00:00:00Olá, aqui é o Wall Street Guy.
00:00:01falaremos sobre por que fazer mais backtesting não é necessariamente melhor.
00:00:03More backtesting is not always better
00:00:05Vamos abordar esse tema agora.
00:00:07Cobrimos até aqui na parte 1,
00:00:09e na parte 2, continuaremos a partir do item 6.
00:00:12Antes de começar a segunda parte,
00:00:14gostaria de enfatizar novamente o objetivo deste vídeo.
00:00:17Não estou dizendo que o trading quantitativo seja algo ruim.
00:00:19O mundo está caminhando para ser cada vez mais quantificável,
00:00:23e no mercado de ações, essa tendência de análise quantitativa
00:00:26me parece um caminho inevitável.
00:00:28No entanto, o que eu quero é alertar contra
00:00:31as esperanças exageradas e a fé cega nesse tipo de investimento.
00:00:33Meu objetivo com este vídeo
00:00:35é incentivar a cautela em relação a esses pontos.
00:00:37Portanto, quem não possui uma base sólida em inferência estatística
00:00:41deve estudar muito antes de começar a se aventurar nisso.
00:00:45Vi alguns comentários de espectadores dizendo que
00:00:47fazer investimento quantitativo ainda é melhor do que investir por intuição.
00:00:50Muitas pessoas pensam dessa forma,
00:00:52mas eu discordo.
00:00:54É verdade que investir apenas por intuição dificilmente traz bons resultados.
00:00:57Mas se você usar métodos quantitativos de forma errada,
00:01:00ou seja, baseando-se em backtestings
00:01:02que não possuem nenhuma significância estatística,
00:01:04primeiro, você estará desperdiçando seu tempo.
00:01:07Além disso, mesmo sendo um backtesting estatisticamente irrelevante,
00:01:11você pode acabar acreditando que fez uma validação correta.
00:01:13Essa ilusão de ter feito uma “verificação científica”
00:01:16pode levar você a assumir riscos muito maiores do que o necessário.
00:01:18Na verdade, eu ia evitar tocar nesse assunto, mas...
00:01:21muitos inscritos me procuram por e-mail para aconselhamento após sofrerem grandes perdas.
00:01:27Já mencionei isso brevemente antes,
00:01:29mas há várias pessoas que perderam muito dinheiro com investimentos quantitativos.
00:01:34Uma pessoa que me enviou um e-mail na semana passada —
00:01:36não direi o valor exato por questões de privacidade —
00:01:39perdeu uma quantia tão grande que chegou a causar
00:01:43graves conflitos familiares.
00:01:46Ao trocar alguns e-mails e perguntar
00:01:50qual metodologia ela estava utilizando,
00:01:51percebi que ia contra o que estou explicando nestes vídeos:
00:01:54ela fazia muitos backtestings sem qualquer validade estatística.
00:01:59Havia uma estratégia com um MDD (Drawdown Máximo) de cerca de 15%,
00:02:04que teve um rendimento razoável no ano passado.
00:02:07Por causa disso, ela tomou muitos empréstimos no início deste ano
00:02:10para investir tudo nessa estratégia.
00:02:12Quando o KOSPI caiu cerca de 10%,
00:02:15o portfólio dela despencou mais de 20%.
00:02:19Como ela estava operando alavancada com empréstimos,
00:02:22a alavancagem era de cerca de 3 vezes,
00:02:24o que resultou em uma perda de 60% a 70% do capital.
00:02:28Conversando com pessoas nessa situação,
00:02:30percebe-alb que elas confiam cegamente no backtesting quantitativo
00:02:34e não dão a devida importância ao benchmark.
00:02:38O bom desempenho obtido no ano passado
00:02:42deveu-se ao fato de que o KOSPI,
00:02:43desde a sua mínima, subiu mais de 100% naquele ano.
00:02:45É preciso comparar os resultados com o índice KOSPI.
00:02:47Mas como o backtesting mostrava um retorno composto de 40%
00:02:52e ela ganhou 70% no ano passado,
00:02:54ela se empolgou e investiu até o que pegou emprestado.
00:03:00Sinto muito por ver casos assim.
00:03:02Observando as discussões sobre investimento quantitativo por aí,
00:03:08senti que era realmente necessário criar um conteúdo como este.
00:03:11Foi por esse motivo que decidi produzir estes vídeos.
00:03:14Se você não conseguir entender
00:03:17as explicações básicas que estou dando aqui,
00:03:20é melhor nem começar a mexer com isso.
00:03:22Ou então, estude primeiro os fundamentos da estatística
00:03:25para avançar para um nível intermediário,
00:03:27abordando o tema com cautela e seguindo estes 10 pontos de atenção.
00:03:33Se você já for um investidor experiente ou profissional, siga como preferir.
00:03:36Não cabe a mim dizer o que você deve fazer.
00:03:39Uma estratégia quantitativa bem estruturada e feita corretamente
00:03:43possui, sem dúvida, uma excelente vantagem competitiva (edge).
00:03:46O que quero dizer é apenas o óbvio: não existe almoço grátis.
00:03:49Estou apenas tentando trazer uma perspectiva de bom senso.
00:03:52Pois no último ano, as conversas sobre “atalhos” e “vias rápidas”
00:03:57pareceram ter passado um pouco dos limites.
