O responsável de Análise Quantitativa da State Street Global Advisors explica como a sua abordagem regime-aware utiliza a inteligência artificial para identificar regimes de mercado sem preconceitos humanos.
Numa Era em que a informação financeira abunda, Daniel Ung, responsável de Análise Quantitativa e Soluções de Carteiras de ETF para a EMEA e APAC da State Street Global Advisors, e a sua equipa, estão a liderar uma revolução na análise de mercados. A sua abordagem, denominada regime-aware ou consciente do regime, utiliza técnicas avançadas de aprendizagem automática para identificar e prever regimes de mercado, eliminando vieses comportamentais e oferecendo uma perspetiva única para a tomada de decisões de investimento. Assim o partilhou o especialista no Workshop FundsPeople: O Dia dos Selecionadores de Fundos.
Eliminar vieses comportamentais
“O mais importante aqui é que como normalmente o investidor tem sempre uma opinião sobre o que está a acontecer no momento, talvez sejam os fatores macro cognitivos os mais importantes, e, noutros casos, os fatores micro, pelo que tentamos retirar todos os vieses comportamentais”, explica Daniel Ung. Esta abordagem, regime-aware, utiliza técnicas avançadas de aprendizagem automática para identificar e prever regimes de mercado de maneira objetiva.
O coração desta abordagem inovadora reside na capacidade de identificar regimes de mercado sem depender de conhecimentos prévios ou intuições humanas. Utilizando 17 séries temporais que abrangem desde fatores macro até métricas de volatilidade, o modelo de Daniel Ung aplica técnicas de agrupamento para classificar os estados do mercado em três categorias principais: crises, crescimento forte e situações intermédias.
O mais destacável deste método é a sua capacidade para se validar de forma independente. Ao comparar os períodos de crise identificados pelo modelo com as perdas máximas do S&P 500, consegue-se uma precisão próxima de 70%, demonstrando a robustez da abordagem.
Da análise à ação e à personalização
Uma vez identificados os regimes, o modelo de Daniel Ung oferece recomendações sobre os tipos de ativos que podem ter um melhor desempenho em cada cenário. Por exemplo, em períodos de forte crescimento, o modelo sugere alocações a tecnologia, energia e small cap value. Para situações intermédias ou de transição de regimes, propõe uma exposição mais diversificada, incluindo commodities, healthcare e dividendos.
Daniel Ung enfatiza a importância da personalização neste processo. “Vamos sempre colaborar com os clientes para chegarmos a um destino”, afirma, indicando que as recomendações do modelo são ajustadas às necessidades e aos objetivos específicos de cada cliente.
O especialista descreve a sua metodologia como uma abordagem leiga, em que diferentes blocos de ativos são combinados para se construir uma carteira otimizada. Esta abordagem permite uma grande flexibilidade na construção de carteiras, adaptando-se a diferentes cenários de mercado e aos perfis de risco dos clientes.
O futuro da gestão de carteiras
A equipa da State Street Global Advisors está a levar a sua investigação um passo mais além, explorando a previsão de regimes futuros através de técnicas de aprendizagem profunda. “O deep learning é o processo no qual o algoritmo tenta imitar o cérebro humano”, explica, descrevendo como estas técnicas avançadas podem identificar padrões complexos nos mercados financeiros.
“A transparência e a interpretabilidade de dados são fundamentais em qualquer tipo de modelos de aprendizagem automática, visto que tanto os especialistas em alocação de ativos, como os reguladores devem poder explicar e/ou reconhecer os fatores que impulsionam a previsão de cada regime, facilitando a realização de uma verificação de coerência e, portanto, descartando previsões realizadas sobre a base de caixas negras”, argumenta o especialista.
O trabalho de Daniel Ung representa um salto qualitativo na gestão de carteiras. Ao combinar análises de dados avançados com inteligência artificial, oferece uma ferramenta poderosa para navegar pelos complexos mercados financeiros atuais, ajudando a melhorar a tomada de decisões de investimento e a abrir novas possibilidades para estratégias de investimento baseadas em dados objetivos e livres de vieses humanos.