quinta-feira, 14 de julho de 2016

Reversão de Tendência e Pontos de Troca

Há alguns pontos no livro Quantitative Trading do Ernest Chan a respeito Regime Switching (às vezes vou chamar isso de Mudança de Tendência, às vezes vou chamar de Mudança de Regime, às vezes de Troca de Regime, Reversão de Tendência, enfim, não vou ser formal, basta entender o contexto, ok?) que gostaria de comentar. Achei bem útil um método que ele propõe no livro para determinar Turning Points, então vou tentar resumir o que ele fala lá e imbutir minha percepção a respeito disso. 

Regimes são aqueles períodos em que o ativo está em tendência, ou mais propriamente em tendência momentânea, e Regime Switching são os efeitos de troca de tendência que ocorrem ao longo da história do ativo. 

Algumas tentativas acadêmicas foram feitas na intenção de modelar Mudanças de Regime, mas no geral elas seguem os seguintes passos:

  1. Sejam dois (ou mais) regimes caracterizados por diferentes distribuições de probabilidades de preços. De modo simples, o log dos preços de cada regime é representado por distribuição normal, cada um com diferente média e desvio padrão.
  2. Assuma que há uma probabilidade de transição entre os regimes.
  3. Ajuste as curvas de distribuição de probabilidades de cada regime a conjuntos de preços passados  utilizando alguma técnica de fitting como Maximum Likelihood Estimation.
  4. Baseado no modelo ajustado, determine o regime esperado do próximo tick e, mais ainda, o preço esperado do próximo tick.
Esse modelo o Chan cita como sendo chamado de Markov Regime Switching, ou Hidden Markov Models. 

Para propósito de trading prático, esse modelo não é nem um pouco útil para representar as oscilações de mercado, principalmente porque (1) ele assume probabilidades de transição constantes entre cada regime, e (2) existe sempre uma probabilidade de que um sistema em regime pouco volátil se torne muito volátil e vice-versa, e que a probabilidade de transição entre regimes caia abruptamente sob algumas condições específicas.

E aqui começa a parte legal. Uma forma de se prever as trocas de regime é através de Turning Points. Nesse caso, o modelo é gerado a fazendo mineração de dados partir de várias variáveis que poderiam predizer uma troca de regime, como volatilidade instantânea, retorno do último período, ou mesmo mudanças em variáveis macroeconômicas, como confiança de consumo, preço do óleo, ou outros.

Ele ilustra como detectar Turning Points a partir de um exemplo, em que faz mineração de dados de indicadores técnicos simples, construídos sobre preços de ações como entrada e retornos de períodos múltiplos como saída. No caso, escolhe um ativo como proxy para o setor. O objetivo é descobrir se é capaz de identificar Turning Points no setor, em que os regimes vão de Bull a Bear e de Bear a Bull. A hipótese inicial é de que mudanças nas taxas de interesse, releases de relatórios macroeconômicos pelo governo e anúncios de ganhos podem funcionar como triggers para Turning Points.

Aqui há dois artifícios. (1) Considera que uma grande mudança no preço do ativo pode ser um proxy para notícias; e (2) se o preço da ação atingir a maior alta (ou baixa) de N dias logo antes de haver uma grande queda (ou grande alta) é um bom sinal de que o regime anterior está próximo do fim.

O problema da optimização então se resume a descobrir os seguintes pontos:

  1. Quanto (%) o preço precisa mudar para provocar uma reversão de tendência?
  2. Quanto é N, da condição de maior alta (ou maior baixa) de N dias?
  3. Quanto tempo os regimes duram? Ou seja, qual é o holding period optimo?
A única variável independente é o retorno de 1 dia. Como variáveis dependentes, sejam os retornos futuros do ativo, dentro de vários holding periods

Ele utiliza um software específico para fazer essa optimização, no ativo GS, com dados no máximo até 2009, que foi quando a minha versão do livro foi escrita. Para nós, creio que é suficiente dizer que ele alcança um resultado bem razoável para esse ativo, em que mostra um crescimento acumulativo do retorno de 37.93% (e compara com 15.77% se utilizasse uma estratégia de Buy-And-Hold) em cima de um período de backtests de 6 meses. E no fim ele complementa que a estratégia provavelmente pode ser melhorada se ao invés de utilizar a grande mudança no preço como proxy de notícias, utilizar realmente algum indicador que se baseie em notícias. 

É isso, não vou me prolongar mais. Mas fica aqui a idéia.

Nenhum comentário:

Postar um comentário