00:04:01Meu intuito não é dizer que o método é ruim,
00:04:04não é nada disso,
00:04:05mas sim que é preciso se esforçar para dominar o básico
00:04:08e fazer as coisas do jeito certo.
00:04:10Dando continuidade aos 10 pontos essenciais
00:04:12para quem faz trading quantitativo, o sexto é:
00:04:15No quantitativo, você também precisa de autodisciplina.
00:04:17Este é um ponto que muitos interpretam mal,
00:04:20inclusive pessoas que se consideram especialistas.
00:04:23Muitos têm a ilusão de que quanto mais backtesting
00:04:25você fizer, melhor será o resultado.
00:04:28Mas isso definitivamente não é verdade.
00:04:30Fazer mais backtesting não significa melhores resultados; é preciso ter disciplina.
00:04:35Vou citar um artigo acadêmico sobre isso:
00:04:37Quanto mais backtestings você realiza, maior o risco de sobreajuste,
00:04:40ou seja, o problema de “overfitting” torna-se muito sério.
00:04:44Isso pode ser provado matematicamente
00:04:47e também é observado na prática em dados de usuários de plataformas como a Quantopian.
00:04:51Quanto mais backtestings um usuário executa em seu algoritmo,
00:04:55maior tende a ser a discrepância entre o lucro do backtesting
00:05:00e o rendimento real obtido no mercado futuro.
00:05:01O motivo é que, ao rodar exaustivamente backtestings,
00:05:04você acaba identificando padrões e sinais em movimentos que são puramente aleatórios.
00:05:09Um estudo realizou um experimento com um “random walk” total,
00:05:12simulando ações que se moviam de forma completamente aleatória.
00:05:18Eles rodaram inúmeros backtestings sobre esses dados.
00:05:21Mesmo em movimentos totalmente aleatórios, devido ao excesso de testes,
00:05:26conseguiram encontrar estratégias com Índice Sharpe acima de 1 ou 2.
00:05:29Surgiram estratégias que funcionavam bem tanto nos dados de treinamento quanto nos de validação.
00:05:36Esse fenômeno, que também é um problema em diversas outras áreas acadêmicas,
00:05:40é chamado de “p-value hacking” (manipulação do valor-p).
00:05:42Para quem é da estatística, essa definição pode parecer
00:05:46um pouco simplista ou imprecisa,
00:05:48mas vou explicar de forma intuitiva para quem está começando agora.
00:05:52Quando cientistas fazem um experimento, eles usam uma amostra
00:05:57para tentar estimar o comportamento de uma população inteira.
00:06:02Por exemplo, em uma pesquisa eleitoral, entrevista-se algumas pessoas para estimar a intenção de voto nacional.
00:06:10O p-value é a probabilidade de que a população real seja diferente do que vimos,
00:06:20mas que, por puro azar ou sorte, tenhamos pego uma amostra que favorecesse o resultado da pesquisa.
00:06:25Embora varie por área, geralmente se o p-value for menor que 5%,
00:06:31dizemos que o resultado é estatisticamente significativo.
00:06:34Digamos que queiramos testar se o candidato A tem mais de 50% de apoio.
00:06:42Pegamos uma amostra e o resultado dá 55%.
00:06:47Qual a chance da população real ter 50%, mas a amostra ter dado 55% por puro acaso?
00:06:57Se o p-value for 0,2, significa que há 20% de chance de ser apenas uma coincidência.
00:07:03Mas se a amostra desse 70% de apoio,
00:07:10a chance de a população real ter só 50% e termos sorteado
00:07:17tantos apoiadores do candidato A para dar 70% na amostra seria talvez de apenas 1%.
00:07:21Isso é o p-value.
00:07:22Se no caso dos 55% o p-value fosse 0,2,
00:07:27não poderíamos afirmar com certeza
00:07:31que o apoio ao candidato A não é de 50%.
00:07:33Não haveria significância estatística para tal conclusão.
00:07:38Já se o resultado fosse 70% e o p-value fosse 1%, estando abaixo do nosso limite de 5%,
00:07:46poderíamos dizer com confiança estatística que o apoio não é de apenas 50%.
00:07:57Em resumo, isso é o p-value.
00:08:00O “p-value hacking” ocorre quando se repete o experimento várias vezes até obter um p-value favorável.
00:08:06Digamos que com 60% de apoio na amostra, o p-value seja 0,05.
00:08:15Isso significa que, mesmo que a população real tenha 50% de apoio,
00:08:21se você colher 100 amostras diferentes, em algum momento uma delas dará 60%.
00:08:29Em experimentos científicos, se alguém fica colhendo novas amostras até
00:08:35encontrar uma que se ajuste à sua tese e publique apenas esse resultado após 20 tentativas,
00:08:43isso é uma má conduta acadêmica chamada de “p-hacking”.
00:08:48E isso se aplica perfeitamente ao backtesting.
00:08:51Mesmo com dados de ações totalmente aleatórios, sem nenhum padrão real,
00:08:58se você testar exaustivamente diversas estratégias nos dados de treinamento,
00:09:06eventualmente algumas delas parecerão lucrativas nos dados de validação por pura sorte.
00:09:13Como mencionei sobre o sobreajuste na parte 1, ao otimizar lucros nos dados de treinamento,
00:09:20testar nos dados de validação ou fazer paper trading,
00:09:23se o número de backtestings for excessivo,
00:09:29você pode estar apenas capturando um padrão passado inútil
00:09:34que não possui nenhum poder preditivo real para o futuro.
