Capítulo 3
Um 2018 desastroso fez muitos participantes do mercado questionarem as bases geradas por computador nas quais as estratégias de investimento quantitativo haviam construído uma reputação aparentemente invencível. A proliferação do setor também causou temores de que uma aglomeração excessiva no mesmo espaço de investimento produziria outro desgaste no estilo de gestão de capital de longo prazo.
Mas o quant segue firme e forte, e uma crescente proliferação de fontes de dados, a granularidade reduzida de tais dados e a sofisticação crescente em tecnologia de processamento, devem por si só garantir que o setor continue a encontrar novas fontes de geração de alfa por muito tempo no futuro. Como prova, basta perguntar a qualquer gerente de investimentos, diz Sandy Rattray, diretora de investimentos do Man Group, a um painel de especialistas no evento de buy-side da Bloomberg em Londres.
Muitas vezes, estamos divididos em "pessoas discricionárias e quants, mas, realisticamente, não existe um gerente discricionário que não esteja usando todos os tipos de técnicas quantitativas ao gerenciar seus portfólios", disse Rattray.
Algoritmos remodelados
Até o ano passado, quants houses estavam entre os hedge funds com melhor desempenho, com ativos se aproximando de US$1 trilhão. Mas dois ataques repentinos de volatilidade violenta do mercado os deixaram abalados e, pela primeira vez desde 2009, investidores retiraram mais dinheiro do que investiram.
Desde este choque, os gerentes recalibraram os algoritmos que fornecem aos seus poderosos computadores com instruções sobre a busca de sinais de investimento a partir de dados de mercado ou informações de um conjunto de fontes em ascensão. Quants também continuam sendo valorizados como ferramentas de mitigação de risco. O otimismo de Rattray no setor é firme, mas outros hedge funds preferem buscar um equilíbrio entre automação e estratégia manual.
“As máquinas são boas em certos aspectos, como na classificação de informações com rapidez e precisão, não carregam bias de comportamento e são eficientes e adaptáveis. Os seres humanos são bons em outras coisas, como elaborar teses de investimento, ter visões prospectivas sobre o mercado e descobrir onde há mudanças de paradigma”, disse Fiona Frick, CEO do Unigestion Group.
Para Unigestion, os algoritmos são ferramentas a serem implementadas em conjunto com uma série de outras ferramentas, incluindo o bom e velho instinto humano.
"A máquina é a opção padrão, mas um gerente de investimentos está lá para corrigir ou desafiar a máquina, se ele achar que algo aconteceu no mercado", disse Frick sobre a abordagem da Unigestion na construção de estratégias de investimento.
Dados reinam
A perseverança dos quants foi auxiliada pelo crescimento do conjunto de dados disponíveis nos quais seus algoritmos podem ser aplicados. Dados de mercado e balanços atuais agora são complementados com fontes alternativas, incluindo imagens de satélite, atividade de varejo e até transações de pagamento pessoal. Tecnologias como aprendizagem de máquina e outras formas de inteligência artificial também estão permitindo que hedge funds sejam melhor interpretados e tomem melhores decisões com base na torrente de novas informações.
Embora seja bom para buscar um novo alfa, também é capaz de descobrir novos fatores de investimento, disse Nathan Lacaze, co-diretor executivo do Reino Unido e chefe de gestão de portfólio da EMEA da Dimensional Fund Advisors.
Mas alerta que a coleta de dados sem pensar em sua necessidade pode direcionar quants a becos sem saída.
"É caro, está em todo lugar e é preciso ter cuidado para não se sujeitar à mineração de dados, pois isso não prova nada, não importa quantos dados você tenha", disse Lacaze. Conjuntos de dados curados cuidadosamente são essenciais para provar as hipóteses de um quant, mas a mineração de dados pode gerar "sinais que podem não ser relevantes no futuro".
Desafios futuros
Também há outras limitações. O crescimento dos quants levou alguns a questionarem a abertura de oportunidades para encontrar retornos de alfa. Além disso, até agora, algoritmos provaram-se não confiáveis na previsão de eventos futuros e movimentos de mercado. E, embora as barreiras de entrada estejam diminuindo em termos de custo de infraestrutura, estas aumentam à medida que a complexidade crescente das fontes de dados requer um entendimento cada vez mais profundo de como processar informações.
"Encontrar padrões é muito fácil, mas como juntar estas peças?" perguntou Lacaze.
No entanto, a indústria de quant ainda está em seus primeiros passos, e a tecnologia está em constante mudança, enquanto analistas buscam suprir tais deficiências. O simples fato das estratégias quant possuírem pontos fracos, é prova de que há margem para melhorias e isso oferece mais oportunidades de se obter vantagem, afirmou Rattray.
