Por que os retornos das ações podem ser previsíveis apenas em janelas breves

Os retornos das ações podem ser previsíveis, mas apenas em janelas breves

Investidores passaram décadas buscando indicadores que prevejam de forma confiável os retornos das ações. Razões de avaliação, taxas de juros, spreads de crédito, inflação, volatilidade do mercado e medidas de atividade econômica já mostraram potencial em algum momento. A dificuldade está no fato de que um indicador pode parecer útil em um período e tornar‑se ineficaz no seguinte.

Um novo estudo publicado no Journal of Econometrics¹ argumenta que essa instabilidade pode ser uma característica definidora da previsibilidade do mercado, e não um defeito nos dados. Os retornos das ações podem ser previsíveis, mas apenas durante episódios temporários gerados por recessões, choques financeiros, mudanças de política ou alterações na forma como os investidores processam informações.

Os pesquisadores desenvolveram procedimentos estatísticos de monitoramento destinados a detectar esses episódios à medida que surgem. Seu trabalho reformula a questão prática. Em vez de perguntar se uma variável prediz retornos ao longo de toda a amostra histórica, os investidores deveriam perguntar se ela recentemente começou a conter informações úteis.

Por que sinais permanentes de mercado são tão difíceis de encontrar

Pesquisas preditivas tradicionais costumam estimar uma única relação ao longo de décadas de dados. Por exemplo, um analista pode testar se os rendimentos de dividendos predizem o prêmio de risco de ações, ou seja, o retorno que as ações geram acima de um ativo livre de risco. Isso pressupõe que a relação permaneça suficientemente estável ao longo da amostra.

Os mercados raramente cooperam. Mudanças na política monetária, evolução das regulamentações e estratégias amplamente descobertas atraem capital. Um sinal pode se intensificar durante uma crise e desaparecer quando os investidores o reconhecem. Um modelo de período completo pode, portanto, diluir um episódio útil com muitos anos nos quais nenhuma relação existia.

Isso ajuda a explicar por que variáveis financeiras podem parecer estatisticamente significativas em um estudo e falhar em outro. O desacordo pode não indicar que um resultado esteja necessariamente errado. Os estudos podem ter analisado regimes de mercado diferentes.

O desafio se torna maior porque muitos preditores comuns são altamente persistentes. Rendimentos de dividendos, razões preço/valor contábil e medidas de taxa de juros podem permanecer elevados ou deprimidos por longos períodos. Eles também podem se mover juntamente com os mesmos choques que afetam os retornos. Testes estatísticos convencionais podem confundir essas características com poder preditivo.

Como o monitoramento em tempo real altera o problema

O artigo propõe monitorar os dados recebidos sequencialmente após estabelecer um período inicial de treinamento sem previsibilidade detectada. Sua abordagem preferida utiliza um processo de soma cumulativa, ou CUSUM, construído a partir de condições de variáveis instrumentais IVX.

Em termos mais simples, o sistema acompanha se a relação entre um indicador candidato e os retornos subsequentes está se afastando suficientemente da linha de base histórica a ponto de justificar um sinal. Ele foi projetado para funcionar sem que o usuário precise saber previamente se o preditor é fracamente persistente, próximo a uma raiz unitária ou algo intermediário.

A estrutura de monitoramento aborda vários problemas simultaneamente:

• Relações preditivas podem começar e terminar sem aviso.
• Testes repetidos podem gerar falsos alarmes mesmo quando nenhum sinal existe.
• Mudanças na volatilidade podem fazer testes comuns detectar relações que não são reais.
• Preditores podem ser persistentes e correlacionados com retornos de mercado inesperados.

O ajuste de volatilidade é especialmente importante. Um grande choque de mercado gera observações maiores, o que pode empurrar uma estatística de monitoramento além de um limiar mesmo que a relação preditiva subjacente não tenha mudado. Isso está relacionado ao problema mais amplo de que indicadores familiares podem capturar apenas parte do ambiente de risco, conforme discutido na análise da Securities.io sobre por que o VIX não captura totalmente o risco do mercado de ações.

O que as simulações encontraram

Os autores testaram seus métodos em mercados simulados com diferentes persistências de preditores, trajetórias de volatilidade, relações de endogeneidade e datas de início para episódios preditivos. Vários procedimentos CUSUM propostos mantiveram taxas de falsos positivos razoavelmente controladas em muitas dessas condições.

Os métodos mais robustos geralmente detectaram a previsibilidade mais cedo do que os procedimentos concorrentes de janela móvel, particularmente quando o preditor era extremamente persistente. Isso é relevante porque um sinal de curta duração perde valor prático se um modelo o identifica apenas próximo ao final do episódio.

Entretanto, nenhuma versão se sobressaiu em todas as condições. Um procedimento reagiu particularmente rápido, mas gerou falsos positivos excessivos após um aumento da volatilidade. Outro foi mais conservador e mais lento. A abordagem de CUSUM ajustada por variância, preferida pelo artigo, ofereceu um equilíbrio mais útil entre velocidade de detecção e controle de falsos alarmes.

Um modelo que sinaliza com muita facilidade incentiva a rotatividade custosa e o excesso de confiança. Um modelo cauteloso pode reconhecer um regime apenas depois que grande parte da oportunidade já passou. Sistemas em tempo real, portanto, precisam de uma política explícita para escolher entre sinais perdidos e alarmes falsos.