00:09:39Ainda assim, por acaso, os resultados podem parecer bons nos dados de validação.
00:09:44Por isso, o item 7 é crucial: explicar sua estratégia em termos não quantitativos.
00:09:51Por que é importante explicar a estratégia em linguagem comum?
00:09:54Vamos primeiro ver por que a quantidade de dados é tão importante.
00:09:58Imaginem que temos um modelo simples e um modelo flexível.
00:10:02Nesta imagem, a linha azul representa um modelo de alta flexibilidade,
00:10:06enquanto a linha preta representa um modelo muito simples.
00:10:09Quanto mais flexível o modelo, melhor ele se ajusta perfeitamente à amostra atual.
00:10:15Mas se a distribuição real for diferente, quando novos dados surgirem,
00:10:21esse modelo flexível (linha azul) cometerá muitos erros.
00:10:23Como disse na parte 1, se você tiver uma quantidade massiva de dados —
00:10:28milhares ou milhões deles — antigamente isso era muito difícil.
00:10:32Tinha-se que estimar ou prever grandes populações com amostras minúsculas.
00:10:39Hoje, dependendo da área, podemos coletar terabytes de dados que se aproximam da população total.
00:10:50Com tantos dados assim, o risco de sobreajuste ao usar modelos flexíveis é muito menor.
00:10:57Ao aplicar a linha azul a uma quantidade enorme de dados,
00:11:04embora ela faça algumas curvas, o ajuste será mais realista e o erro
00:11:09nos novos dados de validação não será tão grande. Mas no contexto do trading,
00:11:15conforme passamos de minutos para dias, meses e anos, o volume de dados diminui.
00:11:20No investimento quantitativo baseado em balanços patrimoniais, por exemplo, o número de dados é pequeno.
00:11:28Isso reforça o que eu disse na primeira parte. Então, como evitar o sobreajuste com poucos dados?
00:11:35É preciso limitar a flexibilidade do modelo para que o overfitting não ocorra.
00:11:41Isso é o que chamamos de impor uma estrutura
00:11:45ou usar técnicas de regularização para mitigar o sobreajuste ao restringir a flexibilidade.
00:11:53Embora você possa usar técnicas de regularização ao ajustar o modelo,
00:11:59outro método fundamental no backtesting
00:12:09é focar apenas em ideias que façam sentido econômico ou lógico para um trader.
00:12:15Se você testar aleatoriamente aqui e ali em diversos dados,
00:12:19rodando backtestings milhares de vezes sem um propósito claro,
00:12:23você acabará encontrando algum padrão que parece funcionar perfeitamente.
00:12:29Não se trata de ficar testando todos os parâmetros, mudando de P/L para P/VP sem critério,
00:12:33apenas rodando backtestings sem parar.
00:12:39Como investidor ou trader, você deve observar o mercado
00:12:43e formular ideias de investimento que tenham lógica econômica.
00:12:47Ao testar apenas essas ideias, você evita capturar padrões aleatórios inúteis
00:12:53que poderiam parecer bons até no paper trading por pura coincidência.
00:12:59Não use termos complicados como “reconhecimento de padrões em Big Data”.
00:13:03Se você não conseguir explicar em linguagem simples por que sua estratégia gera retornos acima do índice,
00:13:10provavelmente você está apenas fazendo “data snooping” (bisbilhotice de dados).
00:13:16Data snooping é como torturar os dados exaustivamente
00:13:23até que eles confessem o resultado que você deseja obter.
00:13:28Eu considero que entender isso é extremamente importante.
00:13:31Claro, há exceções, como no caso do Deep Learning.
00:13:35Quando especialistas usam técnicas como dropout e otimizam modelos de IA
00:13:40para investimentos automatizados de forma rigorosa,
00:13:49é difícil explicar economicamente cada peso atribuído pela rede neural.
00:13:56Existem profissionais quantitativos excelentes na Coreia pesquisando essas estratégias
00:14:04e, ao ler o trabalho deles, percebe-se uma abordagem científica rigorosa.
00:14:08Dá para sentir que foi uma abordagem rigorosa e científica.
00:14:10O que estou dizendo aqui é que, quando um investidor individual usa ferramentas de backtesting,
00:14:17se quiser evitar o "data snooping", não tente apenas espremer algo dos dados a qualquer custo.
00:14:24Comece por uma ideia de investimento, de trading ou uma lógica econômica e depois vá para o backtesting.
00:14:31Estou dizendo isso focado naqueles que ainda são iniciantes no mercado.
00:14:40Quem já faz deep learning ou define parâmetros por aprendizado por reforço já sabe o que está fazendo.
00:14:47O oitavo ponto também é extremamente importante:
00:14:50Você deve duvidar de si mesmo de vários ângulos diferentes.
00:14:53Neste caso, me refiro a duvidar da sua própria estratégia.
00:14:56Pense da seguinte forma: você fez o backtesting e ele passou pelos dados de treino,
00:15:01passou pelos dados de validação e até no paper trading os resultados foram bons.
00:15:06Uma estratégia que passa por essas etapas não é uma estratégia provada como rentável,
00:15:12mas apenas uma estratégia que ainda não foi provada como ruim.
00:15:15Parece um jogo de palavras, mas essa sutil diferença de atitude muda tudo.
