📈 economia

The Illusion of Accuracy: Machine-Learning and GARCH Forecasts of UK Equity Index Prices

Este estudo constata que, embora modelos avançados de machine learning e GARCH prevejam com precisão os preços dos índices acionários do Reino Unido, eles falham em superar benchmarks simples na previsão de retornos, sugerindo que seu verdadeiro valor reside na mensuração de risco em vez da previsão de retornos.

Autores originais: Uzair Bhatti, Sadaat Umer, Awais Iqbal

Publicado 2026-10-26

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Uzair Bhatti, Sadaat Umer, Awais Iqbal

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 das finanças, existe uma esperança persistente de que um algoritmo inteligente possa olhar para o passado e enxergar o futuro. Essa esperança baseia-se na ideia de que os preços das ações, embora aparentemente caóticos, podem esconder padrões que um computador possa aprender a explorar. O conceito central aqui é o "passeio aleatório" (random walk), um benchmark simples que sugere que a melhor estimativa para o preço de amanhã é simplesmente o preço de hoje, porque toda a informação conhecida já está incorporada no número atual. Se um modelo computacional sofisticado não consegue prever consistentemente as mudanças de preço melhor do que essa estimativa simples, então o mercado está se comportando de forma eficiente, e a promessa de lucros fáceis através da previsão é uma ilusão. Esta questão importa profundamente para qualquer pessoa com economias ou uma pensão, pois se a inteligência artificial puder verdadeiramente prever o mercado, ela poderá remodelar a forma como a riqueza é gerida; se não puder, confiar nessas ferramentas pode levar os investidores ao erro.

Um estudo recente propôs-se a testar diretamente essa promessa, focando-se nos dois principais índices do mercado de ações do Reino Unido. Os investigadores recolheram dados semanais de janeiro de 2015 até outubro de 2026, um período que incluiu turbulências económicas significativas, tais como choques nas taxas de juro e quedas causadas por tarifas. Eles colocaram oito métodos de previsão diferentes uns contra os outros. De um lado estavam os benchmarks simples: um modelo que apenas repete o preço da semana anterior, e outro que utiliza a média dos retornos de todas as semanas passadas. Do outro lado estavam os pesos pesados das finanças modernas: modelos estatísticos tradicionais concebidos para acompanhar a volatilidade, e três tipos distintos de inteligência artificial, incluindo uma floresta aleatória (random forest), que constrói muitas árvores de decisão para encontrar padrões, e uma rede neuronal, que imita a forma como um cérebro processa informação. O objetivo não era apenas ver qual modelo parecia melhor num gráfico, mas determinar se algum deles conseguia realmente prever a direção do mercado melhor do que o acaso, e se essas previsões poderiam transformar-se em dinheiro real após o pagamento das taxas de negociação.

Os resultados revelaram um desfasamento impressionante entre o quão precisos os modelos pareciam ser e o quão úteis eles eram de facto. Quando os investigadores compararam os níveis de preço previstos com os preços reais, todos os modelos pareceram altamente precisos. O erro médio foi minúsculo, variando entre 1,3 e 1,6 por cento. Num gráfico, as linhas previstas situavam-se quase perfeitamente sobre as linhas reais, criando uma impressão visual de maestria. No entanto, esta precisão era uma ilusão criada pela natureza dos preços das ações, que tendem a permanecer próximos de onde estavam na semana anterior. Como os preços eram tão persistentes, mesmo o modelo mais simples, que apenas assumia que nada mudaria, alcançou quase o mesmo nível de precisão que os sistemas complexos de inteligência artificial. Quando os investigadores removeram o nível de preço e analisaram estritamente as mudanças semanais de valor, o cenário mudou completamente. Nenhum dos oito modelos, incluindo os sistemas avançados de aprendizagem automática, conseguiu superar o simples passeio aleatório de uma forma estatisticamente significativa. De facto, para o índice maior, a floresta aleatória e uma regressão preditiva padrão tiveram um desempenho significativamente pior do que simplesmente assumir que o mercado permaneceria estável.

O estudo também examinou se estes modelos poderiam ajudar um investidor a ganhar mais dinheiro. Os investigadores simularam uma estratégia de negociação onde um investidor compraria o índice se o modelo previsse uma subida e manteria dinheiro em caixa se previsse uma descida, contabilizando o custo de cada transação. No mercado ascendente do índice maior, a estratégia de "comprar e manter" (buy and hold), que envolve não fazer nada e simplesmente manter o investimento, superou todas as estratégias baseadas em previsões após a dedução dos custos. O modelo de aprendizagem automática mais sofisticado perdeu dinheiro em comparação com o simples ato de manter a ação. Para o índice menor, alguns modelos foram ligeiramente melhores do que comprar e manter, mas isto se deu largamente porque conseguiram manter-se fora do mercado durante uma queda acentuada, uma forma de redução de risco e não um sinal de habilidade preditiva. Os investigadores concluíram que o sucesso aparente destes modelos na previsão dos níveis de preços era enganador; eles não estavam a prever o futuro, estavam apenas a rastrear o passado.

