Análise Técnica: Hipótese de Mercados Adaptáveis (AMH) e o que há de mais moderno na pesquisa recente

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.

Análise Técnica: estudos e divergências quanto ao uso

Livre tradução de parte do texto “Technical Analysis: Modern Perspectives”

Por Gordon Scott, CMT; Michael Carr, CMT; Mark Cremonie, CMT, CFA

Nos últimos anos, a MTA (Market Technicians Association) reconheceu a mudança decorrente da mineração de dados (data mining) e adicionou leituras sobre estatística e análise quantitativa no seu programa de diplomação em – analista – técnico de mercado (CMT – Chartered Market Technician). A FINRA (Financial Industry Regulatory Authority) deu seu reconhecimento oficial a certificação CMT como uma designação profissional de finanças em 2005. Mas aparentemente foi a comunidade acadêmica a primeira* a reconhecer essa mudança para uma abordagem mais profissional da análise técnica.

Os mercados financeiros têm sido objeto de pesquisas acadêmicas desde pelo menos 1900, quando Louis Bachelier publicou sua tese de doutorado (PhD dissertation) “Théorie de la speculation”, que discutiu o uso do movimento browniano para modelar os preços no mercado financeiro. Um estudo da teoria Dow foi realizado por Alfred Cowles em 1934. Cowles descobriu que a estratégia de seguir a tendência (trend-following strategy) teria ganho menos do que uma estratégia de compra e retenção (buy-and-hold strategy). Em contraste, uma revisão mais recente desse trabalho (Brown, Goetzmann e Kumar) concluiu que a carteira da teoria Dow produziu maiores retornos ajustados ao risco. Quando o risco é considerado, Brown, Goetzmann e Kumar (1998) concluíram que uma carteira seguindo os editoriais da teoria Dow teria tido uma razão Sharpe maior do que uma carteira buy and hold (0,559 em comparação com 0,456) e uma medida de Jensen positiva de 4,04%.

Outras áreas da análise técnica também foram submetidas a rigorosos estudos, muitas vezes com resultados mistos. No artigo “Simple Technical Trading Rules and the Stochastic Properties of Stock Returns”, Journal of Finance (1992), Brock, Lakonishok e LeBaron encontraram que as médias móveis eram eficazes. Este artigo testou duas das regras de negociação mais simples e mais populares – média móvel e quebra de intervalo de negociação (trading range break), utilizando uma série de dados muito longa, o índice Dow Jones de 1897 a 1986. A análise estatística padrão é estendida através do uso de técnicas bootstrap. Em geral, os resultados forneceram um forte apoio às estratégias técnicas que foram exploradas. Os retornos obtidos dos sinais de compra (venda) não são consistentes com os três modelos nulos populares: o passeio aleatório (random walk), o AR(I) (Autoregressive) e o GARCH-M (Generalized Autoregressive Conditional Heteroscedasticity in Mean). Consistentemente, sinais de compra geram retornos mais elevados do que sinais de venda. Além disso, os retornos a seguir aos sinais de venda são negativos, o que não é facilmente explicado por nenhum dos modelos de equilíbrio atualmente existentes. Adicionalmente, os retornos após os sinais de compra são menos voláteis do que os retornos após os sinais de venda. Os resultados geralmente mostraram que os retornos durante os períodos de compra são maiores e menos voláteis do que os retornos durante os períodos de venda. Por exemplo, a média móvel de comprimento variável produziu em média um retorno diário para os períodos de compra de 0,042%, que é de cerca de 12% a uma taxa anual. O retorno diário correspondente para os períodos de venda foi de -0,025%, que é cerca de -7% a uma taxa anual.

Embora este estudo apoie a ideia de que a análise técnica funciona, o estudo pode ser questionado pelo viés de mineração de dados (data mining bias). Mesmo que apenas duas regras tenham sido testadas, inúmeros parâmetros e filtros foram testados para encontrar os valores que forneceram os melhores resultados. No total, foram estudadas 7.846 regras técnicas de negociação diferentes.

Sullivan, Timmermann e White, “Data-Snooping, Technical Trading Rule Performance, and the Bootstrap”, Journal of Finance (1999), analisaram este estudo para avaliar se a mineração de dados apresentava problemas. Eles concluíram que o processo utilizado não apresentou problema, mas eles observaram: “é possível que, historicamente, a melhor regra técnica tenha realmente produzido um desempenho superior, mas mais recentemente ‘os mercados se tornaram mais eficientes’* e, portanto, essas oportunidades desapareceriam”.

Um estudo subsequente de Fang, Jacobsen e Qin, “Predictability of the Simple Technical Trading Rules: An Out-of-Sample Test”, Review of Financial Economics (2014), parece confirmar que as regras de média móvel simples podem deixar de ser eficazes com base em um teste de “amostras que ficaram de fora” (out-of-sample test). Em um teste de amostras que ficaram de fora não foi encontrada nenhuma evidência de que várias estratégias técnicas de negociação bem conhecidas previram o mercado de ações durante o período de 1987 a 2011. O teste está livre* do viés de seleção de amostra, do viés de mineração de dados, do viés de retrospectiva ou qualquer um dos outros vieses habituais que podem afetar os resultados do estudo. Foram utilizadas exatamente as mesmas regras técnicas de negociação que Brock, Lakonishok e LeBaron (1992) mostraram funcionar melhor em sua amostra histórica. Uma análise mais aprofundada mostra que este mau desempenho fora da amostra provavelmente não se deve ao fato de o mercado se tornar mais eficiente – instantaneamente ou gradualmente ao longo do tempo –, mas provavelmente devido ao viés.