00:15:21Não é para acreditar só porque passou no backtesting,
00:15:24mas sim considerar que apenas ainda não foi provado que ela não é confiável.
00:15:29Então, como devemos duvidar dela sob diversos ângulos?
00:15:31Primeiro, se o resultado for bom demais, provavelmente não é verdade.
00:15:35Por exemplo, se não for uma estratégia de High Frequency Trading (HFT),
00:15:37e o índice de Sharpe de uma única estratégia passar de 2, desconfie.
00:15:42Acima de 3, considere praticamente impossível.
00:15:44Se você mantiver um Sharpe acima de 3 por longo prazo com um portfólio diversificado,
00:15:49composto por várias estratégias com Sharpe de 1 ponto pouco,
00:15:54você se torna uma lenda, digno da série "Market Wizards".
00:15:56Portanto, é preciso ter cuidado com esses números.
00:15:59No caso do HFT, a situação é um pouco diferente.
00:16:02Pela altíssima frequência, o Sharpe pode chegar a 3 ou 4,
00:16:06mas no HFT o contexto muda, pois existem custos fixos elevados
00:16:09relacionados à infraestrutura necessária.
00:16:14Para quem faz backtesting de estratégias quantitativas comuns,
00:16:17se o índice passar de 2, comece a suspeitar.
00:16:20Pode haver um "look-ahead bias" (viés de antecipação),
00:16:22ou talvez tenha ocorrido um overfitting (sobreajuste),
00:16:24ou você rodou tantos backtestings que acabou caindo
00:16:26no que chamamos de "p-value hacking".
00:16:28Esses são os pontos que você deve questionar.
00:16:30E se houver uma estratégia que passou no backtesting,
00:16:32você deve continuar analisando cada detalhe dela.
00:16:34Por exemplo, tente ajustar as premissas de custos.
00:16:39Não considere apenas as taxas de corretagem da negociação,
00:16:42mas piore as premissas de volume e liquidez
00:16:46para ver o que acontece se aumentar o custo de derrapagem (slippage).
00:16:48Ou então, experimente alterar os parâmetros da estratégia.
00:16:51Mesmo mudando um pouco os parâmetros,
00:16:54veja se a rentabilidade continua boa e estável.
00:16:56Isso é algo que você precisa verificar.
00:16:58Vamos supor que seja uma estratégia baseada no P/L (Preço/Lucro).
00:17:01Veja se o seu caso é de estabilidade ou instabilidade.
00:17:04Se o backtesting indicou que o P/L de 14 é o ponto ideal,
00:17:08verifique se ao testar com 13,5, 14, 15 ou 16,
00:17:13a rentabilidade cai apenas um pouco nessas faixas,
00:17:15mostrando uma tendência estável nos parâmetros.
00:17:19Ou se, por outro lado, com P/L 14 o resultado foi excelente,
00:17:24mas ao baixar para 13 a queda é drástica,
00:17:26e com 12 o resultado já se torna negativo.
00:17:28Se os valores dos parâmetros forem instáveis
00:17:31dessa forma,
00:17:32então, na maioria dos casos,
00:17:34é provável que tenha ocorrido um sobreajuste (overfitting).
00:17:36Outro teste é variar um pouco o tempo das operações.
00:17:39Por exemplo,
00:17:40se for uma estratégia que opera em escalas de hora,
00:17:43mude o momento de entrada e saída em 5 ou 10 minutos.
00:17:46No caso de estratégias quantitativas de rebalanceamento mensal,
00:17:50geralmente o ajuste é feito no início ou no fim do mês.
00:17:54Você assume que operará nessas datas no backtesting,
00:17:56mas tente mudar para o dia 28 ou, se for no início, para o dia 3 ou 4.
00:18:01Mude o timing em alguns dias e veja
00:18:04se a rentabilidade se mantém estável e similar.
00:18:08Para um rebalanceamento mensal, operar um dia antes ou depois
00:18:11não deveria causar uma diferença gigantesca nos resultados.
00:18:14Mas se ao mudar apenas um ou dois dias,
00:18:16a rentabilidade anual cai de 15% para 7%,
00:18:20então claramente há um problema ali.
00:18:22Além disso, tente adicionar outras premissas.
00:18:24Como eventos exógenos ou mudar levemente os períodos de teste.
00:18:28Embora simular eventos exógenos seja difícil
00:18:30em algumas ferramentas
00:18:34de simulação e backtesting.
00:18:36Tente também adicionar algum ruído estatístico.
00:18:39Isso é comumente chamado na estatística
00:18:42de "Bootstrapping".
00:18:44Trata-se de variar as variáveis do mercado de ações
00:18:48de forma levemente aleatória dentro da sua distribuição.
00:18:50E veja se, mesmo assim, o resultado permanece estável.
00:18:54Enfim, analise a estratégia de todas as formas possíveis.
00:18:57Só depois disso é que você deve seguir
00:19:00para a validação com dados fora da amostra ou paper trading.
00:19:03E só então parta para as operações reais.
00:19:06Essa é a minha recomendação.
00:19:07Além disso, como já mencionei brevemente,
00:19:10você precisa definir um benchmark corretamente.
00:19:12Vi um caso real de alguém
00:19:14que se gabava de sua estratégia quantitativa
00:19:17por ter rendido 30% em 6 meses.
00:19:20Era uma estratégia de compra de ações (long-only),
00:19:22mas no mesmo período o índice KOSPI subiu 40%.
