Estou prestes a mostrar como quants institucionais usam análise de séries temporais para encontrar vantagem em qualquer mercado e compartilhar o framework completo que você pode implementar a partir de hoje.
Vamos direto ao ponto.
Marque isto - Sou Roan, desenvolvedor backend trabalhando com design de sistemas, execução estilo HFT e sistemas de trading quantitativo. Meu foco é entender como os mercados de previsão realmente se comportam sob carga. Para sugestões, colaborações ou parcerias, DMs estão abertos.
Em 2008, a maioria dos traders olhava para títulos lastreados em hipotecas e via uma linha subindo.
Eles viam uma tendência. Viam momentum. Rodavam seus modelos de séries temporais. Os modelos diziam "comprar". Os modelos estavam catastroficamente errados.
Um pequeno grupo de traders olhou para a mesma linha e fez uma pergunta diferente. Não "para onde a linha está indo?", mas "o que está gerando essa linha?" Eles cavaram os dados das hipotecas subjacentes. Encontraram empréstimos com taxas ajustáveis sendo dados a pessoas sem comprovação de renda. Encontraram taxas de inadimplência subindo silenciosamente nos dados muito antes de qualquer gráfico de preço mostrar algo. Usaram essa informação, que nenhum modelo de série temporal poderia ter capturado sozinho, para montar posições que renderam bilhões quando o mercado desabou.
Esta é a lição mais importante em toda a análise de séries temporais. A linha no seu gráfico é consequência de algo que está acontecendo no mundo real. Um modelo de série temporal pode te dizer o que essa linha estava fazendo. Ele não pode te dizer o que está realmente causando isso. E no momento em que a realidade subjacente muda, seu modelo se torna um passivo em vez de um ativo.
Já abordei Cadeias de Markov para detecção de regimes e Redes Neurais para geração de sinais em artigos anteriores. A análise de séries temporais é a terceira camada essencial do stack de trading sistemático. Juntos, esses três frameworks formam um sistema de trading quantitativo completo.
Ao final deste artigo, você entenderá exatamente o que é uma série temporal e como os mercados as geram, por que seu modelo de série temporal está sempre errado e por que isso é realmente ok, as três tarefas fundamentais que orientam toda decisão de trading quantitativo, o framework de implementação completo — do dado bruto aos sinais de trading ao vivo — e o único erro que causa 90% das falhas em modelos de séries temporais antes mesmo de tocarem capital real.
Nota: Este artigo é deliberadamente longo. Cada parte constrói sobre a anterior. Se você leva a sério a construção de uma vantagem sistemática usando análise de séries temporais, leia cada palavra. Se está procurando um atalho, isso não é para você.
Parte 1: O que uma Série Temporal Realmente É e o que Ela Está Escondendo de Você
Uma série temporal é uma sequência de observações registradas em intervalos regulares ao longo do tempo. O preço de fechamento diário de uma ação. Leituras horárias de temperatura. Números mensais de desemprego. Cada uma é uma série de valores indexados pelo tempo.
Essa definição é tecnicamente correta e praticamente incompleta.
A coisa crítica que a maioria das pessoas perde é que toda série temporal é gerada por algo. O preço de uma ação não se move aleatoriamente no vácuo. Ele é o resultado de milhões de decisões tomadas por investidores, algoritmos, formadores de mercado e forças macro que você não pode observar diretamente apenas da série de preços. O preço é o que economistas chamam de variável consequência. O que realmente o está dirigindo é a distribuição geradora de dados subjacente.
Essa distinção importa enormemente para trading. Quando você aplica um modelo de série temporal a dados de mercado, você está modelando a saída visível de um processo invisível. Enquanto o processo invisível permanecer aproximadamente o mesmo, seu modelo captura padrões úteis. No momento em que o processo subjacente muda, seu modelo está silenciosamente ajustando algo que não existe mais.
Pense na temperatura em Nova York. Se é dezembro e atualmente estão 20 graus Fahrenheit, como estará amanhã? Sua resposta provavelmente é algo perto de 20 graus, para mais ou para menos. Você não está fazendo uma previsão precisa. Você está produzindo uma expectativa baseada no estado atual e nos padrões sazonais conhecidos. Essa expectativa estará aproximadamente correta na maioria das vezes sob condições normais.