Outros pesquisadores têm explorado técnicas mais sofisticadas. Conrad e Kaul no artigo “An Anatomy of Trading Strategies”, Review of Financial Studies (1998), utilizaram uma única estrutura unificadora para analisar as fontes de lucros para um amplo espectro de estratégias de negociação baseadas em retorno implementadas na literatura. Foi mostrado que menos de 50% das 120 estratégias implementadas no artigo geram lucros estatisticamente significativos e, incondicionalmente, estratégias momentum e contrárias são igualmente prováveis ​​de serem bem-sucedidas. No entanto, quando foi condicionado o horizonte de retorno da estratégia (curto, médio ou longo), ou o período de tempo durante o qual ela é implementada, surgem dois padrões. Uma estratégia momentum é normalmente rentável no horizonte médio (2-12 meses), enquanto na estratégia contrária foram gerados lucros estatisticamente significativos a longo prazo, mas somente durante o subperíodo 1926-1947. Mais importante ainda, os resultados mostram que a variação transversal dos retornos médios dos títulos individuais incluídos nessas estratégias desempenha um papel importante na sua rentabilidade. A variação transversal pode, potencialmente, explicar a rentabilidade das estratégias de momentum e também é responsável por atenuar os lucros das inversões de preços para estratégias contrárias de longo prazo.

Ao introduzir o conceito do horizonte de retorno ao seu estudo, Conrad e Raul reconhecem que os traders técnicos não são um grupo homogêneo. Esta observação tem implicações práticas importantes para os traders. As suas conclusões podem ser reafirmadas da seguinte forma: tendências e estratégias momentum têm maior probabilidade de gerar ganhos para os traders a longo prazo, enquanto os traders de curto prazo têm maior probabilidade de obter sucesso com as estratégias de reversão média. Na prática, a importância do horizonte temporal explica, pelo menos em parte, a popularidade dos osciladores (indicadores técnicos populares, como RSI e estocástico) entre os traders de curto prazo e o uso de médias móveis (uma ferramenta de tendências) e estratégias de força relativa entre os traders com um horizonte de tempo mais longo.

Como os estudos continuam a ser publicados, o número de resultados conflitantes parece crescer. Uma revisão realizada por Park e Irwin no artigo “The Profitability of Technical Analysis: A Review”, 2004, resumiu os resultados de uma série de outros estudos:

O número de estudos que identificaram estratégias rentáveis ​​de negociação utilizando análise técnica é muito maior do que o número de estudos que encontraram resultados negativos. Entre um total de 92 estudos modernos, 58 estudos encontraram rentabilidade (ou previsibilidade) em estratégias de negociação técnica, enquanto 24 estudos relataram resultados negativos. O restante (10 estudos) indicou resultados mistos. Em cada mercado, o número de estudos rentáveis ​​é o dobro do de estudos não rentáveis. No entanto, estudos modernos também indicaram que as estratégias técnicas de negociação tinham sido capazes de gerar lucros econômicos nos mercados de ações dos Estados Unidos até o final da década de 1980, mas não posteriormente (Bessembinder e Chan, 1998; Sullivan, Timmermann e White, 1999). Vários estudos encontraram lucros econômicos em mercados emergentes (ações), independentemente dos períodos de amostragem considerados (Bessembinder e Chan; 1995, Ito, 1999; Ratner e Leal, 1999). Para os mercados de câmbio, parece evidente que as estratégias técnicas de negociação fizeram lucros econômicos nas últimas décadas, embora alguns estudos sugerissem que os lucros de negociação técnicas diminuíram ou desapareceram nos últimos anos (Marsh, 2000, Neely e Weller 2001 e Olson, 2004). Para os mercados de futuros, as estratégias técnicas de negociação pareciam rentáveis ​​entre meados dos anos 70 e meados dos anos 80. Nenhum estudo ainda documentou detalhadamente a rentabilidade das estratégias técnicas de negociação nos mercados de futuros após esse período.

É provável que alguns profissionais concordem com a conclusão de que as regras técnicas simples de negociação geralmente não resultam em lucros. Por esta razão, os praticantes da análise técnica geralmente aplicam técnicas múltiplas ao invés de regras simples que são amplamente estudadas. Assim, seus resultados podem diferir dos resultados vistos nos estudos. Os analistas técnicos frequentemente, por exemplo, combinam força relativa (RS) ou momentum com métodos de valor (valuation) em um modelo de fusão de análises (fusion analysis). Limitar o universo de possíveis investimentos para valorizar ações é um passo para limitar o risco sob este modelo.

* Alguns trechos do artigo não representam necessariamente a opinião do blog https://gestaofinanceirapersonalizada.blogspot.com.br

A Prática da Análise Técnica

Livre tradução de parte do texto “Technical Analysis: Modern Perspectives”

Por Gordon Scott, CMT; Michael Carr, CMT; Mark Cremonie, CMT, CFA

A análise técnica sempre se concentrou na aplicação prática, com os analistas técnicos mais focados no que funciona do que no motivo de uma determinada estratégia funcionar. Esta distinção tem sido verdade desde que Charles Dow, informalmente conhecido como o “avô da análise técnica”, escreveu editoriais no Wall Street Journal que se tornaria a base da teoria Dow, uma ferramenta de tendência que ainda é amplamente utilizada.

A teoria de Dow foi desenvolvida nos anos 1900s e é derivada unicamente das ideias de Dow na relação entre os preços de ações e a economia. A teoria Dow criou médias para rastrear os preços de ações de empresas ferroviárias e industriais para potencialmente observar pontos de virada (mudança de tendência) no ciclo de negócios. A teoria Dow fornece sinais de compra e venda quando ambas as médias estão se movendo na mesma direção. Dow acreditava que uma tendência importante na economia resultaria em grandes tendências no mercado de ações. Em um editorial de janeiro de 1902, ele explicou: “É um período de touro (bullish), desde que a média de uma máxima exceda a das máximas anteriores. É um período de urso (bearish) quando a mínima se torna menor que as mínimas anteriores”. Em um mercado altista (bullish) o mercado deverá continuar a subir e em um mercado em baixa (bearish) espera-se que o mercado continue a se mover para baixo. Em outras palavras, nesta análise, “touro” (bull) e “urso” (bear) não se limitam a caracterizar movimentos passados, mas também tendências exploráveis. A pesquisa recente (Dahlberg 2016) demonstrou que esta ideia simples entregou resultados consistentemente rentáveis ​​ao longo dos anos.