00:19:25Ao escolher um benchmark,
00:19:28ele deve ser adequado à natureza da sua estratégia.
00:19:31Se você montou uma estratégia focada em ações de tecnologia,
00:19:36deve compará-la com o NASDAQ,
00:19:38e não com o S&P 500 ou o Russell 2000.
00:19:41Sobre a rentabilidade da estratégia, por exemplo,
00:19:43mesmo comparando dois períodos de 6 anos:
00:19:46uma estratégia que rendeu 13% entre 2011 e 2017
00:19:49versus uma que rendeu 17% entre 2015 e 2021. Qual é a melhor?
00:19:53Muitos pensariam que 17% é melhor,
00:19:56mas isso depende de como o benchmark se comportou
00:20:00em cada um desses períodos.
00:20:02Render 17% em um mercado extremamente favorável
00:20:06é muito diferente de render 13%
00:20:08em um mercado que estava em queda.
00:20:11Porém, existem pessoas que ignoram os benchmarks
00:20:14e olham apenas para o valor absoluto
00:20:16da rentabilidade própria.
00:20:19Você deve sempre analisar sua estratégia
00:20:20em termos relativos ao benchmark.
00:20:23E o que considerar ao definir esse benchmark?
00:20:25Coisas como risco de volatilidade ou se são ações de valor ou crescimento.
00:20:27Existem índices específicos para cada categoria.
00:20:30Se a sua estratégia quantitativa,
00:20:33por exemplo, foca apenas em ações de crescimento tecnológico
00:20:35para selecionar os ativos,
00:20:38então você deve compará-la
00:20:41com um índice de ações de tecnologia e crescimento.
00:20:45Outro exemplo: se você usa opções.
00:20:48Se você tem um portfólio de ações,
00:20:50mas faz hedge com opções,
00:20:52pode compará-lo com o S&P 500 puro?
00:20:53Não,
00:20:54de jeito nenhum.
00:20:56Você deve comparar com um benchmark
00:20:57que também considere o hedge com opções.
00:20:58Se você opera apenas na compra (long-only)
00:21:00ou se faz uma estratégia de long-short,
00:21:03onde também vende a descoberto.
00:21:05Para uma estratégia que faz vendas a descoberto,
00:21:06você não pode usar um índice que só considera compras.
00:21:08Dessa forma,
00:21:10defina o benchmark correto para sua estratégia
00:21:13e avalie sua performance
00:21:14em relação a esse benchmark.
00:21:17Isso é algo básico,
00:21:19mas muitos investidores iniciantes
00:21:22ignoram essa etapa
00:21:24e olham apenas para o rendimento absoluto.
00:21:27E, por fim,
00:21:28diversifique suas estratégias.
00:21:30Por mais que você se esforce no backtesting
00:21:31e seja cientificamente rigoroso,
00:21:33a rentabilidade real será diferente.
00:21:35Ao diversificar estratégias,
00:21:37você consegue reduzir o risco
00:21:39sem necessariamente baixar a rentabilidade esperada.
00:21:41Embora dependa de cada caso,
00:21:43do ponto de vista do índice de Sharpe,
00:21:45diversificar é sempre melhor.
00:21:47Sob essa ótica,
00:21:49adicionar uma estratégia muito parecida com a que você já tem
00:21:51não agrega muito valor.
00:21:54Se no seu portfólio
00:21:56já existe uma estratégia baseada em certos indicadores financeiros,
00:21:58fazer apenas uma pequena alteração,
00:22:01rodar o backtesting
00:22:03e incluí-la no portfólio
00:22:05não faz muito sentido.
00:22:07Recapitulando os 10 cuidados
00:22:08no investimento e trading quantitativo:
00:22:101. Desconfie dos dados.
00:22:112. Não olhe para o futuro antecipadamente.
00:22:123. Evite o sobreajuste (overfitting).
00:22:144. Lembre-se que a chance de validação é única.
00:22:165. Os tempos mudam (Regimes de mercado).
00:22:176. O quantitativo também
00:22:18precisa de autodisciplina.
00:22:20Não rode backtestings sem parar
00:22:21sem ter uma ideia de investimento por trás.
00:22:227. Você deve ser capaz de explicar sua estratégia
00:22:23em termos não quantitativos.
00:22:25Claro, com exceções
00:22:27como deep learning e aprendizado por reforço.
00:22:288. Mesmo que passe no backtesting,
00:22:29duvide sob vários ângulos,
00:22:30ajuste o ambiente de teste
00:22:31e veja se a rentabilidade é estável conforme os parâmetros.
00:22:339. Defina corretamente o benchmark.
00:22:3410. Diversifique suas estratégias.
00:22:35Se você gravar apenas esses 10 pontos,
00:22:36poderá evitar perder tempo
00:22:38com backtestings mal feitos
00:22:39no investimento quantitativo.
00:22:40E também poderá evitar prejuízos
00:22:42decorrentes de testes falhos.
00:22:43Digo que você evita perdas por backtestings errados,
00:22:44pois fazer um backtesting correto não garante o lucro.
00:22:46Mas os erros evitáveis, você deixará de cometer.
00:22:48Espero que essas dicas ajudem sua jornada.
00:22:50Sempre busque a lógica por trás dos números.
00:22:52O mercado é um organismo vivo e complexo.
