• 97% dos traders perderam dinheiro
• Apenas 0.4% dos traders ganhou mais de $54 por dia
• O melhor trader ganhou $310 por dia com um risco absurdo (desvio padrão de $2,560)

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:

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:

• variáveis observadas no mercado, como retornos passados, volumes etc
• variáveis dos demonstrativos contábeis: composição do balanço, medidas de alavancagem, crescimento de lucro etc
• variáveis macroeconômicas

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.

1. Introduction to Statistical Learning (Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani)
2. The Elements of Statistical Learning (Trevor Hastie, Robert Tibshirani, Jerome Friedman)
3. Computer Age Statistical Inference (Bradley Efron, Trevor Hastie)

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.

Vale a pena a leitura.

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%.

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.

(HT Dr. Palaro)

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.