Agora imagine que um vulcão entre em erupção na Islândia e eleve as temperaturas globais em 15 graus em uma semana. Seu modelo não tem informação sobre aquele vulcão. Sua previsão estará violentamente errada. Não porque o modelo é ruim. Porque o processo de geração de dados subjacente mudou de uma forma completamente invisível na série de temperaturas.
Isso é exatamente o que aconteceu com os títulos hipotecários em 2008. A série temporal dos preços dizia que estava tudo bem. O processo subjacente — a qualidade de crédito real dos empréstimos — já havia mudado. A informação existia. Só não estava na série de preços.
Uma série temporal pode ser decomposta em três componentes:
Tendência é o movimento direcional de longo prazo. A trajetória geral que a série segue por períodos estendidos. Sazonalidade é um padrão repetitivo que ocorre em intervalos fixos. Ciclos mensais de vendas, efeitos trimestrais de lucros, padrões de dia-da-semana no volume de negociação. Choque ou resíduos são as flutuações aleatórias em torno dos componentes de tendência e sazonalidade. Eventos inesperados, notícias, surpresas.
O insight chave sobre tendência e sazonalidade é que eles só são significativos se forem estáveis. Se você está modelando preços intradiários de ações e a tendência se inverte a cada poucas horas, o componente de tendência não te diz nada útil. A estabilidade é o pré-requisito para qualquer modelo de série temporal ter valor preditivo.
Tarefa de casa: Pegue qualquer ativo que você negocia atualmente. Escreva em uma frase qual você acredita ser o principal fator que dirige seus movimentos de preço. Esse fator é o que você deve monitorar junto com qualquer modelo de série temporal que construir. Se esse fator mudar, seu modelo precisa ser reconstruído.
Parte 2: As Três Tarefas e Por Que as Previsões Estão Sempre Erradas
Toda aplicação de análise de séries temporais cai em uma de três categorias. Entender qual tarefa você está realmente realizando vai te salvar do erro mais comum e mais caro em finanças quantitativas.
Filtragem estima o estado atual do sistema usando dados passados e presentes. Você está tentando remover o ruído e ver o que está realmente acontecendo agora. Uma média móvel é um filtro. Ela não prevê o futuro. Ela suaviza o presente. Todo indicador que você já colocou em um gráfico em uma plataforma de trading está realizando alguma forma de filtragem. Quando você usa uma média móvel de 20 dias, você está dizendo: "quero ver o estado subjacente deste ativo, livre do ruído dia-a-dia." Isso é tudo que você está fazendo.
Suavização usa dados passados e futuros para estimar qual era o estado em um ponto anterior no tempo. Ela requer conhecimento global do caminho, ou seja, você precisa ver o que acontece após um ponto no tempo para melhor caracterizar o que estava acontecendo naquele ponto. A suavização é útil para analisar dados históricos e construir conjuntos de dados de pesquisa, mas não pode ser usada para decisões de trading em tempo real porque requer informação do futuro.
Previsão usa o estado atual e passado para produzir uma expectativa sobre o futuro. É aqui que a maioria dos traders foca sua atenção e onde vive a maior parte do mal-entendido.
Aqui está a verdade fundamental que a maioria dos materiais educacionais de trading se recusa a afirmar claramente.
Uma previsão não é uma predição. É uma expectativa. Estas não são a mesma coisa.
A expectativa é o número único que minimiza o erro quadrático médio entre todos os resultados futuros possíveis. Matematicamente, é a média condicional:
E[Xₜ₊₁ | X₁, X₂, ..., Xₜ]
Quando você joga um dado justo, a expectativa é 3,5. Um dado pode cair em 3,5? Não. Mas 3,5 ainda é a melhor resposta que você pode dar antes de jogar. É o valor que minimiza seu erro médio entre todos os lançamentos futuros.
