Muitos ativos, alertou Jamie Dimon em meados de outubro, “parecem estar entrando em território de bolha”. Sua voz tem peso porque ele dirige o maior banco dos Estados Unidos, o JPMorgan Chase, mas também porque faz parte de um coro crescente. David Solomon, contraparte de Dimon no Goldman Sachs, fala em “exuberância dos investidores”; Jane Fraser, CEO do Citigroup, em “espuma de valuation”. O Banco da Inglaterra alertou recentemente que “o risco de uma correção acentuada do mercado aumentou.” O FMI teme que ela seja “desordenada”, já que “os preços dos ativos de risco estão bem acima dos fundamentos”.
Todos têm razão em um ponto: as valuations de muitos ativos estão vertiginosamente altas. Para comprar a cesta de ações no índice S&P 500 dos Estados Unidos, os investidores agora pagam 41 vezes seus lucros subjacentes ajustados ciclicamente — um múltiplo superado apenas durante a bolha das pontocom, e então não por muito. Títulos corporativos de grau de investimento, em média, oferecem rendimento apenas 0.8 ponto percentual acima de Treasuries equivalentes. A última vez em que esse spread de crédito foi tão baixo também foi durante a bolha das pontocom, em 1998. Mesmo o ouro, normalmente um porto seguro, parece incomumente vulnerável aos caprichos dos traders. Depois de disparar para uma máxima histórica em 20 de outubro, seu preço caiu 7% em apenas dois dias e agora está 8% abaixo do pico.
Talvez, então, uma correção já tenha começado. Quando outras poderão seguir? Para quem espera bater o mercado — incluindo as casas quant e outros hedge funds que prometem retornos faça chuva ou faça sol — poucas perguntas são mais prementes. “O Nirvana do macro trading é prever esses pontos de inflexão”, diz James White, da Elm Wealth, uma gestora de investimentos. O problema é que alcançar o Nirvana é quase impossível.
Prever uma correção se resume a prever a volatilidade (ou “vol”): a propensão dos preços dos ativos a oscilar. Os traders e quants que tentam fazer isso com ações se baseiam em um conjunto de fatos estilizados, que ficam aparentes se você encarar um gráfico de um índice de preços das ações por tempo suficiente. Um deles é que a volatilidade é “bimodal”, significando que os preços passam longos períodos se movendo por quantias relativamente pequenas a cada dia, intercalados por períodos mais curtos nos quais se movem muito. A volatilidade, em outras palavras, tem tendência a saltar por si: há regimes de baixa vol e regimes de alta vol, com pouco entre um e outro. Esses regimes são correlacionados com a direção ampla em que os preços dos ativos estão se movendo. Durante períodos de baixa vol, os preços tendem a ser estáveis ou a subir; durante regimes de alta vol, tendem a cair.
O fato de a volatilidade permanecer na maior parte do tempo dentro de um regime ou de outro significa que, na maior parte do tempo, a melhor maneira de prever a vol de amanhã é a partir da de hoje. Essa observação é a base para os modelos “autorregressivos” usados rotineiramente por traders em bancos e gestoras para medir risco. Tais modelos também são usados para precificar options [opções], contratos que permitem aos traders lucrar com grandes oscilações de preços, já que isso requer uma estimativa da volatilidade esperada. Ainda que úteis de um dia para o outro, esses modelos são inerentemente mal equipados para prever os saltos súbitos de vol que acompanham correções, quando o regime muda.
Como resultado, muitos traders constroem outros modelos para complementar os autorregressivos, baseados em fatores externos que podem fazer a volatilidade saltar. A abordagem de ponta é usar machine learning para analisar o impacto de toda variável econômica sob o sol. Lucros corporativos, PIB, inflação, dados de empregos — qualquer um ou todos podem contribuir para uma queda súbita no sentimento. O machine learning, por sua vez, é uma ferramenta ideal para detectar combinações que podem indicar vulnerabilidades não intuitivamente óbvias. A Bridgewater, um dos maiores hedge funds do mundo, é famosa por estratégias de trading baseadas em combinações intrincadas de variáveis econômicas.
Infelizmente, poucas dessas estratégias de fato parecem funcionar. “Não conheço outra firma além da Bridgewater que tenha sido bem-sucedida com esses modelos macro”, diz um ex-trader de um hedge fund rival. E mesmo as melhores não podem se esperar que prevejam o tipo de “choque puro”, como uma pandemia ou uma corrida bancária, que frequentemente deflagra uma correção. Modelos macro podem identificar situações em que tal choque poderia ter um impacto desproporcional nos mercados, mas não quando ele ocorrerá.
Traders têm outras ferramentas para detectar uma reversão. Como a volatilidade tende a saltar quando os preços mudam de direção, traders de momentum frequentemente zeram suas posições imediatamente após o primeiro grande movimento de baixa interromper uma sequência vencedora. Correlações entre diferentes classes de ativos também podem fornecer um alerta precoce de que uma correção está em curso. O sinal clássico de que os investidores migraram para o modo “risk-off” [redução de apetite por risco], por exemplo, é que os preços das ações caem enquanto os de portos seguros como ouro e Treasuries sobem.
Uma boa forma de melhorar as previsões de modelos falhos, diz o chefe de estratégias quantitativas de outro grande hedge fund, é combinar muitos modelos independentes. Mesmo assim, o melhor que um trader sem inspiração divina pode realisticamente esperar é identificar uma correção cedo e cortar suas perdas. As mentes mais brilhantes de Wall Street podem alertar sobre um crash, mas não espere que digam quando ele chegará. ■
Fonte: The Economist
Traduzido via ChatGPT