O que aconteceu quando o modelo observou o S&P 500

Os pesquisadores realizaram um exercício pseudo‑tempo real usando dados mensais do S&P 500 e preditores candidatos de janeiro de 1965 a dezembro de 2024. Os preditores incluíram razões de avaliação, medidas de volatilidade, indicadores técnicos, rendimentos de títulos, variáveis do mercado de crédito, inflação e atividade econômica.

Testes em toda a amostra encontraram pouca evidência de que a maioria das variáveis predizia retornos de forma consistente. Ainda assim, os procedimentos de monitoramento identificaram janelas distintas. Vários indicadores de títulos e macroeconômicos tornaram‑se informativos em torno da perturbação de mercado de 1973‑1975. O spread de taxa mostrou conteúdo preditivo no período que antecedeu a Black Monday. Outros sinais surgiram durante a crise financeira global, em 2018 e em 2022.

Esses resultados sustentam uma interpretação baseada em regimes. Retornos de crédito, spreads de rendimento, liquidez, avaliação e folga econômica podem ser mais relevantes quando o mercado está reavaliando risco. Eles não precisam prever retornos em condições normais para se tornarem úteis em períodos de estresse.

A Grande Visão é a Gestão do Ciclo de Vida do Sinal

A contribuição mais valiosa do estudo não é uma lista de indicadores para negociar, mas sim uma estrutura para gerir o ciclo de vida de um sinal de investimento.

Um modelo de produção deve ter uma regra de ativação, uma regra de aposentadoria e um método de recalibração após a detecção de um episódio. Isso difere de construir um modelo de previsão uma única vez e assumir que seus coeficientes permanecem válidos. Trata a previsibilidade como um estado de sistema em mudança.

Essa perspectiva também sugere que a volatilidade desempenha dois papéis. Ela pode conter informação sobre retornos esperados, mas também pode corromper o teste estatístico usado para detectar essa informação. Pesquisas cobertas pela Securities.io encontraram de forma semelhante que os retornos diários podem continuar valiosos para a previsão de volatilidade mesmo quando conjuntos de dados de alta frequência estão disponíveis. Mais dados não resolvem automaticamente a instabilidade do modelo se as relações dentro desses dados continuarem mudando.

Para equipes de investimento, o próximo passo lógico seria um sistema em camadas. Um modelo monitoraria se um preditor candidato entrou em um regime ativo. Uma camada de previsão separada estimaria a direção e a magnitude dos retornos esperados. A construção de portfólio então consideraria custos de negociação, perdas, liquidez e limites de posição.

Essa separação é essencial porque previsibilidade estatística não é o mesmo que uma estratégia lucrativa. O artigo não calcula retornos de portfólio, custos de implementação, impostos ou desempenho ajustado ao risco. Seu exercício histórico é pseudo‑tempo real, e não uma implantação ao vivo. Alegações de que o método pode superar o mercado iriam além das evidências apresentadas.

Investindo na Camada de Inteligência Financeira

O estudo aponta para uma demanda crescente por dados financeiros mais limpos, análises adaptativas e ferramentas capazes de reconhecer mudanças de regime. Uma empresa posicionada dentro dessa infraestrutura é a S&P Global (SPGI ) . .

A S&P Global atua em benchmarks, ratings, inteligência de commodities e dados de mercado. Sua divisão de Market Intelligence fornece muitos dos conjuntos de dados e fluxos de trabalho analíticos que as instituições utilizam para pesquisar empresas, condições de crédito e comportamento de mercado. A empresa também ampliou suas capacidades de IA por meio da Kensho, incluindo ferramentas projetadas para conectar registros corporativos complexos e tornar os conjuntos de dados financeiros mais fáceis de serem interpretados por máquinas. Em 2026, a S&P Global descreveu uma versão ampliada do Kensho Link com cobertura de entidades mais ampla e reconhecimento aprimorado em estruturas corporativas complexas.

Isso não significa que a S&P Global possua ou comercialize o método de monitoramento descrito no estudo. A conexão de investimento é mais ampla: modelos financeiros adaptativos dependem de dados extensos, padronizados e oportunos. À medida que sistemas quantitativos se tornam mais responsivos aos regimes de mercado, a qualidade e a integração dos dados passam a fazer parte da vantagem competitiva.

O perfil recente da Securities.io de MSCI e a infraestrutura por trás dos mercados financeiros destaca a mesma tendência subjacente. Os provedores de índices operam cada vez mais como empresas de dados e análises, em vez de simples publicadores de listas de referência.

A previsibilidade do mercado é um alvo em movimento

O artigo não resolve o debate sobre mercados eficientes, mas oferece uma forma mais realista de enquadrá‑lo. Os mercados podem ser, em geral, difíceis de prever, embora ainda gerem breves períodos nos quais indicadores econômicos e financeiros se tornam incomumente informativos.

Para os investidores, a implicação não é perseguir cada variável recém‑significativa. Trata‑se de considerar os sinais como condicionais, monitorar sua estabilidade e reconhecer que uma relação descoberta durante uma crise pode não sobreviver à próxima expansão. A vantagem duradoura pode estar menos relacionada a encontrar uma fórmula de previsão permanente e mais a detectar quando as regras do mercado mudam temporariamente.

Referências:

¹ Demetrescu, M., Schmidt, F., & Taylor, A. M. R. (2026). Monitoramento em tempo real da previsibilidade de retornos de ações em ambientes de volatilidade não estacionária. Journal of Econometrics, 258, 106341. https://doi.org/10.1016/j.jeconom.2026.106341