00:22:54Seja rigoroso com seus próprios métodos.
00:22:56Em seguida, diversifique as estratégias.
00:22:58Portanto, se você mantiver apenas essas 10 coisas em mente,
00:23:00você evitará fazer investimentos quantitativos
00:23:02ou negociações quantitativas
00:23:04baseadas em backtesting incorreto,
00:23:06poupando-se de perder tempo
00:23:09e também de sofrer perdas financeiras evitáveis.
00:23:10É isso que eu queria transmitir.
00:23:11Mas veja, você evita perdas por backtesting errado,
00:23:14porém, fazer um backtesting correto
00:23:16não garante que você terá lucro, certo?
00:23:18Mas, pelo menos, evita perder dinheiro por erro de teste.
00:23:22Agora, para concluir,
00:23:23vamos falar um pouco sobre as vantagens e limitações do quant.
00:23:26Como enfatizei no início do vídeo,
00:23:28não estou dizendo que o investimento quantitativo é ruim.
00:23:30Ter uma mentalidade quantitativa como investidor é muito positivo.
00:23:34No entanto, a publicidade exagerada e,
00:23:36consequentemente, fazer backtesting de forma amadora é um veneno.
00:23:38Além do desperdício de tempo e das perdas,
00:23:40isso cria a falsa ilusão de que
00:23:42o que pode levar a assumir riscos excessivos.
00:23:44You can take on a lot of risk
00:23:46Sinto muito por quem já sofreu prejuízos nesses casos.
00:23:50Mas o problema fundamental é o seguinte:
00:23:52mesmo com um backtesting malfeito
00:23:54e agindo de forma estatisticamente irrelevante,
00:23:56ao implementar a estratégia,
00:23:58devido à aleatoriedade do mercado de ações,
00:24:00esse teste amador pode acabar dando lucro às vezes.
00:24:03Porque um backtesting malfeito
00:24:05não significa necessariamente que o lucro real
00:24:07será sempre pior do que o rendimento do teste.
00:24:09Significa que a margem de erro
00:24:11entre o teste e a realidade aumenta drasticamente.
00:24:13Portanto, esse erro pode ser tanto para cima
00:24:15quanto para baixo.
00:24:17Geralmente, como o backtesting busca maximizar
00:24:19o rendimento com base em dados passados,
00:24:21quando ocorre um desvio, costuma ser para baixo,
00:24:23resultando em lucros menores na prática.
00:24:26Contudo, se você fizer um backtesting sem nenhum rigor,
00:24:30ou seja, de forma totalmente aleatória,
00:24:32pode acontecer de, ao começar a operar,
00:24:35a situação do mercado estar tão favorável
00:24:37que você alcance o lucro previsto no teste
00:24:39ou até consiga superá-lo.
00:24:41É aí que mora o perigo,
00:24:43pois isso se torna a “sorte de principiante”.
00:24:45Isso não acontece apenas no investimento quantitativo,
00:24:47mas em cassinos, trade manual ou análise gráfica,
00:24:50em qualquer atividade que envolva dinheiro
00:24:53e dependa de probabilidades.
00:24:56Se a pessoa ganha dinheiro logo de cara,
00:24:59ela ganha confiança, aporta mais capital,
00:25:01faz empréstimos,
00:25:02e acaba sofrendo um prejuízo ainda maior depois.
00:25:05Por isso, é preciso ter muito cuidado com isso.
00:25:07Repito mais uma vez:
00:25:08o backtesting não serve para provar
00:25:11que uma estratégia será lucrativa.
00:25:12O que ele diz é que, após inúmeros testes,
00:25:14não foi provado que a estratégia seja ruim.
00:25:17Apenas as estratégias que sobrevivem a isso
00:25:19devem ser aplicadas na prática,
00:25:21mas isso não garante lucro
00:25:22nem prova que ela é excelente.
00:25:24Quero reforçar esse ponto novamente.
00:25:27Na verdade,
00:25:29algumas pessoas mais céticas
00:25:31costumam me dizer o seguinte:
00:25:32“Esse cara está sempre dizendo
00:25:34que tudo é muito difícil.”
00:25:36Digo que investimento em valor é difícil,
00:25:37que análise gráfica é difícil,
00:25:38que o crescimento constante dos índices
00:25:40não é uma verdade absoluta,
00:25:41e agora que o investimento quantitativo também é difícil.
00:25:44“Afinal, o que você quer que a gente faça?”
00:25:46Já ouvi até coisas do tipo:
00:25:47“Só porque você trabalha no setor financeiro,
00:25:49está querendo agir com arrogância de especialista?”
00:25:51“Está dizendo para as pessoas comuns
00:25:53apenas seguirem índices e nos menosprezando?”
00:25:54Mas não é nada disso.
00:25:55Ganhar mais dinheiro que os outros é, por natureza, algo difícil.
00:26:00Sinceramente, do meu ponto de vista,
00:26:01quanto mais pessoas fizerem investimentos quantitativos errados,
00:26:03melhor para quem faz o certo.
00:26:05Essas pessoas criam ineficiências no mercado
00:26:08e é graças à existência delas
00:26:10que alguém consegue obter lucros excedentes.
00:26:12Eu não teria motivo nenhum para avisar
00:26:14que alguém está fazendo do jeito errado.
00:26:15O motivo de eu insistir que tudo é difícil
00:26:18não é para desencorajá-los
00:26:20ou dizer para ficarem apenas no básico
00:26:23se não forem especialistas.
