Para este artigo, é necessário que você tenha clareza do conceito de um algoritmo (“modelo”) e de fundos. Se você ainda não entende direito como funciona um fundo quantitativo, ou o que é um algoritmo, separe alguns minutos para ler os artigos “O que é um algoritmo de investimento?“ e “O que é um fundo quantitativo?”.
Algoritmos de Estratégia
Antes de entrarmos nas especificidades dos tipos de algoritmos, vale reforçar o motivo pelo qual uma gestora quantitativa trabalha com tanto afinco para criar vários modelos, e não um único super-poderoso.
Algoritmos exploram padrões (estruturas nas bases de dados) que se repetem com o tempo. Porém, parando para pensar, se o mercado fosse totalmente eficiente não faria sentido nenhum ter um padrão que se repete com o tempo – ou melhor ainda – o passado não deveria ser capaz de prever o futuro.
Dado que é possível lucrar (muito) utilizando padrões, podemos concluir que o mercado não é perfeitamente eficiente. Em outras palavras, padrões são ineficiências de mercado. Assim como nós encontramos essas ineficiências, outros players também tendem a descobri-las e explorá-las em algum momento, o que provavelmente esgotará essa fonte de lucro. Portanto, é crucial que uma gestora quantitativa continuamente procure por novos padrões e desenvolva algoritmos para explorá-los. No final do dia, a consistência de resultado do fundo depende diretamente da capacidade de criação de novos algoritmos, que substituem aqueles que param de funcionar ao longo do tempo.
A matéria prima
Para começar a compreender os padrões explorados, a primeira etapa é entender sobre a matéria prima de qualquer modelo sistemático: os dados. Existem dois tipos de dados que podem ser utilizados para criar modelos quantitativos: dados estruturados, que são os que podem ser facilmente adquiridos e planilhados (preço, volume, book de ofertas, etc), e dados não-estruturados, que podem ser basicamente qualquer coisa (imagens, tweets, timbre de voz, log de pesquisas, notícias, etc).
Nesse artigo, focaremos em modelos que rodam com dados estruturados. Como você pode imaginar, grande parte do investimento (financeiro e de homens-hora) de um fundo quantitativo é utilizado na obtenção e no tratamento dos dados. No Brasil, os fundos quantitativos ainda não ganharam o tamanho que os fundos quantitativos lá fora já tem, o que limita o capital disponível. Nesse sentido, ainda não há nenhum fundo brasileiro operando dados não-estruturados, principalmente porque o custo de se obter e tratar esse tipo de dado é inúmeras vezes maior do que o custo de se utilizar dados estruturados.
Em um próximo artigo, falaremos mais a fundo dos dados não-estruturados, e daremos exemplos de estratégias que já estão sendo utilizadas pelos Hedge Funds no exterior.
As três estratégias mais comuns
Explicaremos a seguir três das metodologias mais comuns e conhecidas no mundo dos quantitativos. A ideia é passar a intuição básica por trás de cada uma delas. Obviamente existem outros tipos de estratégia, mas grande parte dos modelos deriva de alguma forma das estratégias descritas nesse artigo.
Trend Following (“Seguidor de tendência”)
Estratégia mais antiga dos quantitativos, e talvez o método com o conceito mais simples, os modelos de tendência buscam comprar os ativos que estão subindo e vender os ativos que estão caindo. A ideia básica deste padrão é a de que um ativo que começou uma trajetória de valorização (ou desvalorização) tende a continuar valorizando (ou desvalorizando).
Existem várias explicações teóricas para esse comportamento, mas, em geral, a teoria mais aceita é a do viés comportamental do investidor, mais especificamente conhecido como “Medo de ficar de fora” ou FOMO (“Fear Of Missing Out”, em inglês). Essa característica psicológica faz com que os investidores invistam em ativos que estão em um processo de valorização, reforçando a trajetória do ativo.
Assim como qualquer tipo de estratégia, o segredo está nos detalhes. Ou, mais especificamente, na parametrização do modelo: o que caracteriza o início de uma tendência? Qual janela de tempo devo olhar? Se for para comprar, compro quanto? Quando aumento minha posição? Quando saio da posição? Quando reparametrizo estes gatilhos? Esses detalhes, que são definidos após inúmeros testes e simulações dentro de um fundo quant, fazem a diferença entre um modelo ganhador e um modelo perdedor.
A parametrização dos modelos é resultado de um processo dinâmico, que incorpora os resultados na medida em estes que ficam disponíveis, alterando cada um desses detalhes conforme o tempo passa. Em outras palavras, pode se dizer que um modelo tende a ficar mais preciso com o tempo, uma vez que ele enxerga uma amostra mais completa do comportamento de determinado ativo.
Mean-Reversion (“Reversão à média”)
À primeira impressão, esse tipo de modelo é diametralmente oposto ao modelo de tendência. A ideia é a de que o preço de um determinado ativo (ou conjunto de ativos) tende a retornar para o preço de sua média histórica. Em outras palavras, quando o ativo sofre uma valorização acima de seu preço médio, o modelo venderá esse ativo apostando na volta do preço para a média. Caso o ativo se desvalorize abaixo da média, o modelo comprará.
Muito provavelmente você deve estar pensando que, se os modelos de tendência funcionam, é impossível que o modelo de reversão à média ganhe dinheiro. A verdade é que um mesmo ativo pode seguir os dois padrões ao mesmo tempo, e a chave para entender esse paradoxo é a janela de tempo a qual você está examinando. Não é incomum o fato de alguns ativos seguirem um padrão de reversão a média em janelas curtas de tempo, mas seguirem movimentações de tendência no longo prazo. Além disso, ativos diferentes tendem a ter comportamentos distintos, de forma que, geralmente, cada um possui um tipo de padrão mais pronunciado. O trabalho dos gestores é identificar qual padrão se adequa melhor a cada tipo de ativo, e em qual janela esse movimento é mais robusto. Lembre-se sempre que há muito ruído no mercado, o que faz com que captar esses comportamentos não seja tarefa fácil.