Embora a teoria de Dow seja bastante simples de implementar observando máximas mais altas e mínimas mais baixas, os analistas sempre quiseram bater o mercado por uma margem tão ampla quanto possível, levando a uma busca por maneiras de melhorar técnicas simples. Uma das primeiras abordagens quantitativas para investir foi definida por Robert Rhea em uma edição de 1933 da Barron's. Rhea foi também um estudante da teoria de Dow e foi o primeiro a coletar todos os editoriais de Dow e os de seu sucessor no Wall Street Journal, William Peter Hamilton, em um único volume publicado como The Dow Theory. Rhea também avançou o estudo do mercado com pesquisa original. Em um único artigo de meia página, “Stock Habits: A Simple Method to Follow Issues That Fluctuate More Widely Than the Averages”, Rhea descreveu como calcular um “índice de apreciação” para um grupo de ações. O índice de apreciação foi o retorno total das ações ao longo da vida de um mercado touro ou urso (bullish ou bearish). Ele mostrou que um grupo de ações com os maiores índices de valorização superou um grupo de ações de renda (boas pagadoras de dividendos) que ele criou para servir como referência. Seu teste foi simples pelos padrões modernos, mas parece ser o primeiro teste quantificado de força relativa (RS).

Em 1945, a força relativa (RS) fez sua primeira aparição em uma revista acadêmica quando H.M. Gartley, conhecido mais como um grafista do que como um analista quantitativo, introduziu ao mundo às velocidades estatísticas como uma ferramenta de investimento em um artigo no Analysts Journal:

Em primeiro lugar, é necessário selecionar uma média ou um índice para representar o mercado todo, como o índice de ações Standard & Poor's 90, o Dow-Jones 65-stock Composite ou uma medida mais abrangente. Ao rastrear o padrão de flutuação da média geral, as oscilações maiores são selecionadas (por inspeção) e os pontos máximos e mínimos sucessivos são então usados para calcular avanços e declínios em porcentagem. Embora a tendência geral do mercado possa fazer a escolha de menores movimentos viáveis, geralmente as variações selecionadas são aquelas de 10% ou mais. O próximo passo é calcular a percentagem comparativa de avanço ou declínio das ações individuais. E finalmente, o aumento percentual ou declínio da ação individual é dividido pelo movimento correspondente no índice base, e multiplicado por 100, para dar a “classificação de velocidade” da ação.

Os métodos de Gartley eram semelhantes à técnica de Rhea apresentada em Barron's. Gartley identificou as principais tendências altistas (bullish) e baixistas (bearish) dentro do mercado geral. Ele comparou o movimento de cada ação individual com o movimento do mercado geral durante cada período de tempo e calculou a velocidade de cada ação. Seu conceito de velocidade assemelha-se muito ao beta no modelo de precificação de ativos de capital (CAPM). Ele defendeu comprar ações com alta velocidade nos mercados altistas (bullish).

Após o trabalho de Gartley, a força relativa (RS) largamente desapareceu da literatura por três décadas até Robert Levy publicar “Relative Strength as a Criterion for Investment Selection”, no Journal of Finance em 1967. O trabalho de Levy foi objeto de uma grande crítica após a publicação e novamente a força relativa (RS) desapareceu da literatura por quase 30 anos. Em 1993, o conceito foi redescoberto como momentum quando o Journal of Finance publicou “Returns to Buying Winners and Selling Losers: Implications for Stock Market Efficiency”, por Narasimhan Jegadeesh e Sheridan Titman. Esse artigo demonstrou que o momentum pode ser usado para superar consistentemente o desempenho do mercado de ações.

As estratégias de negociação que compram vencedoras passadas e vendem perdedores passados realizaram retornos anormais significativos durante o período 1965-1989. Por exemplo, a estratégia que foi examinada mais detalhadamente, que selecionou ações com base em seus últimos 6 meses de retorno e as mantiveram por 6 meses, obteve um excesso de retorno médio composto de 12,01% ao ano. Evidências adicionais indicaram que a rentabilidade das estratégias de força relativa não se deve ao seu risco sistemático. Os resultados dos testes também indicaram que os lucros de força relativa não podem ser atribuídos aos efeitos lead-lag que resultam de reações atrasadas dos preços de ações a fatores comuns. A evidência é, contudo, consistente com o atraso da reação de preço para a informação específica de uma empresa.

Desde então, uma série de estudos acadêmicos têm demonstrado que a anomalia momentum funciona em mercados internacionais e sob uma variedade de condições de mercado. Momentum, ou força relativa, é uma ferramenta comumente combinada com outras técnicas de seleção, formando a base do que poderia ser chamado de “análise de fusão” (fusion analysis) Os analistas de fusão usam o que eles acreditam que funciona em seu processo de decisão de investimento, combinando análise técnica com análise fundamentalista, por exemplo. Asness (1997) e outros têm escrito sobre a combinação de técnicas de momentum e valor.

