Livre
tradução de parte do texto “Technical
Analysis: Modern Perspectives”
Por Gordon Scott, CMT; Michael
Carr, CMT; Mark Cremonie, CMT, CFA
Como
os analistas técnicos procuraram novas estratégias para lucrar com os
movimentos do mercado, os pesquisadores buscam novas teorias para explicar a
razão por trás dos movimentos. Essas buscas se cruzam em vários pontos.
Notavelmente,
a hipótese de mercados adaptáveis (AMH – Adaptive
Market Hypothesis), “The Adaptive
Markets Hypothesis”, Andrew W. Lo,
Journal of Portfolio Management (2004), vê os mercados menos como uma
estrutura construída sobre a teoria econômica neoclássica e mais como um
sistema evolucionário. Lo propõe uma visão biológica dos mercados em vez de uma
visão baseada nas leis da física. Sob este modelo, os indivíduos, agindo em seu
próprio interesse, cometem erros ao invés de agir de forma perfeitamente
racional em todos os momentos. Os indivíduos aprendem com suas ações passadas e
adaptam suas ações no futuro para refletir o conhecimento que adquiriram. Esse
quadro incorpora conceitos evolutivos – incluindo a concorrência, a inovação e a
seleção natural – e demonstra que os mercados se moverão entre extremos
irracionais e eficientes.
Esta
abordagem é semelhante à pesquisa feita no Santa
Fe Institute, uma organização de pesquisa que busca estudar disciplinas interdisciplinares
de sistemas complexos, incluindo economia e mercados de ações. Entre as
pesquisas produzidas pelo Santa Fe
Institute estão artigos que suprem a lacuna entre teoria econômica e
mercados financeiros. No artigo “An
Empirical Behavioral Model of Price Formation”, Mike e Farmer (2005) explicam
que embora a economia comportamental tenha demonstrado que há muitas situações
em que a escolha racional é um modelo empírico deficiente, até agora não
conseguiu fornecer modelos quantitativos de problemas econômicos, como a
formação de preços. Mike e Farmer dão um passo nessa direção, desenvolvendo
modelos empíricos que capturam regularidades comportamentais na colocação e no
cancelamento de ordens de negociação usando dados da Bolsa de Valores de
Londres (London Stock Exchange). Para
a colocação de ordens foi mostrado que a probabilidade de dar uma ordem a um
determinado preço é bem aproximada por uma distribuição de Student (Student distribution) com menos de dois
graus de liberdade, centrada no melhor preço cotado. Esse resultado é
surpreendente porque implica que o posicionamento da ordem de negociação é
simétrico, independente do spread bid-ask
(diferença entre a ordem de compra e a ordem de venda), e o mesmo vale para
compra e venda.
Mike e Farmer também desenvolveram um modelo bruto, mas simples,
de cancelamento, que depende da posição de uma ordem relativa ao melhor preço e
do desequilíbrio entre ordens de compra e venda no livro de limite de ordens (limit order book). Estes resultados foram
combinados para construir um modelo estocástico de agente representativo (stochastic representative agent model),
no qual as ordens e cancelamentos são descritos em termos de distribuições de
probabilidade condicional. Este modelo é usado para simular a formação de
preços e os resultados são comparados a dados reais da Bolsa de Valores de
Londres (London Stock Exchange). Sem
ajustar qualquer parâmetro baseado em dados de preços, o modelo produz boas
previsões para a magnitude e forma funcional da distribuição de retornos e o
diferencial bid-ask. Ao identificar
modelos matemáticos de colocação de ordens, o trabalho demonstra que a ação dos
preços fornece informações significativas aos participantes do mercado. Outros
trabalhos demonstram que os participantes do mercado se adaptam às informações
fornecidas pelo mercado e reagem aos preços e não exatamente o oposto, quando
fatores fundamentais e econômicos afetam os preços.
No
artigo “Market Force, Ecology and
Evolution”, Industrial and Corporate
Change (2002), Farmer também descobriu que os mercados reais podem ser
duplicados com modelos que incluem uma variedade de traders. Seu modelo evolutivo incluiu investidores de valor (value investors), analistas técnicos, traders de liquidez (liquidity traders) e formadores de
mercado (market makers). Suas
interações em simulações computacionais espelharam a ação do mercado vista nos
mercados reais. Os mercados têm dinâmicas internas que levam ao excesso de
volatilidade e outros fenômenos que são difíceis de explicar usando modelos de
expectativas racionais. Este artigo estudou a utilização de uma regra de
formação de preços de não equilíbrio, desenvolvida no contexto de negociação
com ordens de mercado. Como isso é muito mais simples do que um modelo de
equilíbrio intertemporal padrão, é possível estudar analiticamente vários
períodos dos mercados. A dinâmica dos preços tem termos oscilatórios de segunda
ordem. Investir em valor (value investing)
não necessariamente implica que os preços sigam tais valores. Seguir a
tendência (trend following) implica
em tendências de curto prazo nos preços, mas também provoca oscilações de longo
prazo. Quando o investimento em valor (value
investing) e o seguimento de tendências (trend following) são combinados, mesmo que haja pouca estrutura
linear, pode haver ciclos de crescimento-queda, volatilidade em excesso e temporalmente
correlacionada, e caudas gordas nas flutuações dos preços. A evolução a longo
prazo dos mercados pode ser estudada em termos dos fluxos de dinheiro. Os
lucros podem ser decompostos em termos de correlações agregadas em pares. Sob
reinvestimento de lucros, isso leva a um modelo de alocação de capital que é
equivalente a um modelo padrão em biologia populacional. Uma investigação da
eficiência do mercado mostra que os padrões criados pelos seguidores de
tendências (trend following) são mais
resistentes à eficiência do que aqueles criados por investidores de valor (value investing) e mostra que o
comportamento de maximização do lucro retarda a progressão para a eficiência.
