar constantemente a memória de um modelo com base em alarmes em tempo real é uma ferramenta útil, mas apenas para tarefas específicas. Não é uma atualização universal para a previsão financeira. A melhor abordagem depende do mercado: para alguns, manter um histórico longo é vital; para outros, uma visão mais curta e focada ajuda. O estudo serve como um lembrete de que os mercados financeiros são diversos e complexos demais para uma fórmula única e perfeita. A estratégia mais eficaz é compreender a natureza específica do mercado em questão e escolher a ferramenta que se ajuste a esse ambiente específico, em vez de assumir que um sistema mais complexo e adaptativo é sempre a resposta.