Errando como sempre

 Operadores do mercado financeiro erram todas as previsões porque desconhecem a evidência empírica e conceitos elementares de Séries Temporais

A montagem desta postagem mostra duas realidades contrastantes: o mundo de quem é remunerado para prever o movimento dos mercados financeiros de um lado, e a realização desse mercado de outro, que foi na contramão das previsões dos “especialistas”

Uma ideia da magnitude do erro: analistas previam queda e desastre, mas em 6 meses tudo mudou: o índice de renda variável brasileiro valorizou 9.04% (1.50% por mês)

Se descontarmos a inflação acumulada nesse período (IBGE, inflação média mensal de 0,50%), o retorno fica em 1% ao mês (essa é uma média ao longo dos 6 meses). Para efeitos de comparação, no mesmo período, o S&P 500 teve retorno acumulado de -1.31%

Por que isso acontece?

Primeiramente, por causa da evidência com pesquisas com humanos em ambiente de finanças. Evidências mostram um viés implícito dos operadores do mercado financeiro. Veja a seguir:

- Indivíduos se baseiam em informações financeiras irrelevantes para fazerem suas previsões no mercado financeiro, que determinam suas escolhas e alocações nos ativos, direcionadas por reações afetivas e narrativas (notícias), em vez de fundamentos racionais (Johnson & Tuckett, 2022)

- Essa “confiança na narrativa” resulta em uma superestimação nos preços de ativos (Morag & Loewenstein, 2024)

Em segundo lugar, o mais importante: falta conhecimento das propriedades elementares de Séries Temporais. Exemplos:

- Se você “plota” duas variáveis ao longo do tempo, você possui um terceiro elemento neste gráfico (o tempo), que pode estar conectando o movimento dessas duas variáveis.

Em linguagem econométrica, essas variáveis podem estar cointegradas, gerando uma correlação espúria

(Muitos operadores do mercado financeiro desconsideram essa questão e elaboram conclusões de correlações a partir de gráficos de Séries Temporais)

- “Prever” o futuro implica em considerar efeitos exógenos/externos que de certa forma são imprevisíveis e podem influenciar o movimento de uma variável ao longo do tempo

(Exemplos: uma pandemia mundial ou um presidente recém-eleito que promete impor tarifas em todos os países do mundo)

- Não se realiza inferências em processos de Séries Temporais a partir do ‘framework’ tradicional da Estatística. Nassim Taleb está finalizando um livro que vai discutir as propriedades matemáticas e estatísticas de distribuições de probabilidade que são assimétricas em sua variabilidade (ex: mercado acionário)

- Por fim, todos esses pontos consideram agentes imbuídos de espírito “honesto” em suas avaliações. Entretanto, como as análises deste print em geral são capazes de produzirem volatilidade no mercado, essa volatilidade pode remunerar atores estrategicamente “posicionados” neste mercado (mais detalhes em Housel, 2020)

Referências nos comentários