As estimativas da ordem de grandeza sugerem que a escala de tempo para a
eficiência é de anos a décadas. A descoberta de Farmer é que os mercados
funcionam através de interações dos vários tipos de traders [investidores de valor (value investors), analistas técnicos, traders de liquidez (liquidity traders) e formadores de mercado (market makers)].
A
hipótese de mercados adaptáveis (AMH) e as teorias evolucionárias dos mercados preveem
que algumas técnicas de investimento funcionarão às vezes e serão ineficazes em
outras ocasiões à medida que os traders
se adaptam ao seu ambiente atual. Esta conclusão é apoiada por pesquisas que encontraram
que a análise técnica é eficaz em alguns momentos e em alguns mercados e
ineficaz em outros momentos.
Nos
últimos anos os pesquisadores concluíram que a análise técnica pode fornecer
resultados rentáveis nos mercados de câmbio. Em particular, Po-Hsuan Hsu, Mark
P. Taylor e Zigan Wang concluem, no artigo “Technical Trading: Is It Still Beating the Foreign Exchange Market?”,
Journal of International Economics
(2016), que a análise técnica tem poder de previsão para moedas tanto de países
desenvolvidos como de países emergentes, em termos de gerar significativos
retornos excedentes médios e expressivas razões de Sharpe (Sharpe ratios), mas as moedas dos mercados emergentes são, em
geral, mais previsíveis com a análise técnica do que as moedas dos países
desenvolvidos. Além disso, este excesso de rentabilidade não é, em geral,
eliminado quando se considera uma margem realista para os custos de transação,
embora a rentabilidade da análise técnica entre as moedas dos mercados
emergentes e dos países desenvolvidos pareça ter diminuído ao longo do tempo.
Estas conclusões gerais também foram apoiadas por uma análise amostra de fora (out-of-sample analysis), que revelou, em
particular, o desempenho muito impressionante da análise técnica para algumas
moedas de mercados emergentes durante o período fora da amostra (2012-2015).
O que há de mais moderno?
Pesquisas
recentes (Northington e Dahlberg, 2016) identificaram um indicador técnico
conhecido como suporte resistência baseados em volatilidade (VBSR – Volatility-Based Support Resistance).
Suporte e resistência são conceitos importantes a partir da análise de padrões
baseados em gráficos. Esses níveis são áreas de preço em gráficos onde espera-se
que a compra ou venda seja desenvolvida com pressão suficiente para inverter a
direção da tendência. Acredita-se que o suporte e a resistência sejam
desenvolvidos com base na psicologia dos investidores e às vezes são explicados
em termos de aversão à perda. O VBSR quantifica os extremos de volatilidade com
base na recente ação do preço e utiliza esses extremos para identificar futuros
níveis de suporte ou resistência esperados (extremos da volatilidade
quantificável). Este indicador utiliza os princípios clássicos de análise
técnica para prever os níveis de suporte e resistência. Difere da análise
técnica clássica usando cálculos matemáticos avançados para identificar os
níveis de preços. Desta forma, o trabalho é reprodutível e testável. Também é
explicável com a teoria das finanças padrão. A volatilidade implícita, um
componente importante de alguns modelos de precificação, exibe uma tendência
estatística para a reversão da média. O VBSR explora essa tendência para
desenvolver um modelo de previsão estatística.
Os avanços recentes
de softwares e na programação
permitem que este indicador (e todos os indicadores) sejam testados de novas
formas para análise técnica. Ao aplicar os princípios de teste de eventos a
sinais indicadores, a validade estatística do sinal pode ser avaliada. Este
método, combinado com a análise dos retornos excedentes, pode preencher a
lacuna entre a teoria e a prática da análise técnica. Testes iniciais usando essas
técnicas estão demonstrando que muitos indicadores técnicos amplamente
utilizados não geram lucros por conta própria. Técnicas mais avançadas, como o
VBSR, aumentam a lucratividade. É provável que a pesquisa continuada encontre
uma variedade de ferramentas que explorem ineficiências do mercado com
indicadores técnicos, uma façanha que é inteiramente possível sob a hipótese de
mercados adaptáveis (AMH) e outras teorias avançadas.