As previsões de mercado funcionam exatamente da mesma forma. Seu modelo produz o melhor valor esperado dada a informação disponível. Esse valor esperado nunca será igual ao preço realizado. Mas se ele estiver correto na média e você negociar ao redor dele sistematicamente, você pode gerar retornos consistentes. É exatamente assim que os formadores de mercado operam. Eles não precisam saber para onde o preço irá. Eles precisam saber o preço esperado, cotar um spread ao redor dele, e coletar esse spread ao longo de milhares de negócios.
A prova de que isso funciona mesmo quando o modelo está errado vem de uma simulação simples de market making. Imagine cotar um spread de compra e venda ao redor do valor esperado de um processo cuja verdadeira expectativa muda aleatoriamente ao longo do tempo. Uma média móvel rastreia essa expectativa de forma imperfeita. Ela está sempre ligeiramente errada. Mas se você negociar o spread ao redor dessa estimativa imperfeita, você ainda acumula P&L positivo ao longo do tempo porque está correto na média.
Este é o núcleo do trading sistemático usando análise de séries temporais. Você não precisa de previsões perfeitas. Você precisa de previsões direcionalmente corretas com frequência suficiente para superar os custos de transação. E você precisa de um framework rigoroso para saber quando seu modelo deixou de estar aproximadamente correto.
Parte 3: O Problema da Raiz Unitária que Destrói a Maioria dos Modelos de Trading
Esta é a seção que vai te salvar do erro mais comum e mais caro em trading quantitativo com dados de séries temporais.
A maioria das pessoas que tenta construir um modelo preditivo para preços de ações começa rodando uma regressão do preço de fechamento de amanhã contra o preço de fechamento de hoje. Quando fazem isso, obtêm um R-quadrado acima de 0,99. Acreditam ter descoberto uma relação preditiva quase perfeita.
Não descobriram. Caíram numa das armadilhas mais bem documentadas da estatística, chamada regressão espúria.
Aqui está o que realmente acontece. Rode a mesma regressão, mas substitua os preços de fechamento pelos retornos diários. O R-quadrado cai para aproximadamente 0,01. Você foi de explicar 99% da variação para explicar 1% da variação. O mesmo ativo subjacente, os mesmos dados, a mesma estrutura de modelo, resultados completamente diferentes.
A razão é a raiz unitária.
Uma série temporal tem uma raiz unitária quando seu valor atual é igual ao seu valor anterior mais um choque aleatório:
Xₜ = Xₜ₋₁ + εₜ
Isso é chamado de passeio aleatório. Os preços das ações aproximadamente seguem esse processo. Quando você regride um passeio aleatório contra outro passeio aleatório, você quase sempre encontrará uma forte relação estatística, mesmo que as duas séries sejam completamente não relacionadas. Isso é regressão espúria e é a fonte de inúmeros sinais de trading falsos na indústria.
O teste para isso é o Teste Aumentado de Dickey-Fuller. A hipótese nula é que a série tem uma raiz unitária. Um valor-p abaixo de 0,05 significa que você pode rejeitar a hipótese nula e a série provavelmente é estacionária. Um valor-p acima de 0,05 significa que a série provavelmente tem uma raiz unitária e modelos de regressão brutos produzirão resultados espúrios.
Você descobrirá que a série de preços falha no teste e a série de retornos passa. Isso te diz exatamente o que modelar. Nunca construa modelos preditivos em níveis de preço brutos. Sempre transforme para retornos, log-retornos, ou outras grandezas derivadas estacionárias antes de aplicar modelos de séries temporais.
A transformação que converte uma série de preços em uma série estacionária é chamada de diferenciação de primeira ordem:
rₜ = ln(Pₜ) - ln(Pₜ₋₁)
Os log-retornos são aproximadamente estacionários, embora séries de retornos financeiros ainda exibam fatos estilizados como agrupamento de volatilidade e caudas pesadas que a estacionariedade pura não captura completamente. Abordaremos isso na seção GARCH abaixo.