Embora os modelos tenham falhado em prever para onde o mercado iria, eles tiveram sucesso notável em prever o quanto ele poderia oscilar. O estudo descobriu que um tipo específico de modelo estatístico, conhecido como modelo GARCH assimétrico, era muito superior a prever a volatilidade, que é o tamanho das oscilações de preço, em vez da direção. Este modelo antecipou corretamente que as más notícias causariam choques maiores no mercado do que as boas notícias, um fenómeno conhecido como efeito de alavancagem. Ele forneceu as estimativas de risco mais precisas e produziu números de "Valor em Risco" (Value-at-Risk) fiáveis, que dizem aos investidores quanto poderiam potencialmente perder numa semana má. Esta distinção é crucial: as ferramentas eram excelentes a medir o perigo do mercado, mas inúteis a prever o seu destino.

Os autores argumentam que esta descoberta expõe uma armadilha comum nos relatórios financeiros. Muitos estudos e ferramentas comerciais apresentam gráficos onde os preços previstos coincidem de perto com os preços reais como prova do seu poder. Este artigo demonstra que tais gráficos são enganosos porque não levam em conta o facto de os preços naturalmente se manterem próximos uns dos outros. O teste real de uma ferramenta de previsão é se ela consegue prever a mudança de preço melhor do que um palpite simples e, neste teste rigoroso, os modelos de inteligência artificial falharam. O valor destas ferramentas quantitativas não reside em dizer aos investidores quando comprar ou vender para vencer o mercado, mas sim em ajudá-los a compreender e gerir o risco dos seus investimentos. Para o investidor curioso, a lição é clara: a capacidade de desenhar uma linha que segue o mercado não é a mesma que a capacidade de ver para onde o mercado está a ir a seguir.

Resumo Técnico: A Ilusão de Precisão em Previsões de Preços de Índices de Ações do Reino Unido via Machine Learning e GARCH

Definição do Problema
O artigo aborda uma lacuna crítica na literatura de previsão financeira: a falta de comparações rigorosas fora da amostra (out-of-sample) entre modelos modernos de aprendizado de máquina (ML) e benchmarks econométricos tradicionais no mercado de ações do Reino Unido. Embora a IA seja cada vez mais comercializada como uma ferramenta superior para prever preços de ações, grande parte da evidência de apoio baseia-se em comparações visuais de níveis de preços previstos versus reais ou baixos erros percentuais. Os autores argumentam que, como os preços das ações são altamente persistentes, uma previsão simples (como repetir o preço da semana anterior) parecerá naturalmente precisa em um gráfico de preços, mascarando a falta de habilidade preditiva real. O estudo busca determinar se os modelos de IA podem genuinamente superar benchmarks simples (o passeio aleatório e a média histórica) e modelos econométricos (ARIMA, GARCH) na previsão de preços, retornos e volatilidade de índices do Reino Unido, e se quaisquer ganhos estatísticos desse tipo se traduzem em valor econômico após os custos de transação.

Metodologia
O estudo emprega um design rigoroso de janela expansiva fora da amostra utilizando dados semanais para os índices FTSE 100 e FTSE 250 de janeiro de 2015 a outubro de 2026. A amostra é dividida em um período de treinamento (2015–2021) e um período de teste (2022–2026), cobrindo eventos de mercado significativos, incluindo o choque de taxas de juros de 2022 e o sell-off de tarifas de 2025.

Oito modelos distintos são avaliados:

Benchmarks: Passeio Aleatório (RW - Random Walk) e Média Histórica (HM).
Modelos Econométricos: ARIMA, AR–GARCH e AR–GJR-GARCH (incorporando efeitos de alavancagem assimétricos e erros Student-t).
Modelos de Aprendizado de Máquina/Aprendizado Estatístico: Regressão Preditiva (OLS), Floresta Aleatória (RF) e uma Rede Neural Feed-forward (MLP).