Momentum pode ser amplamente considerado como uma abordagem quantitativa para seguir tendências, uma estratégia de negociação projetada para se beneficiar de movimentos estendido do mercado. Esta aproximação é similar às ideias definidas na teoria de Dow, que gera sinais negociando somente depois que uma tendência está bem em curso. O trabalho de Dow também se ramificou no estudo dos ciclos, com base no interesse de Dow pelo trabalho do economista britânico William Stanley Jevons, que documentou um ciclo com duração de aproximadamente 10 anos em vários preços de commodities. Dow estendeu o conceito, argumentando que o ciclo de Jevons poderia ser dividido em dois períodos aproximadamente iguais de boom e queda na economia. Como o trabalho de Jevons se baseava principalmente na atividade das manchas solares, outros analistas de ciclo buscaram identificar ciclos de mercado baseados em fenômenos naturais. Famosamente, Ralph N. Elliott (das “ondas de Elliott”) e W. D. Gann desenvolveram teorias que ganharam popularidade e continuam a dominar alguns adeptos hoje. Atualmente, os analistas de ciclos utilizam ferramentas, incluindo a transformada rápida de Fourier (Sornette, Johansen e Bouchaud, 1996) ou análise espectral (Dyka, Dudojć e Garus, 2013).

Embora técnicas sofisticadas sejam cada vez mais utilizadas na prática da análise técnica, os analistas técnicos permanecem leais ao estudo dos gráficos. Desde pelo menos os anos 20, a análise de padrões gráficos tem sido largamente utilizada. No período antes dos mercados serem regulamentados pela Comissão de Valores Mobiliários dos Estados Unidos (SEC – Securities and Exchange Commission), os gráficos forneciam uma das poucas fontes de informações confiáveis disponíveis para os traders. Os padrões tornaram-se assuntos populares de análise como os traders procuraram sinais indicadores de manipulação do mercado, fato este que “era” comumente acreditado. O editor da Forbes, Richard Schabacker, catalogou uma série de padrões na “Stock Market Theory and Practice”, em 1930. Outros trabalhos se expandiram na identificação e uso de padrões, mas o primeiro teste objetivo de padrões parece ter sido publicado em 1995. Nesse ano, o Federal Reserve Bank of New York publicou “Head and Shoulders: Not Just a Flaky Pattern”.

Este artigo avalia rigorosamente o poder preditivo do padrão cabeça e ombros aplicado às taxas de câmbio diárias. Embora esses gráficos não-lineares sejam aplicados frequentemente por analistas técnicos, o artigo é um dos primeiros a avaliar o poder preditivo de tais padrões. Foi aplicada uma regra de negociação baseada no padrão de cabeça e ombros às taxas de câmbio diárias das principais moedas em relação ao dólar durante o período de taxa flutuante (de março de 1973 a junho de 1994). Foram identificados padrões de cabeça e ombros usando um algoritmo objetivo, implementado por computador baseado em critérios de manuais de análise técnica publicados. Os lucros resultantes, replicáveis em tempo real, foram então comparados com a distribuição de lucros para 10.000 séries simuladas geradas com a técnica bootstrap sob a hipótese nula de random walk (passeio aleatório).

Como resultado, foi observado que a regra de negociação de cabeça e ombros parece ter algum poder preditivo para a marco alemão e o iene, mas não para o dólar canadense, franco suíço, franco francês ou libra esterlina. No entanto, se houvesse especulado em todas as seis moedas simultaneamente, os lucros teriam sido estatisticamente e economicamente significativos. Tomados individualmente, os lucros nos mercados de ienes e marco alemão também são substanciais quando ajustados os custos de transação, diferenciais de juros ou risco. Estes resultados são robustos a mudanças nos parâmetros do algoritmo de identificação de cabeça e ombros, mudanças no período de amostragem e a suposição de que as taxas de câmbio seguem um processo GARCH (Generalized Autoregressive Conditional Heteroscedasticity) em vez de um random walk. Esses resultados são inconsistentes com praticamente todos os modelos de taxas de câmbio padrão e poderiam indicar a presença de ineficiências de mercado.

Trabalhos subsequentes (Bulkowski 2005, por exemplo) chegaram a conclusões semelhantes. A análise de padrões pode gerar lucros significativos em algumas circunstâncias. Em parte, porque a análise de padrões não é “consistentemente” confiável, os analistas técnicos continuaram a procurar as ferramentas que poderiam melhorar seus resultados. Na busca por vantagens de negociação, analistas técnicos adicionaram análise de volume e amplitude ao seu trabalho. A busca de ferramentas mais poderosas acelerou quando os computadores simplificaram o processo de criação de novos indicadores, o que levou a mineração de dados (data mining) em muitos casos.

A mineração de dados é outra crítica à análise técnica. Muitos indicadores e técnicas foram desenvolvidos pesquisando dados históricos de padrões. Por exemplo, um analista pode testar todos os comprimentos de média móvel de 1 dia a 10.000 dias para encontrar a média móvel mais rentável a ser utilizada (na verdade, a mais rentável para ser usada sobre o período passado testado). Eles podem então acrescentar condições adicionais, como uma segunda ou terceira média móvel. Como tantas variáveis ​​são testadas, os resultados não são um indicador confiável de desempenho futuro. Alguns resultados ruins são devido a testes estatisticamente falhos, e outros resultados são simplesmente o resultado de pura “sorte”. Por esta razão, o desempenho passado lucrativo não é tomado pelo valor nominal, mas sim avaliado à luz da possibilidade de que os lucros do back-test podem ocorrer por pura “sorte”. O problema de sorte de desempenho é especialmente pronunciado quando muitos métodos são back-tested e um melhor método é selecionado. Esta atividade é chamada de mineração de dados (data mining). Embora a mineração de dados seja uma abordagem promissora para encontrar padrões preditivos em dados produzidos por processos complexos, em grande parte aleatórios, como os mercados financeiros*, suas conclusões são tendenciosas. Este é o viés da mineração de dados. Assim, a rentabilidade dos métodos descobertos pela mineração de dados deve ser avaliada com testes estatísticos especializados projetados para lidar com o viés da mineração de dados.





