⛪ 3 Lições Que o Papa dos "Quants" Tirou do Corona-Crash
Mais nowcasting, menos forecasting. Mais teorias, menos regras. Mais "each-weather", menos "all-weather".
Março de 2020 foi o mês mais volátil na história do S&P. Isso mesmo: da história.
Investidores pessoa física sentiram o baque. Grandes gestores sentiram o baque. Microempreendedores sentiram o baque.
Modelos de risco idolatrados na indústria financeira tombaram espetacularmente diante de uma conjuntura inédita.
Na onda da incerteza generalizada, o Bitcoin sofreu um dos piores dias dos seus 11 anos de vida. A ferida foi aprofundada por uma cascata violenta de liquidações na BitMex - maior bolsa de derivativos no mercado de criptomoedas - que levou muita gente para o buraco.
Ainda em março, dois fundos de criptomoedas novos, de porte pequeno-médio, e focados em estratégias quantitativas, fecharam as portas. Adaptive Capital, operado por Willy Woo e outras figuras conhecidas no meio; e CryptoLab Capital, gerido por figuras de popularidade equiparável, mas concentrada na Rússia.
Marcos López de Prado é um dos autores e operadores mais respeitados no universo do aprendizado de máquina aplicado a finanças. Uma curiosidade, inclusive, é o seu apadrinhamento do projeto Numerai, que envolve criptomoedas e um fundo de investimento alimentado por uma rede pseudônima de cientistas.
De Prado compartilhou uma apresentação em que sumarizou 3 lições importantes que esse choque podem deixar para investidores quantitativos.
Uma tradução livre se segue:
1. Mais "Nowcasting", Menos "Forecasting"
Estratégias quantitativas tradicionalmente giram em torno de projeções de preços futuros, com distintos graus de confiança.
Projeções eram questão de vida ou morte quando bases de dados publicamente acessíveis eram limitadas, e disclosures de empresas, menos frequentes.
Em comparação com alguma décadas atrás, hoje temos acesso a muito mais fontes de informação em tempo real.
O nowcasting é diferente do forecasting porque
- Forecasting usa dados estruturados para alimentar modelos que criam previsões de longo-prazo;
- Nowcasting usa dados não-estruturados para criar estimativas de curto-prazo (ou até pescar dados brutos, direto na fonte).
Em 23 de janeiro, o governo chinês impôs um lockdown em Wuhan e algumas cidades vizinhas. A queda repentina na demanda industrial causou um sell-off em várias commodities, mas ações nos EUA continuaram a subir.
Exemplos de dados que podem ser nowcasted:
- Inflação: baseadas em compilações de preços online, podem ser mais precisas que muitas projeções derivadas de modelos econométricos convolutos.
- Faturamento de varejistas: com base em imagens de satélite que medem ocupação em estacionamentos e entradas/saídas.
- Produção industrial: com base em dados esparsos de segmentos específicos, dados de consumo de energia elétrica, etc.
2. Mire Desenvolver Teorias, Não Regras de Trade
É prática comum rodar milhares de backtests de forma a identificar estratégias de investimento promissoras. Não há nada de essencialmente errado nisso.
Costumeiramente, o backtest com melhor performance em dentro de um conjunto de resultados é reportado — e então publicado, ou empregado no lançamento de um fundo novo. Raramente, reporta-se o número de resultados “desperdiçados” até se obter aquele backtest específico.
Ou seja: há um viés de sobrevivência enorme nos resultados de estratégias quantitativas que já lhe foram apresentados. Ele é parte da razão pela qual alguns fundos quantitativos performaram tão abaixo do esperado durante o choque do Corona, em março de 2020.
No método cientítico, testes são formas de se refutar hipóteses. Em finanças, não deve ser diferente. É uma mis-aplicação usar testes como forma de gerar hipóteses.
Pesquisadores quantitativos devem desenvolver teorias antes de qualquer backtesting (com métodos robustos contra overfitting).
Uma teoria expõe uma relação causal precisa para explicar um determinado fenômeno.
3. Cuidado com (Evite) Estratégias "All-weather"
A chance de que estratégias "all-weather" genuínas existam é baixa quando se considera que o mercado é adaptativo e investidores aprendem com seus erros.
É uma armadilha focar esforços de pesquisa em estratégias que teriam performado bem ao longo de um espectro de regimes de mercado diferentes.
Mesmo que estas existam, tendem a ser um subconjunto insignificante dentro da população de estratégias que funciona bem diante do regime em voga.
Portanto, faz mais sentido buscar por estratégias que performam de maneira ótima dentro de condições e regimes específicos, assim como desenvolver processos geradores de dados para nowcast a probabilidade de se estar em um ou outro regime e construir um portfolio que compile estratégias ótimas ponderadas por essas probabilidades.
Este approach pode permitir a fundos quantitativos se adaptar fluidamente a condições emergentes de mercado (e.g. migrando capital de estratégias risk-on para risk-off conforme tomava forma o advento do covid-19).