Todos os modelos de aprendizado utilizam 12 preditores, incluindo retornos defasados, medidas de volatilidade, momentum e volume. As previsões são geradas semanalmente, reestimando os parâmetros para evitar o viés de antecipação (look-ahead bias). A avaliação é multifacetada:

Precisão de Preço: Erro Quadrático Médio (RMSE), Erro Absoluto Médio (MAE) e Erro Percentual Absoluto Médio (MAPE).
Previsibilidade de Retorno: $R^2$ fora da amostra, testes de Diebold-Mariano (DM), testes de Clark-West (para modelos aninhados) e testes de direção de Pesaran-Timmermann.
Análise de Viés: Regressões de Mincer-Zarnowitz testando a ausência de viés ( $\alpha=0, \beta=1$ ).
Volatilidade e Risco: Comparação contra RiskMetrics (EWMA) e variância móvel de 12 semanas usando funções de perda MSE e QLIKE; retroteste (backtesting) de Valor em Risco (VaR) via testes de Kupiec.
Valor Econômico: Simulação de estratégias de negociação (comprar quando o retorno previsto > 0, caso contrário, manter caixa) com custos de transação de 0,10%, comparado ao benchmark de buy-and-hold utilizando razões de Sharpe e drawdown máximo.

Principais Resultados
O estudo produz três descobertas primárias que desafiam a narrativa predominante de superioridade da IA na previsão de preços:

A "Ilusão de Precisão" nos Níveis de Preço: Todos os modelos, incluindo arquiteturas complexas de ML, produziram previsões de preços com Erros Percentuais Absolutos Médios (MAPE) de 1,3–1,6%. No entanto, essa precisão é impulsionada quase inteiramente pela persistência dos preços. O benchmark de Passeio Aleatório (RW) teve um desempenho tão bom quanto ou melhor que todos os modelos complexos. Notavelmente, os modelos de Floresta Aleatória e Regressão Preditiva foram significativamente menos precisos que o Passeio Aleatório para o FTSE 100. Nenhum modelo superou significativamente o Passeio Aleatório em termos de previsibilidade de retorno ou direção (hit rate), e as regressões de Mincer-Zarnowitz confirmaram que os retornos previstos explicam quase nada da variação nos retornos reais ( $R^2 < 1,22\%$ ).
Superioridade do GARCH na Previsão de Volatilidade: Em forte contraste com a previsão de retornos, o modelo assimétrico GJR-GARCH superou significativamente os benchmarks históricos na previsão de volatilidade. Ele forneceu as previsões de volatilidade mais precisas para ambos os índices e produziu estimativas de Valor em Rso (VaR) corretamente calibradas para níveis de confiança de 95% e 99%. Isso confirma que, embora a direção dos preços seja imprevisível, a magnitude dos movimentos de preços (risco) é previsível, particularmente ao considerar o efeito de alavancagem (assimetria).
Falta de Valor Econômico: Nenhuma estratégia de negociação baseada em previsões superou uma abordagem simples de buy-and-hold para o FTSE 100 após considerar os custos de transação. Para o FTSE 250, algumas estratégias mostraram retornos ligeiramente superiores, mas isso foi atribuído à redução de risco (permanecer fora do mercado durante declínios) e não à habilidade preditiva, uma vez que esses modelos falharam em demonstrar previsibilidade de retorno significativa nos testes estatísticos.

Principais Contribuições
O artigo apresenta três contribuições específicas para a literatura:

Evidência do Mercado do Reino Unido: Fornece evidências recentes e out-of-sample para o mercado do Reino Unido, expandindo uma literatura dominada por dados dos EUA.
Design Comparativo Abrangente: É um dos poucos estudos que compara diretamente modelos de IA e da família GARCH lado a lado através de quatro critérios distintos: precisão de preço, previsibilidade de retorno, previsão de volatilidade e valor econômico dentro de um único design experimental robusto.
Clarificação Metodológica: Demonstra que as comparações visuais de níveis de preços previstos versus reais são insuficientes para avaliar modelos de previsão. O artigo estabelece que a "ilusão de precisão" surge da persistência de preços e argumenta que o passeio aleatório deve ser o benchmark mínimo para qualquer afirmação de habilidade preditiva.

Significância e Alegações
O artigo conclui que o valor dos modelos quantitativos nos mercados de ações do Reino Unido reside em medir o risco, e não em prever retornos. Os autores afirmam que o sucesso aparente dos modelos de IA em gráficos de preços é frequentemente um artefato estatístico da persistência do mercado, e não uma evidência de ineficiência explorável.

O estudo sugere que investidores e reguladores devem ser céticos em relação a ferramentas de IA que apresentam gráficos de níveis de preços como prova de precisão. Em vez disso, o padrão de avaliação deve ser a significância estatística contra um passeio aleatório e a viabilidade econômica após os custos. Os resultados apoiam a visão de que, embora a IA e o ML possam não oferecer atualmente uma "bola de cristal" para a direção do mercado, os modelos da família GARCH continuam sendo ferramentas essenciais para gestão de risco, dimensionamento de posição e definição de níveis de stop-loss. O artigo alega modestamente que seus resultados servem como um teste prático para avaliar futuras reivindicações sobre ferramentas de previsão de IA, particularmente aquelas que utilizam modelos de linguagem de grande escala ou modelos de fundação.

Mais como este