Tarefa de casa: Pegue qualquer modelo de trading que você está usando atualmente ou já usou no passado. Verifique se ele foi construído sobre níveis de preço ou sobre retornos. Se foi construído sobre níveis de preço, rode o teste de Dickey-Fuller nos dados subjacentes. Se o valor-p estiver acima de 0,05, seus resultados de backtest provavelmente estão inflados por correlação espúria.
Parte 4: Os Modelos Que Realmente Funcionam e Como Usá-los
Agora que você entende o que é uma série temporal, as três tarefas fundamentais e o problema da raiz unitária, você está pronto para construir modelos que realmente funcionarão em mercados ao vivo.
A família de modelos que forma a espinha dorsal do trading sistemático é a família ARMA e suas extensões. Cada modelo nesta família captura um aspecto diferente da estrutura de dependência serial em séries temporais financeiras.
AR: Modelos Autorregressivos
Um modelo autorregressivo de ordem p, escrito AR(p), diz que o valor atual de uma série é uma função linear de seus p valores anteriores mais um choque aleatório:
Xₜ = φ₁Xₜ₋₁ + φ₂Xₜ₋₂ + ... + φₚXₜ₋ₚ + εₜ
Os coeficientes φ são os parâmetros autorregressivos. Eles capturam quanto do valor atual é explicado por cada defasagem. Em trading, modelos AR são úteis para capturar dinâmicas de momentum de curto prazo e reversão à média. Um modelo AR(1) onde φ₁ é positivo captura momentum. Um modelo AR(1) onde φ₁ é negativo captura reversão à média.
MA: Modelos de Médias Móveis
Um modelo de médias móveis de ordem q, escrito MA(q), diz que o valor atual é uma função linear de choques aleatórios atuais e passados:
Xₜ = εₜ + θ₁εₜ₋₁ + θ₂εₜ₋₂ + ... + θqεₜ₋q
Modelos MA capturam o efeito de surpresas passadas nos valores atuais. São particularmente úteis para modelar como os mercados respondem a eventos noticiosos.
ARMA: Combinando Ambos
O modelo ARMA(p,q) combina ambos os componentes:
Xₜ = φ₁Xₜ₋₁ + ... + φₚXₜ₋ₚ + εₜ + θ₁εₜ₋₁ + ... + θqεₜ₋q
Para séries não estacionárias, você aplica a diferenciação primeiro para tornar a série estacionária, e o modelo resultante é chamado ARIMA(p,d,q) onde d é a ordem de diferenciação.
GARCH: Modelando a Volatilidade
O problema com modelos ARMA para dados financeiros é que eles assumem volatilidade constante. Retornos financeiros exibem agrupamento de volatilidade: grandes movimentos tendem a ser seguidos por grandes movimentos, e pequenos movimentos tendem a ser seguidos por pequenos movimentos. Este é o efeito ARCH, e é um dos fatos estilizados mais bem documentados em todas as finanças.
O modelo GARCH(1,1) aborda isso modelando a variância do termo de erro como um processo que varia no tempo:
σₜ² = ω + α₁εₜ₋₁² + β₁σₜ₋₁²
Onde σₜ² é a variância condicional no tempo t, εₜ₋₁² é o choque ao quadrado do período anterior, e σₜ₋₁² é a variância do período anterior. Este modelo captura exatamente o agrupamento de volatilidade que você observa nos mercados: alta volatilidade hoje prevê alta volatilidade amanhã.
Para trading, GARCH é essencial para o dimensionamento de posição. Quando σₜ² está alto, você reduz o tamanho da posição. Quando σₜ² está baixo, você pode assumir mais risco. Este único insight — escalar dinamicamente o tamanho da posição com base na volatilidade estimada — é responsável por uma fração significativa dos retornos ajustados ao risco gerados por fundos sistemáticos.
Parte 5: O Pipeline de Implementação Completo
Esta seção monta tudo em um sistema funcional que você pode executar em dados reais hoje.
Três coisas críticas para entender sobre esta implementação antes de implantá-la.