Nos próximos artigos, comentaremos mais sobre análise técnica, como as pesquisas recentes sobre o tema e as aplicações modernas da análise técnica.

Análise Técnica – Evolução e Perspectiva Moderna

Livre tradução do texto “Technical Analysis: Modern Perspectives”

Por Gordon Scott, CMT; Michael Carr, CMT; Mark Cremonie, CMT, CFA

A análise técnica fornece uma estrutura para auxiliar as decisões de investimentos aplicando a metodologia de oferta e demanda aos preços de mercado. Os princípios subjacentes ao estudo da análise técnica derivam do pressuposto de que as mudanças na oferta e demanda de títulos negociados afetam seus preços de mercado atuais. As ferramentas de análise técnica são construídas em uma estrutura que procura obter insight das mudanças na oferta e demanda. Este quadro evoluiu ao longo do tempo de uma análise puramente visual para técnicas mais quantitativas. Como outras ferramentas analíticas, a análise técnica emprega uma abordagem disciplinada e sistemática que procura minimizar o impacto dos vieses comportamentais/emocionais da prática de seleção/gestão de investimentos. Consequentemente, muitos analistas institucionais, estrategistas e gestores de carteira (portfolio) unem a pesquisa técnica com outras abordagens analíticas, como métodos quantitativos e análise fundamentalista.

Pesquisadores independentes confirmaram o valor da análise técnica, começando com a confirmação de anomalias de momentum. Análise de momentum, ou força relativa no vernáculo de analistas técnicos, tem sido aplicada desde pelo menos a década de 1930. Atualmente é amplamente aceito que a análise da força relativa pode ajudar os gestores de investimento a alcançar “excessos” estatisticamente e economicamente significativos. Pesquisas adicionais confirmaram o valor de outras ferramentas técnicas, incluindo análise de padrões, médias móveis e indicadores.

Pesquisas mais recentes abordaram o papel da análise técnica no contexto mais amplo dos mercados financeiros e começam a traçar as ligações entre a economia comportamental (Finanças Comportamentais), atores individuais nos mercados financeiros e o papel da análise técnica no estudo do comportamento de atores individuais. A evolução da análise técnica tem servido para abordar muitas das críticas relacionadas a análise técnica. Observa-se que, ao longo do tempo, as ideias expressas por Charles Dow no início do século XX foram validadas no século XXI. Os pesquisadores estão agora avaliando as observações dos analistas que se basearam nas teorias de Dow e os analistas técnicos estão aplicando essas pesquisas à ação do mercado em tempo real.

A ideia de que a análise técnica tem valor como ferramenta na pesquisa financeira encontra forte apoio na literatura acadêmica, bem como no trabalho de muitos profissionais. Para mostrar esse apoio, observam-se as publicações recentes e o trabalho de um grande grupo de profissionais sobre o tema da análise técnica no ambiente institucional.

Em 2015, a Market Technicians Association (MTA), uma associação profissional mundial de profissionais de análise técnica, realizou uma extensa pesquisa e análise de atividades relacionadas ao trabalho. A pesquisa buscou identificar como os profissionais utilizam a análise técnica como parte de sua atividade e particularmente o que consideram como parte mais crítica do conteúdo da análise técnica e quais são as habilidades fundamentais do analista técnico. Esta pesquisa é parte do processo contínuo da MTA de manter as leituras do currículo atualizadas para os três níveis do exame Chartered Market Technician (CMT), FINRA (Financial Industry Regulatory Authority) – designação reconhecida para profissionais de análise financeira. A pesquisa buscou identificar conhecimentos e habilidades específicas de análise técnica que foram consideradas mais valiosas para os profissionais de hoje e, mais especificamente, quais tarefas foram realizadas usando esse conhecimento e habilidade. Esta pesquisa foi a mais abrangente de sua espécie já concluída.

A análise das respostas da pesquisa indicou que a maioria dos profissionais não usava a análise técnica isoladamente, mas sim integrada com o uso dessa análise com outras habilidades e conhecimentos. As respostas também mostraram que a abordagem utilizada pelos profissionais está evoluindo ao longo do tempo. Hoje em dia, os profissionais precisam de uma compreensão não só de análise técnica, mas também aspectos de outras disciplinas que podem fornecer contexto para o estudo técnico. Com base nos insights dessas respostas, o currículo do exame foi realinhado para corresponder à maneira como a disciplina evoluiu e refletir a integração da análise técnica na pesquisa financeira em geral. O currículo redesenhado se baseia em trabalhos que discutem não apenas a análise técnica, mas também análise estatística, análise quantitativa, finanças comportamentais e análise fundamentalista.

Para ajudar os profissionais a apreciar e entender a evolução da análise técnica como uma disciplina moderna, o currículo inclui um tratamento histórico, mudanças recentes e práticas atuais da análise técnica. O currículo também inclui leituras destinadas a ajudar os profissionais a compreender as questões que fomentaram a resistência a esta disciplina no setor financeiro. Essa informação deve ajudar os profissionais a entender quais práticas melhoram o valor da análise técnica, especialmente à medida que a prática da análise técnica evoluiu de maneira que pode ser chamada de “análise de fusão” (fusion analysis) ou a inclusão de técnicas de várias disciplinas integradas para a seleção e tomada de decisões de investimento.

A evolução da análise técnica

Ao longo do tempo, a definição geral de análise técnica manteve-se constante. A análise técnica é o estudo dos dados gerados pela ação dos mercados e pelo comportamento e psicologia dos participantes e observadores do mercado. Tal estudo é geralmente aplicado à previsão – isto é, estimar as probabilidades para o curso futuro de preços para um mercado, investimento ou especulação, interpretando os dados no contexto de precedente.

