Há duas maneiras para construir Trading Systems Quantitativos: usando data mining ou explorando ineficiências de mercado. Os sistemas que são baseados em data mining tendem a capturar mais ruído que sinais. Apesar de funcionar em backtests, costumam falhar no mercado real. Sistemas que são baseados em modelos de ineficiências de mercado são mais difíceis de construir, porém são mais robustos e funcionam melhor, quando colocados em prática. 

Ineficiências são baseadas no comportamento psicológico dos traders, fatores macroeconômicos, microestrutura de mercado, eventos microeconômicos nas empresas e em outros fenômenos que afetam os preços. Essas ineficiências geram padrões que desviam do comportamento normal randômico no curto prazo dos mercados. Os sistemas quants baseados em algoritmos que têm melhor performance, são os que modelam ineficiências de mercado. 

A seguir vamos elencar 7 ineficiências que podem ser exploradas por traders que desejam construir Trading Systems Quantitativos.

1. Estratégias que exploram tendência de mercado

Momentum é a tendência de que os preços se movam, no curto prazo, na mesma direção observada no passado recente. Um método clássico para explorar tendência de mercado é aquele que utiliza o cruzamento de médias móveis. Dado que identificar tendência é relativamente simples, não é fácil obter lucros consistentes usando esse tipo de estratégia. 

O real problema, difícil de resolver, é identificar a tendência real. Uma série aleatória de preços que aparentemente exibe tendência pode não ter momentum que possa ser consistentemente explorado.

Para identificar tendência, é indicado usar filtros que possam constatar os diferentes tipos de regimes de mercado. Podem ser utilizados filtros low-pass ou o expoente de Hurst, por exemplo, para identificar se o mercado está entrando ou saindo de um regime de tendência.

2. Estratégias de reversão à média

Uma série de preços possui reversão à média quando tende a convergir para um valor “justo” desconhecido consistentemente. Isso significa que, se os preços atingirem níveis muito altos, ou muito baixos, a série eventualmente convergirá para esse valor justo.

Estratégias que exploram essa ineficiência de mercado são construídas, primeiro procurando encontrar esse valor justo através de modelos, e depois determinando se os preços estão muito altos ou muito baixos. São estratégias contrárias. O trading system vai comprar quando os preços estiverem muito baixos e vender quando estiverem muito altos.

O expoente de Hurst pode ser utilizado para detectar processos de reversão à média. O diferencial de estratégias desse tipo, que são bem sucedidas, está na modelagem do “verdadeiro” valor médio e na correta previsão de preços muito altos ou muito baixos.

3. Estratégias de arbitragem estatística (Stat Arb)

Statistical Arbitrage (Stat Arb) é um tipo de estratégia market neutral que se baseia no conceito de reversão à média para montar operações long/short entre grupos de ativos. A estratégia Stat Arb mais básica é a de pair trading, um long/short entre dois ativos, onde o ratio é tratado como um processo que possui reversão à média. Para encontrar um par de ativos adequado para a estratégia, avalia-se a cointegração entre os dois ativos.

4. Padrões gráficos

O comportamento psicológico dos traders é uma ineficiência que pode ser explorada quantitativamente. O comportamento de manada de identificar um padrão se formando em um gráfico é uma profecia autorrealizável. Não existe nenhuma racionalidade econômica atrelada aos padrões gráficos, porém eles podem ser identificados utilizando vários métodos como, por exemplo, a distância de Fréchet.

5. Sazonalidades

A oferta e a demanda por ativos pode seguir padrões temporais diários, semanais, mensais, e assim por diante. Por exemplo, gestores de fundos podem rotacionar o portfólio para ativos de alta qualidade ao final do mês para evitar reportar posições perdedoras. Esse tipo de ineficiência é facilmente detectável, sendo, portanto, confuso, de vida curta e difíceis de detectar manualmente. Utilizando Minimum Viable Python, é possível explorar as séries de preços e detectar se realmente existem padrões sazonais exploráveis.

6. Modelagem de séries temporais

Time series models assumem que retornos e/ou volatilidade futuros podem ser previstos utilizando combinações, geralmente lineares, de observações passadas. No entanto, a modelagem pode ser complicada, porque séries temporais de ativos financeiros tendem a ser não estacionárias, ou seja, ter média e variância (e distribuição de probabilidade) variando ao longo do tempo. No entanto, modelos de séries temporais como ARIMA e GARCH podem ser efetivos para a modelagem desse tipo de ineficiência. 

7. Choques de preços

Estratégias que envolvem choques de preços exploram ineficiências momentâneas associadas a fatores exógenos, como a divulgação de números macroeconômicos ou resultados das empresas. Sempre que esses fatores de preços desviam das expectativas de analistas, observam-se movimentos de preços relativos à essa ineficiência criada. Mesmo sem acompanhar as notícias, traders podem construir estratégias que detectam sinais antecedentes desses movimentos de preços e aproveitar o momentum criado. Indicadores de força relativa podem ser utilizados para estratégias de intraday. Modelos envolvendo volume e sentimento dos players de mercado também podem ser construídos.

Conclusão

Ao invés de copiar estratégias de outros que foram construídas sem racionalidade (data mining), ou simplesmente seguir cegamente o momentum do mercado, traders quant podem modelar as diversas ineficiências de mercado que surgem a todo tempo e construir trading systems que apresentam ganhos robustos. É importante ressaltar que essas estratégias devem passar por backtests rigorosos antes de serem aplicadas no mercado.

Várias anomalias de mercado foram detectadas pelo prêmio Nobel Richard Thaler e são exploradas em seu livro “The Winner’s Curse”.