Como quanto você teria pago, dez anos atrás, enquanto os votos do referendo do Brexit britânico eram contados, para ver as manchetes da manhã seguinte e negociar com antecedência? Se você estivesse apostando na libra esterlina, teria ajudado muito. Na noite da votação, £1 comprava US$ 1,50; quinze dias depois, menos de US$ 1,30. Mas se você estivesse operando ações, a informação prévia poderia ter sido mais prejudicial do que útil. O índice FTSE 250, focado em empresas britânicas domésticas, caiu no início — mas apenas por dois pregões. Em seguida, iniciou um mercado altista que durou alguns anos. Até o mais fervoroso apoiador do Brexit talvez não tivesse previsto isso.
O trading macro — apostar em como os preços dos ativos se moverão em resposta a tendências políticas e econômicas — é sedutor e glamouroso. Também é difícil, e um novo estudo de Jerry Bell, Victor Haghani e James White, da Elm Wealth, uma gestora de investimentos, mostra o quão difícil. Eles desenvolveram uma simulação na qual tanto humanos quanto os principais modelos de inteligência artificial têm acesso às notícias do dia seguinte com antecedência e podem fazer suas apostas antes que elas se tornem públicas. Em outras palavras, operam à frente do restante do mercado. Ainda assim, mesmo com essa vantagem, mostrou-se difícil — para homens e máquinas igualmente — evitar a ruína e obter lucro.
Bell e seus colegas estão atualizando um experimento que realizaram pela primeira vez em 2023. Na época, recrutaram 118 voluntários, a maioria estudantes de finanças em nível de pós-graduação em universidades selecionadas. Cada um recebeu US$ 50 e a chance de multiplicá-lo fazendo apostas no índice de ações S&P 500 americano e nos títulos do Tesouro de 30 anos.
Podiam fazer isso uma vez por ativo por dia, no fechamento do mercado antes de cada um dos 15 pregões selecionados pelos autores entre 2008 e 2022. Antes de operar, os participantes viam a capa do Wall Street Journal referente ao dia seguinte — ou seja, no fechamento de segunda-feira, viam a capa de quarta-feira (com as variações de preço reais de terça-feira suprimidas). Podiam comprar ou vender a descoberto cada ativo e alavancá-lo em até 50 vezes. Isso transformaria, por exemplo, uma variação de 2% em uma aposta do tipo “dobra ou perde tudo”. Cada operação era encerrada no fechamento seguinte.
A maioria dos participantes não saiu bem. Cerca de metade perdeu dinheiro e um em cada seis foi à falência; o portfólio médio final foi de apenas US$ 51,62, um ganho de 3,2%. Desde então, a Elm hospedou um jogo semelhante em seu site, com um capital inicial imaginário de US$ 1 milhão. As aproximadamente 60.000 pessoas que o jogaram tiveram um desempenho “substancialmente pior” do que a coorte original, que era remunerada.
Talvez a maior surpresa seja que, na iteração mais recente do experimento, vários dos principais modelos de IA também não se destacaram verdadeiramente. A equipe da Elm deu ao ChatGPT, ao Claude, ao Gemini e ao Grok dez rodadas cada no jogo, também partindo de US$ 1 milhão imaginário. Foram instruídos a jogar como um investidor americano de meia-idade administrando 100% de seu patrimônio financeiro.
Apenas o ChatGPT e o Claude obtiveram lucro, com portfólios médios finais de US$ 1,5 milhão e US$ 2,6 milhões, respectivamente. O do Grok foi de US$ 970.000 e o do Gemini, apenas US$ 490.000. Então, o que torna o trading macro tão difícil, mesmo para quem tem uma bola de cristal?
A maior lição é que tanto humanos quanto IA são ruins em dimensionar apostas. Os autores observam que mesmo o ChatGPT e o Claude tiveram sorte além de habilidade nesse quesito. Nenhum dos modelos previu corretamente a direção das ações e dos títulos em mais de cerca de 60% das vezes, e ainda assim a alavancagem média aplicada às apostas variou entre 7 e 12 vezes. Dado que os preços das ações americanas variaram mais de 5% em 23 dias desde 2000, e mais de 9% em sete dias, os modelos estavam correndo “risco excessivo de perda catastrófica de capital”, incluindo a possibilidade de aniquilação total.
Os humanos foram ainda piores. No experimento original, os participantes em conjunto não apostaram com mais intensidade quando as notícias tornavam as variações de preço mais previsíveis. E, assim como os modelos de IA, assumiram risco excessivo no geral. Em 30% dos dias, utilizaram alavancagem acima de 20 vezes, o que poderia facilmente tê-los levado à falência.
Alguns humanos, claro, são muito melhores. A equipe da Elm também convidou cinco traders macro experientes para jogar seu experimento original. Todos os cinco profissionais terminaram no positivo, com retorno médio de 130%. Eles se saíram um pouco melhor do que a IA na previsão de direções (taxa de acerto de 63%). Mas, de forma crucial, variaram muito o tamanho de suas posições, apostando mais quando se sentiam confiantes e nada quando não estavam. Mesmo com uma excelente capacidade de previsão, saber quais ativos comprar é difícil. Decidir quanto comprar, ao que parece, é muito mais difícil. ■
Fonte: The Economist
Traduzido via Claude