Ninguém sabe muito bem de onde vem o alfa

Este artigo é a versão no local do nosso boletim informativo Unhedged. Assinantes premium podem inscrever-se aqui para receber o boletim todas as manhãs de semana. Assinantes padrão podem fazer upgrade para Premium aqui, ou explorar todos os boletins do FT.

Bom dia. O gestor de crédito privado Blue Owl interrompeu resgates de um dos seus fundos direcionados a investidores de retalho, e gestores de ativos privados de todo o tipo venderam ontem em resposta. Que o desejo desses investidores de retalho por liquidez se revelaria uma mistura desconfortável com o modelo de investimento do crédito privado era universalmente esperado (até o Unhedged previu os problemas). Será que a relação pode ser salvada? Envie-nos suas opiniões: unhedged@ft.com.

Na finança, ‘não pense, mas olhe!’

Boas publicações académicas muitas vezes parecem, paradoxalmente, tanto obviamente verdadeiras quanto muito interessantes. A leitura recomendada do Unhedged há alguns dias — “A pesquisa revisada por pares ajuda a prever retornos de ações” — é um bom exemplo.

O artigo, de Andrew Chen, Alejandro Lopez-Lira e Tom Zimmermann (que chamarei de CLZ), analisa dois conjuntos de preditores de retornos de ações acima do mercado, ou “alfa”. O primeiro conjunto inclui 200 sinais documentados em revistas prestigiosas revisadas por pares de economia, finanças e contabilidade; eles incluem coisas como aumento de investimentos, emissão elevada de dívida ou ações, e surpresas nos lucros. Na literatura, esses sinais vêm acompanhados de evidências históricas de desempenho superior e, em muitos casos, de uma explicação econômica. As explicações tendem a propor que os investidores estão sendo pagos por assumirem riscos, ou que uma forma persistente de irracionalidade dos investidores está em ação.

O segundo conjunto de preditores foi criado por computador. CLZ utilizou um conjunto de 29.000 razões contábeis e “mineração de dados”, procurando aquelas que previam desempenho superior de forma estatisticamente significativa.

Depois, CLZ testou os dois conjuntos de preditores contra dados históricos fora da amostra. O que descobriram foi que os dois grupos tiveram desempenho quase exatamente igual. Os testes foram feitos construindo operações long-short de modo que o retorno esperado fosse zero se não houvesse poder preditivo. No gráfico abaixo, o retorno extra demonstrado de cada preditor é ajustado para 100 para comparabilidade. Os preditores acadêmicos e os criados por mineração de dados perderam cerca de metade do seu poder preditivo em testes fora da amostra, e perderam-no na mesma velocidade. O gráfico:

Como CLZ afirma,

Após a amostra, o desempenho de ambos os tipos de preditores decai para cerca de 50 por cento das médias da amostra original. Os retornos gerados por mineração de dados decaem um pouco mais do que os retornos publicados, mas a diferença é pequena, tanto economicamente quanto estatisticamente. Na maior parte do gráfico, o benchmark de mineração de dados está dentro de um erro padrão dos preditores publicados… o desempenho pós-amostra de preditores revisados por pares e de mineração de dados é notavelmente semelhante.

A explicação para o alfa nos estudos acadêmicos — risco, irracionalidade, seja o que for — também não importou. Na verdade, “apenas pesquisas que são neutras quanto à origem teórica da previsibilidade mostram desempenho superior consistente em comparação com a mineração de dados”; mesmo esse efeito é “modesto”. Como Lopez-Lira resumiu para mim, “não parece haver nada de especial nos preditores de retorno descobertos por acadêmicos em relação a preditores estatisticamente fortes”. Para generalizar o ponto: saber por que uma estratégia quantitativa de investimento funciona, psicologicamente ou economicamente, não parece beneficiar os investidores em nada.

O que isso me faz lembrar (como outros já apontaram) é Jim Simons, fundador da Renaissance Technologies, o hedge fund quantitativo mais bem-sucedido de todos os tempos. Ele é conhecido por dizer que a única regra do seu fundo era “nunca sobrepor o computador” (veja o minuto 49 e seguintes deste vídeo). Se o computador lhe disser que há uma relação estatística explorável nos mercados, não tente explicá-la — negocie com ela. Porque, se houvesse uma explicação clara, a relação já teria sido negociada e eliminada. A brecha estaria fechada.

O resultado de CLZ me parece intuitivo e natural. Sabemos que, na medida em que o mercado cria oportunidades acionáveis, essas oportunidades são exploradas e degradadas. Quanto mais uma oportunidade for coberta por uma explicação econômica ou psicológica clara, mais rápido ela provavelmente desaparecerá. O que seria surpreendente é se qualquer oportunidade de retornos acima do mercado ajustados ao risco, capturada por uma teoria econômica ou psicológica convincente, persistisse a longo prazo. Os investidores, na medida em que adotam uma abordagem quantitativa no mercado de ações, deveriam seguir Wittgenstein, olhando primeiro e pensando depois. O resultado de CLZ sugere que a teoria é, no melhor dos casos, um guia fraco para o desempenho superior, e, no pior, um guia inútil.

O que os investidores quantitativos acharão do trabalho de CLZ? Perguntei a Rob Arnott, fundador da consultora de investimentos “smart beta” Research Affiliates. Ele respondeu que se você

colocar 29.000 acadêmicos buscando tenure para trabalhar, procurando dados para encontrar “fatores” preditivos, não é nada surpreendente que um computador examinando 29.000 fatores hipotéticos obtenha resultados quase idênticos…

O método científico significa que desenvolvemos uma hipótese, depois usamos dados históricos para testá-la, e depois verificamos com dados fora da amostra (por exemplo, não americanos, ou de eras pré-modernas, ou pós-amostra) para validar ainda mais a hipótese. A finança acadêmica tende a desenvolver hipóteses que se conformam aos dados, o que não é método científico. Então, o backtest é usado para melhorar o próprio backtest e a hipótese é ajustada de acordo. Isso é mineração de dados por excelência.

Arnott argumenta que a pesquisa sobre um dado preditor ou fatores deveria dividir qualquer retorno excessivo em o que ele chama de “alfa de reavaliação” e “alfa estrutural”. O alfa de reavaliação é o que acontece quando ações com um determinado fator se tornam mais ou menos caras em relação ao mercado, medido por razões preço/lucro e similares. O alfa estrutural é qualquer retorno extra que sobra quando o alfa de reavaliação é removido, indicando “que o fator é preditivo de fundamentos em melhora, não apenas de retornos em alta”. O alfa de reavaliação deve ser “não recorrente, na melhor das hipóteses”; o alfa estrutural pode perdurar.

Na visão de Arnott, então, mais rigor intelectual poderia nos ajudar a encontrar explicações duradouras para as fontes do alfa. Ainda há trabalho a fazer.

Uma boa leitura

Você possui ações suficientes?

Podcast FT Unhedged

Não consegue se cansar do Unhedged? Ouça nosso novo podcast, com uma imersão de 15 minutos nas últimas notícias do mercado e manchetes financeiras, duas vezes por semana. Acompanhe as edições anteriores do boletim aqui.

Newsletters recomendadas para você

Due Diligence — Principais notícias do mundo das finanças corporativas. Inscreva-se aqui

A Mudança da IA — John Burn-Murdoch e Sarah O’Connor mergulham em como a IA está transformando o mundo do trabalho. Inscreva-se aqui