00:26:24É porque, como superar a média é difícil,
00:26:28se você realmente deseja ganhar mais,
00:26:30deve se esforçar da maneira correta,
00:26:32estudar para adquirir competência,
00:26:34acumular experiência
00:26:35e, através desse caminho,
00:26:36escolher entre investimento em valor,
00:26:37investimento quantitativo
00:26:39ou seguimento de índices.
00:26:41Essa é a minha intenção.
00:26:42Mas por que será que esse discurso sensato
00:26:44não é tão popular?
00:26:45Por que promessas de dinheiro fácil,
00:26:48sempre convencem tanto?
00:26:50This kind of talk is actually
00:26:51Isso existe há 10, 20, 30 anos,
00:26:53e provavelmente existia há 100 anos.
00:26:55Essas histórias circulam ciclicamente,
00:26:57e sempre que surge um novo método de investimento,
00:26:59a mesma conversa reaparece.
00:27:01Sempre que surge um novo produto financeiro,
00:27:03lá vem a mesma história de novo.
00:27:05E por que tantas vítimas
00:27:06continuam surgindo repetidamente,
00:27:08como se a história estivesse se repetindo?
00:27:10Eu acredito que seja porque,
00:27:12mesmo usando métodos errados,
00:27:14existem casos reais
00:27:16em que as pessoas ganham dinheiro.
00:27:18Há quem fique rico em cassinos.
00:27:20E também existem pessoas que lucram de verdade
00:27:21com backtesting amador.
00:27:24Isso acaba ocultando a distribuição estatística real.
00:27:26Ou seja, no mundo e na vida,
00:27:27existe uma certa aleatoriedade,
00:27:29e essa volatilidade acaba
00:27:31escondendo o valor médio real.
00:27:33Pensei nesta ilustração para explicar melhor.
00:27:35Se alguém vai ficar rico ou não,
00:27:37não é algo determinístico,
00:27:41mas sim algo probabilístico.
00:27:43Imaginem que o eixo X represente o nível de riqueza;
00:27:45quanto mais à direita, mais rico você fica.
00:27:48Pensemos, por exemplo,
00:27:50em funcionários públicos com aposentadoria garantida,
00:27:51ou em pessoas que vivem de forma diligente apenas poupando.
00:27:54Para quem acumula patrimônio dessa forma,
00:27:56investindo de maneira conservadora e estável,
00:27:58a volatilidade da riqueza não é muito alta.
00:28:01Seja com pequenos gastos ou recebendo juros da poupança,
00:28:02o patrimônio oscila pouco em torno de um ponto.
00:28:05Mas ao começar a investir em ações,
00:28:07a volatilidade na vida aumenta.
00:28:09Você pode ter perdas ou ganhos significativos,
00:28:11ou uma crise financeira pode
00:28:13derrubar seu patrimônio momentaneamente.
00:28:15Neste gráfico, há um pequeno erro,
00:28:17pois a linha desceu reta,
00:28:20mas ao assumir mais riscos
00:28:22investindo em ações,
00:28:24embora a volatilidade aumente,
00:28:26a média tende a se mover um pouco para a direita.
00:28:27Na realidade, funciona assim:
00:28:29em troca de assumir mais riscos do que uma vida estável,
00:28:31você é recompensado com uma média
00:28:34que se desloca para a direita.
00:28:35Agora, quem busca um estilo de vida mais radical,
00:28:37operando futuros, derivativos ou cripto,
00:28:39terá uma volatilidade enorme, como na linha amarela.
00:28:42Mesmo entre investidores de ações,
00:28:43aqueles que desenvolvem mais competência
00:28:45conseguem uma distribuição de probabilidade melhor.
00:28:46Mas para quem investe de forma errada,
00:28:48seja jogando em cassinos,
00:28:50especulando sem critério,
00:28:54entrando em grupos de recomendações ilegais
00:28:57ou usando backtesting falho como discutimos hoje,
00:28:59a tendência é que a média se desloque para a esquerda.
00:29:02Mas qual é o problema real?
00:29:04Mesmo entre quem faz tudo errado,
00:29:06como se trata de uma distribuição probabilística,
00:29:08um em cada mil ou dez mil
00:29:10pode acabar ficando muito rico por sorte.
00:29:12Alguém ganha o jackpot no cassino
00:29:14ou fica milionário apostando tudo em uma criptomoeda.
00:29:18Sempre haverá um ou dois casos assim em meio a multidões.
00:29:21Isso é o que chamamos de viés de sobrevivência.
00:29:23Muitas pessoas não percebem que
00:29:26esses casos são raridades estatísticas.
00:29:29Elas se deixam influenciar e abandonam uma vida estável
00:29:31para seguir esse caminho de alto risco,
00:29:33onde a probabilidade de perder tudo é altíssima.
00:29:35Poderíamos discutir detalhes técnicos da curva,
00:29:38como ela deveria ser mais achatada ou deslocada,
00:29:40mas vamos deixar isso de lado por agora.
00:29:43O ponto que quero enfatizar é que
00:29:45construir riqueza no mercado financeiro
00:29:48não é um processo determinístico onde 1+1 sempre é 2,
00:29:51mas sim um mundo de probabilidades e distribuições.