A reversão à média é um comportamento natural do ser humano, conforme destacado pelo ganhador do prêmio Nobel em Economia, Daniel Kahneman, em seu livro Pensando Rápido e Devagar (Thinking Fast and Slow). Kahneman destaca esse tipo de padrão comportamental com exemplos de quando trabalhava para a força aérea israelense: percebeu que sempre que um piloto era elogiado por um voo acima da média, esse piloto apresentava uma tendência de realizar voos piores em sequência. Kahneman explica que esse é apenas um exemplo dos vários campos de atuação humana nos quais identificou padrões claros de reversão à média.
Cointegração
Os modelos de cointegração possuem uma característica similar à estratégia “long & short”, que é bastante conhecida no mercado. A principal diferença entre esse tipo de padrão e os mencionados anteriormente é que a cointegração necessariamente opera múltiplos ativos.
A ideia básica desse tipo de modelo é medir o comportamento de uma cesta de ativos ao longo do tempo, destacando a relação que esses ativos mantiveram entre si. Uma vez que o gestor definiu um padrão de correlação entre os ativos, o modelo “arbitrará” sempre que um dos ativos fuja do padrão histórico. Sendo assim, se um ativo começa a se desvalorizar em relação aos outros, e o comportamento histórico é o de paridade entre os preços dos ativos, o modelo comprará esperando a normalização do padrão (nesse caso, apostando que o ativo se valorizará e voltará à situação de paridade).
É possível utilizar modelos de cointegração entre ativos de uma mesma classe (ações, moedas, etc) ou entre classes diferentes de ativo. O importante é o gestor identificar uma relação robusta entre ativos.
Como exemplo, imagine que você vem acompanhando uma cesta de ações de empresas de um mesmo setor. Essas ações tendem a ter um comportamento similar ao longo do tempo, mas por alguma razão uma delas começa a destoar demais das outras. Nesse caso, o modelo de cointegração montaria uma aposta na volta dessa ação ao mesmo patamar dos seus peers.
Machine Learning
Ao contrário do que muitos imaginam, o machine learning não é um tipo de modelo específico, e sim uma metodologia utilizada para criação de novos modelos. Em modelos tradicionais, o processo de criação de um modelo parte da elaboração de uma hipótese pelo gestor (algum tipo de padrão que talvez possa ser explorado), que será testada exaustivamente e, caso haja evidências concretas de que essa hipótese funcione, será implementada pela equipe de tecnologia por meio de um algoritmo. Em outras palavras, a ideia do modelo sai da cabeça do gestor.
No caso do Machine Learning, os dados são disponibilizados para os computadores para que encontrem padrões. Nesse tipo de metodologia, quem cria a hipótese não é uma pessoa. Apesar disso, muitas vezes um modelo criado dessa forma pode ser muito similar a um dos mencionados acima, ou até mesmo uma mescla.
Só como curiosidade, o Machine Learning não é utilizado apenas para criar estratégias dentro do fundo. Nós utilizamos muito essa ferramenta na execução de ordens, minimizando os custos de transação e o impacto que nossas ordens geram nos preços do mercado. Esse é um assunto que trataremos nos próximos artigos.
Outras formas de classificação dos modelos
Além de classificar os modelos por tipo de estratégia, podemos também classificá-los por frequência de operação e por tipo de ativo.
Por frequência de operação. Como regra geral, pode-se dividir os algoritmos entre intra-diários, que operam durante o dia mas “dormem” zerados e os que tomam posição direcional (apostando em movimentos de valorização ou desvalorização que podem durar dias, semanas ou meses) e “dormem” com posição.
Vale ressaltar que os modelos de alta-frequência, cujo objetivo é arbitrar mercados em milisegundos através de milhões de operações, não são uma estratégia executamos atualmente (março/2019).
Por classe de ativo. Existem quatro grandes classes de ativos: juros, câmbio, bolsa e commodities. Um modelo direcional ou intra-diário pode operar em um ou vários desses mercados.
A vida útil dos modelos
Conforme mencionamos no começo desse texto, os modelos exploram padrões, que se esgotarão em algum momento. Nesse sentido, mais valiosa do que os modelos de um fundo quantitativo, é a capacidade da gestora de criação de novos modelos.
Não há uma regra concreta sobre quanto tempo dura um modelo, mas pode-se dizer que quanto menos óbvio ele for (quanto menos pessoas conseguirem perceber e explorar essa ineficiência), mais tempo e mais valor ele tende a gerar.
Como exemplo, o Zarathustra nasceu em 2012 com 4 modelos, dos quais apenas 1 continua em atuação dentro do fundo. Nesse sentindo, temos um modelo que já performa há 7 anos. Por outro lado, alguns modelos duram apenas alguns meses.
Juntando tudo
O Zarathustra é, portanto, um fundo composto por uma série de modelos que estão explorando diferentes estratégias em diferentes mercados em períodos distintos. Mais especificamente, hoje o fundo conta com 23 modelos que atuam nos mercados de câmbio, juros, bolsa e commodities, tanto no Brasil como no exterior. É daí que surge a tal descorrelação, elemento extremamente valioso para o investidor e raríssimo de ser encontrado.
Por Flavio Terni e Pedro Simonetti, da Giant Steps
Para acompanhar outros conteúdos do time Giant, acompanhe nosso canal no Youtube e se inscreva no nosso mailing para receber futuros artigos.
Clique aqui para conhecer os nossos fundos de investimentos.