A análise técnica abrange uma variedade de métodos para transformar histórias de preços passados em previsões. No final dos anos 1800, os métodos envolviam principalmente a criação de gráficos que seguiam o “método do livro”, conforme documentado por Charles Dow e outros (Charles Dow, “Methods of Reading the Market”, Wall Street Journal, 20 de julho de 1901). Esse estilo de gráficos agora é chamado de método “ponto e figura”. Gráficos de barras mais familiares foram desenvolvidos no início do século XX, tornando a “análise de padrões” popular. Foram atribuídos nomes variados aos padrões, mas todos serviram a pelo menos um de dois propósitos: identificar períodos de tempo que provavelmente seria o início de uma nova tendência ou identificar períodos de tempo em que as tendências existentes seriam provavelmente revertidas. Em outras palavras, todos os padrões procuram definir períodos com alta probabilidade de consolidação de preços ou reversão de preços.

Na década de 1950, os gráficos eram amplamente utilizados, e as médias móveis, ou linhas de tendência automatizadas, estavam sendo adicionadas aos gráficos (Edwards, Magee e Bassetti, 2007). Buscando uma vantagem, analistas técnicos na década de 1960 estavam usando técnicas matemáticas mais sofisticadas para calcular médias móveis e outros indicadores. As novas médias móveis incluem médias exponencialmente ponderadas, bem como médias triangulares ponderadas e outras variações. No final, cada analista estava procurando uma vantagem, mas os diferentes métodos de cálculo não resolveram os problemas envolvidos com as médias móveis. Custos comerciais elevados, sinais atrasados ​​e sinais de negociação erróneos de curta duração causam problemas significativos, não importa como a média é calculada. Ao descobrir que a matemática mais sofisticada não aumentou drasticamente a eficácia das médias móveis, os analistas criaram novos indicadores. O aumento do acesso a computadores levou a uma proliferação de indicadores, muitos dos quais se baseiam nos preços de fechamento como sua única série de dados e sujeitam os preços de fechamento a diferentes formas de manipulação matemática. Sob os testes quantitativos, muitos desses indicadores não resistiram ao teste de tempo ou ao exame detalhado de analistas objetivos, enquanto alguns foram mostrados para agregar valor ao processo de seleção de investimento.

Os avanços no poder de processamento e nas habilidades de programação permitiram o teste objetivo de indicadores e padrões de gráficos. Nos últimos anos, a análise quantitativa e as finanças comportamentais validaram algumas das técnicas utilizadas pelos analistas técnicos. A teoria financeira padrão incluiu até mesmo uma das técnicas mais populares: a análise de Força Relativa, como a praticada por analistas técnicos, que está intimamente relacionada com a anomalia momentum das finanças padrão, embora a diferença na nomenclatura possa esconder esta relação.

Crítica à análise técnica

Como observaram Lo e Hasanhodzic, a análise técnica é uma “disciplina legítima e útil, coberta por associações espúrias e merecedora de mais estudos acadêmicos”. Embora seja fácil descartar uma disciplina cujos profissionais usam a análise visual para detectar a cabeça e ombros em padrões gráficos, os padrões são frequentemente heurísticas ao invés de associações aleatórias. A análise de gráficos é uma abordagem intuitiva para a previsão do mercado, compartilhando uma meta com a análise quantitativa – que é uma abordagem estatística para a previsão do mercado – e com a análise fundamentalista, que se baseia em um estudo cuidadoso das demonstrações financeiras para prever retornos futuros. Os meios de alcançar a meta são diferentes em todas as três formas de análise.

Se a evolução da análise técnica tivesse seguido um processo científico tradicional, como fez a análise fundamentalista e a quantitativa, haveria menos críticas a ela. Em vez disso, os analistas técnicos têm, por vezes, se envolvido em práticas questionáveis. Nos primórdios da análise técnica, muitas teorias diferentes foram publicadas e promovidas – todas compartilhando o problema de que o nexo causal ou empírico entre as observações e as previsões era frouxo ou ausente. À medida que a disponibilidade de computadores aumentou, os testes para estabelecer ou rejeitar tal ligação tornaram-se comuns. Os primeiros testes sofreram os problemas de qualquer estudo nas ciências sociais – os testes eram muitas vezes demasiadamente estreitos, os conjuntos de dados eram muito pequenos e os resultados muitas vezes não podiam ser repetidos. No passado, a análise técnica carecia de uma abordagem formal para testar, verificar e comparar diferentes ideias. Esta falta de rigor levou a debates selvagens em torno da eficácia de abordagens específicas que continua até hoje.

À medida que a análise técnica amadureceu e os computadores estão sendo utilizados para automatizar a análise, foram desenvolvidas ferramentas que permitem a verificação consistente – como comparar sinais da análise técnica com o desempenho da compra e manutenção de um índice (estratégia buy-and-hold) para avaliar se os retornos excedentes são atingíveis com os sinais. Embora outros analistas financeiros possam ter incorporado retornos excedentes em seus trabalhos anteriormente, analistas técnicos agora comumente aplicam essa abordagem.

Uma crítica mais válida da análise técnica é que ela é subjetiva. Embora muitas técnicas analíticas exijam suposições e, portanto, incluam algum grau de subjetividade, as previsões dos grafistas (analistas técnicos que enfatizam a interpretação visual dos padrões gráficos em seu trabalho) são muitas vezes vistas como completamente subjetivas. Malkiel (1996) concluiu que “sob o escrutínio científico, a leitura de gráficos deve compartilhar um pedestal com a alquimia”. Em parte, Malkiel chega a essa conclusão observando que “um gráfico derivado de lançamentos aleatórios de moedas parece extraordinariamente o preço normal das ações e até mesmo parece exibir ciclos". Malkiel alega que, como os gráficos gerados por lançamentos de moedas não podem ser distinguidos dos gráficos de preços reais, nenhum gráfico tem valor.

