Um estudo desenvolvido por economistas da Universidade Johns Hopkins, Universidade de Nova York e do Federal Reserve demonstrou que é possível prever sistematicamente os erros nas expectativas dos investidores usando machine learning. O modelo criado foi 63% mais preciso que analistas de ações na previsão de lucros corporativos e entre 26% e 35% superior a investidores individuais, CFOs e analistas profissionais na antecipação de retornos de um ano.
A pesquisa, intitulada “The Prestakes of Stock Market Investing“, é assinada por Francesco Bianchi, da Universidade Johns Hopkins, Do Q. Lee e Sydney C. Ludvigson, da Universidade de Nova York, e Sai Ma, do Federal Reserve.
Os pesquisadores desenvolveram uma estrutura de “machine learning” para estabelecer um padrão e identificar “prestakes” — erros previsíveis nas expectativas dos participantes do mercado. O modelo foi treinado com dados históricos de 1970 a 2005 e fez previsões em tempo real de 2005 a 2023, utilizando apenas informações disponíveis aos investidores reais em cada momento.
Viés de recência
Os dados alimentados ao algoritmo incluem milhares de séries econômicas em tempo real: 92 indicadores macroeconômicos, 147 variáveis de mercados financeiros, surpresas de previsões consensuais, choques de política do Federal Reserve e fatores de sentimento baseados em texto de aproximadamente 1 milhão de artigos do Wall Street Journal.
“Durante a crise financeira global, as previsões de pesquisas tanto para lucros quanto para retornos foram impulsionadas primariamente por médias locais baseadas em tendências recentes, exibindo uma forma de viés de recência”, aponta o estudo.
Publicidade
Publicidade
Em contraste, o modelo de machine learning utilizou memória de longo prazo, incorporando indicadores de risco de crédito, variáveis do mercado de Treasuries (Títulos da dívida dos EUA) e surpresas de política do Fed que se moveram drasticamente antes dos lucros declinarem.
“Os participantes das pesquisas prestaram atenção mínima a esses sinais de alerta precoce e mostraram pouca evidência de aprendizado com erros de previsão passados”, afirmam os economistas.
Desconexão
O estudo também revelou desconexão crítica entre percepção e realidade.
“Há muito pouca correlação entre as expectativas das pesquisas e a incerteza objetiva do mercado, o que sugere que as expectativas dos investidores são sub-otimamente responsivas às evidências de mudanças no risco de mercado”, conclui a pesquisa.
Estratégias de trading baseadas nas previsões do machine learning geraram retornos ajustados ao risco substanciais. Uma estratégia long-only (comprada) renderia 4,6% ao ano a mais que um portfólio baseado no CAPM (Capital Asset Pricing Model ou Modelo de Precificação de Ativos de Capital). Já uma estratégia long-short produziria retorno ajustado ao risco estimado de 9% ao ano, com ganhos concentrados em períodos de turbulência.
Em comparação, estratégias baseadas em pesquisas de expectativas geraram retornos ajustados ao risco próximos de zero, pois “as pesquisas raramente preveem retornos que caiam abaixo da taxa dos Títulos do Tesouro dos EUA, muito menos perdas no mercado de ações”.
Quer saber sobre as melhores ações que pagam dividendos agora? Clique no botão abaixo e descubra!
