Tradicionalmente, as estratégias quantitativas se concentram na previsão de preços, com base em séries temporais de preços dinâmica ou com base em dados de seção transversal (por exemplo, fatores de investimento). Previsão fazia sentido no passado, quando os conjuntos de dados eram limitados, cobrindo principalmente séries de preços, e as divulgações eram pouco frequentes, geralmente demonstrações contábeis trimestrais. Hoje, temos acesso a uma ampla variedade de fontes de dados em tempo real que nos permitem “prever em tempo real”(nowcast) o valor de informações financeiras relevantes.
A diferença crítica entre a previsão tradicional e “previsão em tempo real”(nowcast) é que as previsões usam dados estruturados para faça previsões de longo alcance, enquanto as previsões instantâneas dependem de observações não estruturadas para fazer previsões de curta distância. Por exemplo, é possível prever a inflação com base em milhões de internautas preços on-line todos os dias, que são muito mais precisos do que as previsões econométricas. Da mesma forma, imagens de satélite de ocupação de estacionamento fornecem informações valiosas para varejistas.
A questão é que, dias antes do início do crash do COVID-19, havia muitos sinais de que o vírus estava atrapalhando cadeias de suprimentos críticas na China. Para alguns traders pode ter sido um Cisne Negro , mas para quem usa nowcasting foi um resultado previsível. Esqueçam bolas de cristal usem nowcasting.
2ª Desenvolva Teorias e deixe de lado regras de negociação:
No mundo cientifíco os testes desempenham um papel crucial para refutar hipóteses. No entanto, em finanças, os pesquisadores usam backtest para o objetivo oposto: encontrar uma estratégia de investimento. Veja o seguinte exemplo:
1. Um pesquisador faz um backtest de milhares de regras de negociação (por exemplo, o zoológico de fatores)
2. A regra de melhor desempenho é proposta como uma hipótese (por exemplo, comprar ações com baixo Preço/Lucro ).
3. O pesquisador publica sua hipótese e apresenta como evidência o mesmo backtest que
usou para encontrar a hipótese.
É comum que acadêmicos e profissionais realizem dezenas de milhares de backtests para
identificar uma estratégia de investimento promissora. O backtest com melhor desempenho é então relatado como sendo único e selecionado para publicação ou para o lançamento de um novo fundo. Como consequência deste viés de seleção, a maioria das descobertas publicadas em finanças é falsa, mesmo que não possamos saber exatamente qual delas. Esse fato explica facilmente por que muitos fundos não tiveram o desempenho esperado, incluindo, entre outros, muitos fundos quantitativos durante a crise do Covid-19.
É trivial produzir um backtest com uma alta taxa de Sharpe, testando milhares de especificações de modelos alternativos. Praticamente nenhum trabalho acadêmico relata o número de ensaios envolvidos em uma descoberta.
Antes de fazer o backtest é necessário uma teoria que exponha com precisão o mecanismo de causa e efeito, como na Teoria de Microestrutura de Mercado. O Backtest é útil apenas para avaliar o valor econômico de uma regra de negociação, assumindo que a teoria subjacente está correta, mas ele não pode provar uma teoria.
3º Evite estratégias para todas condições de mercado:
Acadêmicos e profissionais geralmente buscam estratégias de investimento com bom desempenho
em regimes de mercado diferentes. Essa pesquisa implica a suposição de que
existem tais estratégias. Mas por que seria esse o caso? Por que essa fonte de alfa existiria
continuamente, independentemente do mercado e das condições econômicas?
Dado que os mercados são adaptáveis e os investidores aprendem com os erros, a probabilidade de que exista uma estratégia para todos os regimes é bastante escassa ( apesar de ser um argumento frequentemente usado por gerentes de portfólio). E mesmo que existissem algoritmos para todas as condições de mercado, é provável que seja um subconjunto insignificante da população de algoritmos que funciona em um ou mais regimes.
Os gestores de ativos devem focar suas esforços na busca de investimentos estratégias que tenham um desempenho ótimo sob regimes de mercado específicos. Cada regime é caracterizado por um particular processo de geração de dados (PGD). É possível prever em tempo real ("nowcast") a probabilidade de que as atuais observações estão sendo extraídas de cada PGD , e usar essas probabilidades para criar um conjunto carteira de estratégias ótimas. Como essas probabilidades mudam de um PGD para o outro ao longo tempo, o portfólio é ajustado dinamicamente e se adapta as condições de mercado prevalentes.
Fonte: López de Prado, Marcos and Lipton, Alex, Three Quant Lessons from COVID-19 (Presentation Slides) (March 27, 2020). Available at SSRN: https://ssrn.com/abstract=3562025 or http://dx.doi.org/10.2139/ssrn.3562025
Nenhum comentário:
Postar um comentário