Descoberta Causal em Estratégias do Mercado de Ações

Esse artigo fala sobre como algoritmos específicos podem ajudar no mercado de ações, encontrando relações úteis entre diferentes ações ao longo do tempo. Essas conexões podem ser usadas para criar estratégias de investimento. A gente desenvolveu uma estratégia de investimento baseada nas relações encontradas por esses algoritmos e testou como ela se saiu em termos de lucro. Nossos achados mostram que esses algoritmos realmente podem revelar relações importantes no mercado de ações que podem levar a ganhar dinheiro. Mas, a gente também percebeu que esses algoritmos podem ser complexos e lentos, principalmente quando lidam com grandes quantidades de dados.

#Contexto do Estudo

Muitos algoritmos foram criados para analisar como funciona a série temporal dos dados, alguns deles já foram testados no mercado de ações pra descobrir o que influencia os preços das ações. Mas poucos foram além e aplicaram essas influências em estudos que visam prever preços futuros das ações ou criar estratégias de negociação. Esse artigo tenta preencher essa lacuna, projetando estratégias baseadas em relações causais e avaliando quão eficazes elas são.

#Contribuições Principais

Esse estudo tem alguns objetivos principais:

• Aplicar técnicas de Descoberta Causal em dados reais do mercado de ações.
• Criar um processo pra transformar as relações identificadas em uma Estratégia de Negociação.
• Testar a estratégia em mercados de ações importantes na China e nos EUA.

A gente também desenvolveu um código que tá disponível pra quem quiser usar. Isso inclui tudo que é necessário pra preparação dos dados, avaliação de precisão, execução dos algoritmos e simulação de cenários de trade.

#Perguntas de Pesquisa

A gente foca em três principais perguntas, que são respondidas no final desse artigo.

#Visão Geral dos Algoritmos de Descoberta Causal

Numa abordagem convencional, uma série temporal mostra que uma série influencia outra se saber sobre a primeira ajuda a prever os valores futuros da segunda. Embora esse método funcione bem, ele tem limites, já que olha apenas pra duas variáveis por vez e às vezes pode dar resultados enganosos. Algoritmos de descoberta causal em séries temporais foram criados pra lidar com essas limitações, oferecendo uma visão mais clara das relações complexas nos dados.

Esses algoritmos mapeiam potenciais conexões causais em um conjunto de dados de séries temporais e as exibem em um gráfico direcionado. Pra nosso estudo, usamos três algoritmos específicos: tsFCI, VarLiNGAM e TiMINo, que são conhecidos por funcionar bem com vários tipos de dados.

#Detalhes dos Algoritmos

tsFCI: Esse método começa criando um gráfico causal completo e depois simplifica usando testes pra checar a independência entre as variáveis. Ele lida bem com dados que têm variáveis ocultas e expande os dados usando uma janela deslizante.

VarLiNGAM: Esse algoritmo assume que cada variável é moldada por suas causas mais um erro aleatório. Ele usa modelos estatísticos pra delinear estruturas causais e já mostrou ter um bom desempenho com distribuições não gaussianas.

TiMINo: Essa abordagem considera tanto efeitos não lineares quanto influências diretas entre variáveis. Ela busca conjuntos de variáveis que trabalham juntas em uma série temporal, com o objetivo de oferecer uma visão estruturada dessas relações.

#Abordagem de Pesquisa

Nosso estudo teve como objetivo analisar os mercados de ações na China e nos EUA, coletando dados de preços ao longo de um período de dez anos pra ações selecionadas. Também olhamos pra um conjunto de dados menor associado à investidora notável Nancy Pelosi, que, apesar de limitado, mostrou potencial de lucratividade.

A gente enfrentou desafios com dados ausentes, que resolvemos usando métodos lineares pra preencher lacunas e eliminando ações com problemas de dados. Depois de limpar nossos conjuntos de dados, focamos em como usar os algoritmos pra identificar ações influentes.

#Estratégia de Negociação

O núcleo da nossa abordagem envolve usar os algoritmos pra encontrar as forças que estão por trás dos preços das ações, o que vai ajudar a fazer previsões. Assim que identificamos essas relações, montamos um modelo preditivo que usa dados passados pra estimar os preços futuros.

Usando os preços previstos, calculamos os retornos esperados e implementamos uma estratégia de negociação com base numa abordagem de momentum long-short, que sugere comprar ações que tiveram bom desempenho no passado e vender aquelas que não tiveram.

Nossa estratégia opera diariamente e deve considerar os custos de transação. A gente mantém uma posição neutra em dólar, ou seja, o montante investido na compra de ações é equilibrado com o montante da venda de outras.

#Avaliação de Desempenho

Pra garantir que nossa estratégia fosse válida, testamos seu desempenho usando dados históricos enquanto evitávamos vieses. Pra isso, separamos nosso conjunto de dados em partes de treinamento e teste.

Em cada sessão de negociação, executamos a estratégia e acompanhamos nossos resultados reais. Calculamos o retorno diário depois de descontar os custos de transação. Por fim, avaliamos o quão bem nossa abordagem se saiu em comparação com os índices de mercado.

#Resultados

Antes de aplicar os algoritmos em dados reais de ações, verificamos nosso método em conjuntos de dados com conexões causais conhecidas, alcançando níveis de precisão semelhantes.

O desempenho dos nossos casos de teste variou. Alguns algoritmos tiveram dificuldade com o tempo de processamento quando enfrentaram grandes conjuntos de dados. VarLiNGAM se destacou como o mais eficiente, conseguindo realizar cálculos dentro do nosso limite de tempo.

No geral, a gente descobriu que incluir descoberta causal em nossas estratégias de negociação geralmente levou a melhores retornos, especialmente quando aplicado a conjuntos de dados maiores. VarLiNGAM consistently entregou os melhores retornos em todos os testes.

As principais observações dos nossos resultados incluem:

• Usar descoberta causal resultou em melhores resultados de investimento em comparação com confiar apenas no histórico de desempenho de uma ação.
• Mercados maiores permitiram estratégias de negociação mais eficazes em comparação com os menores.
• Intervalos de tempo mais curtos geraram retornos mais altos, sugerindo que menos variáveis independentes no modelo de previsão levaram a previsões mais precisas.
• O número ideal de ações a incluir em nossa estratégia variou de 1% a 6% do total de ações disponíveis.

#Conclusão

Nossos achados estabelecem VarLiNGAM como o melhor algoritmo entre os testados pra analisar dados de ações com centenas de ações. Enquanto tsFCI e TiMINo são limitados a conjuntos de dados menores, os resultados mostram que usar descoberta causal pode melhorar significativamente a precisão das previsões e o desempenho de negociação, especialmente em mercados maiores.

Em conjuntos de dados menores, como o relacionado à Nancy Pelosi, o desempenho não foi tão eficaz. Essa limitação sinaliza que os algoritmos podem perder influências chave quando há poucas ações.

Pra frente, a gente planeja explorar mais melhorias nessa área de estudo.

#Direções Futuras

Pra resumir, nosso trabalho destaca a importância das técnicas de descoberta causal na análise do mercado de ações. Observamos diferenças notáveis em retornos quando comparadas a métodos tradicionais. Esse artigo estabelece a base pra futuras explorações, focadas em otimizar estratégias de negociação e refinando os algoritmos usados pra prever o desempenho das ações. A gente tá animado pra expandir essa pesquisa ainda mais pra aprimorar a compreensão e a aplicação desses métodos nos mercados financeiros reais.