O ponto de vista de Malkiel foi o tema de um estudo de Hasanhodzic, Lo e Viola (2010), que descobriram que, quando as condições simulam as negociações do mundo real, os dois tipos de gráficos podem ser distinguidos uns dos outros. Este teste foi projetado para determinar se os seres humanos podem diferenciar entre retornos financeiros reais versus aleatórios. O experimento consistiu em um videogame online onde os jogadores são desafiados a distinguir os retornos reais do mercado financeiro de permutações temporais aleatórias desses retornos. Foi encontrada evidência estatística esmagadora (p-valores não superior a 0,5%) que os indivíduos podem distinguir consistentemente entre os dois tipos de séries temporais, refutando assim a crença generalizada de que os mercados financeiros “parecem aleatórios”. Uma característica chave do experimento é que os sujeitos recebem feedback imediato sobre a validade de suas escolhas, permitindo-lhes aprender e se adaptar. Os resultados do teste não discutem contra a crítica de que os resultados individuais são subjetivos, mas demonstram que os gráficos podem ter valor para analistas qualificados.

As críticas relacionadas à subjetividade só podem ser combatidas com análise objetiva. Aqui o registro é misturado. Alguns estudos acham que certos padrões gráficos podem ser usados para gerar retornos em excesso. Outros estudos chegam à conclusão oposta. Estudos conflitantes demonstram o fato de que existe um grau de subjetividade mesmo em testes de programação destinados a identificar a subjetividade na análise. No final, essa crítica deve ser aceita como válida porque há um grau de subjetividade na análise de padrões, mesmo quando a análise é feita usando regras automatizadas. Menos (ou mesmo nenhuma) subjetividade é encontrada na análise de indicadores, especialmente quando os estudos seguem protocolos de teste padrão e avaliam os resultados contra padrões de referência.

  

Nos próximos artigos, comentaremos mais sobre análise técnica, como as pesquisas recentes sobre o tema e as aplicações modernas da análise técnica.

O Renascimento da Gestão Ativa: Mercados Financeiros Comportamentais *

* Livre tradução do texto “The Active Equity Renaissance: Behavioral Financial Markets” **

Por C. Thomas Howard

Coautoria de Jason Voss, CFA

Na série “O Renascimento da Gestão Ativa”, escrita por C. Thomas Howard, foram questionadas muitas ortodoxias da moderna teoria do portfolio (MPT), desafiando os modelos de mercados financeiros atualmente aceitos e explorando o declínio da moderna teoria do portfolio (MPT) e a loucura*** de usar a volatilidade como uma medida do risco de investimento.

Mas, ao minar os fundamentos da moderna teoria do portfolio (MPT), qual é a proposta para tomar o seu lugar?

Finanças comportamentais é a alternativa mais promissora

É hora de afastar-se da moderna teoria do portfolio (MPT) para uma alternativa mais promissora: Finanças Comportamentais. As ferramentas analíticas derivadas das Finanças Comportamentais são uma representação mais realista dos mercados financeiros e do comportamento humano e provavelmente substituirão as ferramentas limitadoras de riqueza da moderna teoria do portfolio (MPT) em uso atualmente. Infelizmente, essas mesmas ferramentas desatualizadas e ineficazes da MPT ajudam a selecionar e avaliar gerentes de gestão ativa de investimentos. Abandonar tais instrumentos obsoletos é crítico para inaugurar "O Renascimento da Gestão Ativa".

Um modelo comportamental totalmente desenvolvido dos mercados financeiros ainda não existe, mas vários conceitos subjacentes e suas implicações resultantes para a gestão de investimentos estão surgindo.

Futura Estrutura dos Investimentos

Os mercados financeiros são povoados por investidores humanos sobrecarregados com bagagem emocional e erros cognitivos associados. Em um contexto de mercado, esses erros são amplificados porque, no conjunto, eles criam o rebanho, o que leva a oscilações bruscas de preços. Multidões emocionais turbulentas causam extrema volatilidade dos retornos nos mercados financeiros. Não procure mais do que bolhas de preço do mercado de ações para evidenciar essas turbulências emocionais.

Conceito Comportamental 1: multidões emocionais, não mudanças nos fundamentos, impulsionam movimentos de preços nos mercados financeiros.

Os mercados financeiros não podem ser cuidadosamente embalados em um conjunto de equações matemáticas***. Os mercados são confusos e a única maneira de fazer sentido é vê-los em toda a sua desordem.

Nunca entenderemos porque os mercados e seus valores mobiliários subjacentes movem-se da mesma forma novamente em períodos de tempo mais curtos. Portanto, se nos perguntarem por que razão o mercado, uma ação ou outro valor mobiliário se movimentaram da mesma forma que em um determinado dia, a resposta honesta é quase sempre: "Não faço ideia". De fato, a pesquisa demonstra que apenas uma porcentagem mínima do mercado transaciona em um dado dia. No entanto, investidores e jornalistas de investimento sempre atribuem uma justificativa aos movimentos do mercado mesmo quando a causalidade implícita é quimérica (impossível de realizar, irreal). Inconcebível como isto pode ser, é um efeito do nosso primeiro conceito comportamental: Emoções – não fundamentos – são os principais motores dos mercados financeiros.

Conceito Comportamental 2: Os investidores não são racionais e os mercados financeiros não são informacionalmente eficientes.

Este conceito é diretamente contrário a alguns dos principais conceitos da teoria das finanças do século XX: que é esperado que os investidores sejam maximizadores de utilidade e que os preços de mercado refletem todas as informações relevantes.

A pesquisa de economia comportamental dizima o modelo de utilidade esperada. É praticamente impossível para um indivíduo coletar todas as informações necessárias e, em seguida, processar com precisão essa informação para chegar a uma decisão racional. Isso é conhecido como racionalidade limitada, introduzida pela primeira vez pelo economista Herbert Simon.

