Paper interessante sobre day trading no mercado de futuros do Brasil. Os autores analizaram dados da CVM contendo todos os indivíduos que começaram a fazer day trade de contratos futuros de mini-Ibovespa entre 2013 e 2015. As conclusões falam por si mesmas:
Um novo artigo, disponível aqui, discute a aplicação de técnicas de machine learning para fazer previsões de ações e formar carteiras no mercado brasileiro. Isto é combinado a um algoritmo para balancear as contribuições de risco (estilo risk parity).
Quando surgiram os chamados robo-advisors nos EUA, muitos viram as novas plataformas de investimento online como potenciais competidores dos gestores estabelecidos, como Vanguard e Schwab. Com interfaces descomplicadas e taxas mais baixas, os robôs estariam chegando para quebrar (disrupt) a indústria de gestão de recursos. As maiores e mais conhecidas são Personal Capital, WealthFront, e Betterment.
No entanto, gestores como Vanguard e Schwab possuem enormes vantagens competitivas, devido ao seu tamanho e posição no mercado. A Vanguard, por exemplo, tem $5.1 trilhões sob gestão, enquanto a Schwab tem mais de $3 trilhões. As casas rapidamente passaram a oferecer suas próprias soluções (algumas similares aos robo-advisors, outras, produtos híbridos com soluções mais tradicionais).
Resultado: Vanguard e Schwab rapidamente ultrapassaram os novos competidores na categoria. De um relatório recente da MorningStar:
Machine Learning é um termo que se refere à um conjunto de técnicas computacionais e estatísticas para fazer uma máquina “aprender” utilizando dados. Um exemplo é o chamado “aprendizado supervisionado”, no qual temos uma variável resposta conhecida, um conjunto de variáveis explanatórias, e queremos construir um modelo para explicar esta variável resposta ou fazer previsões sobre o seu valor para novas observações.
Uma aplicação no mercado financeiro é a previsão de retornos de ações. A variável resposta neste caso é o retorno de um grupo de ações em algum intervalo de tempo, e as variáveis explanatórias (ou features no jargão de machine learning) podem incluir:
Com este conjunto de dados, podemos construir um modelo de previsão. O modelo mais simples e fácil de estimar é o modelo de regressão. Modelos mais sofisticados podem incluir árvores de regressão, técnicas de re-amostragem (bagging, boosting), redes neuronais e muitos outros.
Não pretendo fazer aqui uma exposição do assunto no momento; o objetivo deste post é compartilhar alguns recursos de alta qualidade – e gratuitos – sobre o assunto, para quem tem interesse.
Os links abaixo contém três livros excelentes sobre o tema.
A primeira referência é talvez a mais útil para quem não conhece muito sobre o tema. É uma exposição acessível, não muito técnica, e com diversos exemplos utilizando o software R. O segundo livro é a versão “pós-graduação”, com muito mais rigor técnico.
Este artigo é um ótimo exemplo de aplicação de machine learning na previsão de retornos, e mostra como técnicas não-lineares (em particular, métodos de re-amostragem e redes neuronais) trazem benefícios em comparação aos métodos lineares tradicionais.
Ação do VIX de hoje em perspectiva: maior aumento de 1 dia (17.31 para 37.32), percentil 94% de nível (considerando histórico desde fevereiro de 2007):
Escrevi um tempo atrás sobre Ed Thorp, um dos precursores do investimento quantitativo. A AQR, um dos gestores quant mais conhecidos nos EUA, publicou recentemente uma entrevista bem interessante com Ed Thorp, na qual eles falam, entre outras coisas, sobre como Thorp havia desenvolvido uma fórmula para apreçamento de opções de maneira totalmente independente – e alguns anos antes – da famosa fórmula que acabou sendo publicada por Black e Scholes em 1972-73.
Vale a pena a leitura.
Nouriel Roubini diz que Bitcoin é muito pior do que a bolha das tulipas, a “mãe de todas bolhas”.
Pelas minhas contas, considerando a máxima no intraday no dia 17 de dezembro ($19,530) com o preço neste momento ($7,983), a desvalorização já alcançou quase 60%.
Um tema recorrente no blog é a Hipótese do Mercado Eficiente. Em um post anterior, comentei sobre um artigo, que foi publicado em um dos mais conceituados jornais acadêmicos de finanças, que demonstra que os retornos das chamadas “anomalias” no mercado financeiro – sinais preditores de retornos futuros como momentum, value vs growth – tendem a diminuir após tornarem-se conhecidos.
O número de anomalias, ou fontes de previsibilidade de retorno, multiplicou-se enormemente nos últimos anos, o que levanta algumas questões: quais destes previsores de retorno são legítimos, e quais são o resultado de data mining, ou seja, resultados espúrios obtidos devido ao grande número de estudos feitos sobre a mesma base de dados? Dentre os sinais que aparentam ser legítimos, quais representam recompensa por risco, e quais são o resultado de ineficiências ou fricções no mercado? Estas são questões centrais no apreçamento de ativos.
Um artigo recente no Review Of Financial Studies (um dos jornais mais conceituados de Finanças, junto com o JF) estuda simultaneamente 94 sinais previsores de retorno, incluindo vários tipos de variáveis baseadas em retornos passados, liquidez, informações de balanço das empresas, e conclui que apenas alguns são razoavelmente confiáveis como previsores de retornos. Além disso, os autores mostram que a previsibilidade destes fatores basicamente deixou de existir após 2003, um sinal forte de que o aumento da atividade de arbitragem torna os mercados mais eficientes.
O gráfico abaixo, do artigo, mostra o retorno acumulado de uma estratégia que utiliza os preditores de retorno para formar uma carteira hedgeada com as melhores/piores ações. Após 2003, os retornos da estratégia basicamente ficam estagnados, a não ser entre ações muito pequenas – as chamadas microcaps, onde as fricções de mercado e custo operacional tornam difícil explorar a previsibilidade.
Artigo interessante na Bloomberg sobre o uso de inteligência artificial no Man Group, que tem mais de $96 bi sob gestão.
(HT Dr. Palaro)
Matéria interessante na Bloomberg sobre o impacto da skewness (medida estatística de assimetria) na gestão ativa.
Muito já foi escrito sobre o fato de que a maioria dos gestores ativos (ou seja, que tentam gerar retornos superiores através da seleção de ações) não conseguem superar os seus benchmarks. Em geral, é ressaltado o fato de que os custos maiores dos fundos ativos em relação aos passivos (que simplesmente replicam o benchmark) tornam mais difícil a um gestor ativo superar o benchmark após custos. De fato, a observação de Sharpe demonstra matematicamente que, na média, o retorno médio da gestão ativa, após custos, é inferior ao da gestão passiva.
O artigo mencionado na matéria da Bloomberg mostra que a skewness, ou assimetria, nos retornos dos ativos, torna a tarefa do gestor ativo mais difícil ainda. Devido ao fato de que o mercado acaba sendo dominado por alguns ativos com retornos muito altos (skewness positiva), se um gestor ativo desvia muito do mercado e não inclui estes ativos, a probabilidade de ele performar abaixo do benchmark é alta. Os autores mostram este efeito através de uma simulação simples. O artigo é curto e vale a pena ler.
Obviamente, isto não significa que não existam gestores ativos que conseguem consistentemente bater seus benchmarks, porém, o estudo mostra que a gestão ativa é ainda mais difícil do que se pensava, pois além dos custos mais altos, a assimetria cria um obstáculo natural.
Blog do Dr. Nickel 