Primeiro: O dimensionamento de posição baseado em GARCH está fazendo mais trabalho do que a direção da previsão ARIMA. Reduzir a exposição durante regimes de alta volatilidade é a vantagem mais confiável em todo o sistema. Previsões direcionais com 52 a 55 por cento de acurácia combinadas com dimensionamento escalado por volatilidade produzem melhores retornos ajustados ao risco do que 60 por cento de acurácia com dimensionamento fixo.
Segundo: A estrutura walk-forward é inegociável. Em cada passo, você está ajustando o modelo apenas em dados históricos e prevendo um passo à frente. Nunca ajuste no conjunto de dados completo e gere previsões dentro da amostra e chame isso de backtest. Isso não é um backtest. É um ajuste de curva com um rótulo.
Terceiro: Dados alternativos são o teto do que a análise de séries temporais pode alcançar. O framework que você construiu aqui é o piso. Ele captura os padrões que existem dentro da série de preços. Os traders que consistentemente superam adicionam informações que a série de preços não pode conter. Sentimento de calls de lucros. Desequilíbrio de fluxo de ordens do book de ofertas. Sinais de mercado de crédito. Informação de regime cross-asset. Estas não são melhorias no modelo. São entradas de um conjunto de informações fundamentalmente diferente.
A limitação prática mais importante: Todos os modelos da família ARMA assumem que as propriedades estatísticas da série são aproximadamente estáveis dentro da janela de estimação. Em mercados financeiros, essa premissa é violada continuamente. A mitigação padrão é uma janela de estimação rolante de 252 dias de negociação que descarta dados antigos à medida que novos dados chegam. Janelas mais curtas se adaptam mais rápido, mas produzem estimativas de parâmetro mais ruidosas. Janelas mais longas são mais estáveis, mas ficam atrás das mudanças de regime. O comprimento ótimo da janela é uma questão empírica que deve ser respondida separadamente para cada instrumento e cada estratégia.
O Resumo
A análise de séries temporais não prevê o futuro. O que ela faz é produzir a expectativa matematicamente ótima do futuro dado o estado atual e o histórico observado. Quando essa expectativa é direcionalmente correta com frequência suficiente e combinada com dimensionamento de posição escalado por volatilidade, ela gera vantagem consistente.
O framework completo está neste artigo. Verifique a estacionariedade antes de construir qualquer modelo. Use retornos, não preços, como entrada. Ajuste ARIMA para capturar o sinal direcional nas autocorrelações dos retornos. Coloque GARCH por cima para modelar a volatilidade variante no tempo e dimensionar dinamicamente o tamanho da sua posição. Valide tudo usando uma estrutura walk-forward rolante. E lembre-se sempre: os maiores movimentos — aqueles que geram ou destroem mais capital — vêm de mudanças de regime que nenhum modelo de série temporal jamais verá chegar.
Essa última parte não é uma limitação dos modelos. É uma descrição da realidade. Os traders que construíram as estratégias sistemáticas mais bem-sucedidas da história entenderam exatamente o que seus modelos podiam e não podiam fazer. Eles usaram séries temporais para o que elas são genuinamente boas: extrair padrões estáveis de regimes estáveis. E usaram dados alternativos e detecção de regime para saber quando esses regimes estavam prestes a mudar.
Agora você tem ambos. O framework de séries temporais está neste artigo. O framework de detecção de regime com Cadeias de Markov está no artigo anterior. O framework de geração de sinais com redes neurais está no artigo anterior a esse.
Você agora tem um stack de trading sistemático completo.
Aqui está a pergunta com a qual quero que você reflita.
Um modelo GARCH te diz que a volatilidade está prestes a disparar com base em padrões apenas no histórico de retornos. Uma Cadeia de Markov te diz que o mercado está prestes a transicionar de um regime de baixa volatilidade para um regime de alta volatilidade com base no estado atual. Se ambos os sinais concordarem, essa convergência é um dos sinais de gerenciamento de risco mais fortes disponíveis. Se eles discordarem, essa divergência é, por si só, informação. O que faria com que eles discordassem e o que essa discordância te diria sobre as condições atuais do mercado?
Deixe sua resposta nos comentários.
Não há resposta errada, mas há respostas muito reveladoras.