Ainda mais prejudicial, Daniel Kahneman, Amos Tversky e outros demonstraram de forma convincente que, mesmo quando todas as informações estão disponíveis, os indivíduos são altamente suscetíveis a erros cognitivos. Como concluíram Kahneman e Tversky após anos de pesquisa, os seres humanos normalmente não são “decisores racionais”, não tomam decisões racionalmente.

O próprio conceito de "utilidade" é falho. Se a utilidade procura injetar uma medida da felicidade na teoria econômica, então que aspecto da felicidade é medida: esperada, realizada ou lembrada? A pesquisa descobre que essas três são bastante diferentes, mesmo quando a mesma pessoa experimenta cada uma. A felicidade e, por sua vez, a utilidade são conceitos irremediavelmente maleáveis.

Uma vez que estamos fortemente predispostos a cometer erros cognitivos devido às nossas emoções, então é preciso apenas um pequeno passo para concluir que os mercados não podem ser informacionalmente eficientes. A evidência que sustenta esta conclusão é vasta: há centenas de anomalias estatisticamente verificadas na literatura acadêmica e mais continuam a ser encontradas.

Implicações para a gestão de investimentos

Uma imagem sombria dos mercados emerge: investidores emocionais, com suas tendências cognitivas e instinto de manada, constantemente afastam os preços do valor fundamental subjacente. Inesperadamente, analisar os mercados através de uma lente comportamental fornece uma estrutura mais confiável. Por quê? Porque os indivíduos raramente mudam seus comportamentos. E investidores que seguem as multidões são ainda menos inclinados a alterar seu comportamento coletivo.

Conceito Comportamental 3: As emoções dos investidores são o determinante mais importante da riqueza de longo prazo em uma carteira de investimentos.

Devemos considerar as emoções dos investidores e o comportamento resultante em todas as fases da gestão de investimentos. O processo começa com o planejamento baseado nas necessidades do cliente, no qual um portfolio separado é construído para cada necessidade diferente. Esta fase de planejamento inicial é fundamental para remover as emoções dos investidores do processo de construção de riqueza.

Para a parcela de crescimento da carteira, o foco está em um horizonte de investimento longo. A tarefa do consultor é encorajar os clientes a adotar essa visão de longo prazo, evitando ao mesmo tempo reações emocionais a eventos de curto prazo. As evidências indicam que tais decisões míopes de aversão a perda têm um efeito profundamente negativo sobre a riqueza. Coaching emocional é um dos serviços mais importantes que um consultor pode oferecer aos clientes.

Se o planejamento baseado nas necessidades for bem-sucedido, a carteira de crescimento pode ser investida em grande parte em altos retornos esperados, mas em títulos voláteis de curto prazo, como ações. É certo que é um desafio manter os clientes totalmente investidos evitando ao mesmo tempo decisões de negociação onerosas quando os mercados se tornam voláteis.

Distorções comportamentais dos preços

Quando um evento como o surpreendente voto pelo Brexit desencadeia nossas emoções, a maioria de nós reage de forma semelhante. Esta resposta coletiva é ampliada ainda mais pelo rebanho, manada. De fato, o efeito manada pode ocorrer mesmo sem um evento externo. Reagimos coletivamente porque vemos todos reagir, mesmo que nós não soubermos a razão para a dispersão (fuga) repentina.

Multidões emocionais turbulentas nos mercados criam oportunidades de compra numerosas para aqueles que não estão envolvidos no momento. Referimo-nos a essas oportunidades como distorções comportamentais dos preços.

Em contraste, estas são chamadas de “anomalias” na literatura acadêmica porque sua existência é inconsistente com a hipótese de mercado eficiente (EMH). Quando elas são incluídas nos modelos de precificação de ativos ou na construção de portfolios beta inteligentes, elas são chamadas de “fatores”. Preferimos o termo distorções comportamentais de preço porque elas são a consequência do comportamento emocional coletivo.

Conceito Comportamental 4: As distorções comportamentais dos preços são comuns nos mercados financeiros e podem ser usadas para construir estratégias de investimento bem-sucedidas.

As distorções são os ingredientes que os gerentes ativos usam ao criar uma estratégia de investimento. No caso de beta inteligente, eles são toda a estratégia. Para outros gerentes ativos, elas representam apenas uma parte da estratégia porque a “receita” ou o processo de tomada de decisão de um gerente de investimentos compõem o resto. As distorções comportamentais dos preços são essenciais para uma gestão ativa bem-sucedida.

Uma Nova Visão Mundial

Ver os investidores e os mercados como tomadores de decisões emocionais e ruins em vez de entidades computacionais racionais nos força a reconsiderar todos os aspectos da gestão de investimentos. Esses conceitos comportamentais fornecem a estrutura para repensar o planejamento financeiro do cliente, a alocação de ativos, a seleção de gestores de investimentos e a criação e execução de estratégias de investimento.

“Mudar para uma perspectiva comportamental é o primeiro passo para se tornar um analista financeiro comportamental. Pode parecer um passo radical, mas realmente é apenas o reconhecimento formal do óbvio. A sabedoria é ver o mundo pelo que é, não pelo que gostaríamos que fosse.”

Após o reconhecimento vem uma transição formal para ferramentas analíticas melhoradas, várias das quais C. Thomas Howard pretende destacar em futuros artigos. Essas ferramentas são as precursoras do "Renascimento da Gestão Ativa".

**Fonte:

https://blogs.cfainstitute.org/investor/2017/05/08/the-active-equity-renaissance-investment-management-in-behavioral-financial-markets/

*** Alguns trechos do artigo não representam necessariamente a opinião do blog https://gestaofinanceirapersonalizada.blogspot.com.br