00:29:55Mesmo investindo da maneira correta,
00:29:57se o mercado estiver ruim ou ocorrerem eventos negativos,
00:29:59os resultados podem não ser os esperados inicialmente.
00:30:03então, se você abandonar sua vida diligente por esse caminho,
00:30:07com alta probabilidade, sua riqueza diminuirá.
00:30:11Claro, deixando de lado os detalhes técnicos,
00:30:13se o gráfico deveria estar mais à direita ou ser mais plano,
00:30:15o que eu realmente quero dizer é que,
00:30:17seja construindo riqueza, investindo ou no mercado de ações,
00:30:20o mundo não é um lugar determinístico e exato,
00:30:25mas sim um mundo probabilístico composto por distribuições.
00:30:28Mesmo que você invista em ações de maneira correta e adequada,
00:30:31se a situação do mercado for ruim ou eventos negativos ocorrerem,
00:30:35você pode acabar na parte inferior da curva.
00:30:37Por outro lado, mesmo em algo errado como o jogo de cassino,
00:30:39alguém pode acabar indo para lá por pura coincidência e,
00:30:41como alguém sempre acaba ganhando o prêmio acumulado,
00:30:43essa pessoa pode sim tirar o jackpot.
00:30:45O mundo é assim; agir sem uma vantagem probabilística
00:30:49não significa que você ficará preso em um ponto fixo,
00:30:51mas sim que você viverá dentro dessa distribuição de probabilidades.
00:30:55Você pode agir errado e acabar ganhando,
00:30:57ou tentar viver corretamente e acabar perdendo.
00:30:59É assim que funciona.
00:31:00No entanto, se você repetir esses comportamentos,
00:31:03você acabará convergindo para a média,
00:31:04e aquelas pessoas convergirão para o resultado delas.
00:31:06Apenas ter essa mentalidade em mente
00:31:08ajudará você quando essas pessoas começarem a se gabar,
00:31:10ou quando você sofrer qualquer tipo de tentação relacionada.
00:31:13Acho que isso ajuda a manter o equilíbrio e o foco.
00:31:16Foi por isso que preparei este gráfico.
00:31:19Agora, voltando ao assunto de Quant,
00:31:21a limitação do Quant é que ele depende de dados passados.
00:31:25Como o backtesting assume que os padrões passados se repetirão,
00:31:29essa é a fraqueza intrínseca do método.
00:31:31quando ocorre um evento como a pandemia de COVID-19,
00:31:33When an event like COVID-19 occurs
00:31:35o próprio regime e a natureza do mercado mudam completamente.
00:31:38Nesse caso, os padrões passados param de funcionar de vez.
00:31:41Se olharmos para o que aconteceu após o COVID no ano passado,
00:31:43este é o retorno médio dos fundos mútuos americanos,
00:31:46este é o retorno médio dos hedge funds,
00:31:48seguido pelos fundos mútuos quantitativos,
00:31:50depois os hedge funds quantitativos,
00:31:52e finalmente o índice Russell.
00:31:54Perceba que o Quant teve um desempenho muito inferior.
00:31:57E entre os fatores, exceto pelo fator de Momentum,
00:32:00This is the overnight U.S. stock market
00:32:02todos os outros fatores tiveram desempenho inferior ao mercado total.
00:32:06Além desse tipo de investimento por fatores,
00:32:08a busca pelo “Alpha” (retorno excedente),
00:32:10embora os “dados alternativos” sejam o assunto do momento,
00:32:14o custo desses dados para os Quants é astronômico.
00:32:18O custo para encontrar o verdadeiro Alpha está aumentando drasticamente.
00:32:22É como a corrida armamentista na Guerra Fria.
00:32:24Ideias realmente inovadoras,
00:32:26padrões lucrativos que ainda não foram descobertos
00:32:28e que geram retornos excedentes constantes,
00:32:30estão se tornando cada vez mais difíceis de encontrar.
00:32:32Porém, o custo para encontrá-los está explodindo.
00:32:34Assim, o retorno marginal em relação ao custo investido está caindo.
00:32:38Se perguntar a conhecidos em hedge funds quantitativos,
00:32:42no passado, se pesquisassem e encontrassem uma ótima estratégia,
00:32:46que gerasse bons retornos excedentes,
00:32:48ela costumava durar, por exemplo, um ano inteiro.
00:32:52Só depois a lucratividade começava a cair gradualmente,
00:32:54exigindo ajustes e novos estudos.
00:32:56Dizem que agora esse ciclo encurtou para 4 a 6 meses.
00:33:00Isso porque a competição entre Quants se tornou feroz,
00:33:04e como os Quants também trocam de empresa,
00:33:06essas estratégias acabam se tornando comuns e padronizadas.
00:33:08Além disso, embora o Quantopian tenha fechado,
00:33:11existem muitas outras plataformas de backtesting agora.
00:33:14Parece haver dezenas delas hoje em dia.
00:33:16Com investidores individuais entrando nesse campo,
00:33:18capturar um Alpha exclusivo no mercado
00:33:22e gerar retornos excedentes únicos está ficando difícil.
00:33:25Está se tornando um verdadeiro “oceano vermelho”.
00:33:27Nesse sentido, a vantagem do julgamento humano,
00:33:30em contraste com o Quant, é a capacidade de inferir com poucos dados.
00:33:34Por exemplo, no caso do COVID-19,
00:33:35foi um evento verdadeiramente único.
00:33:38Como não houve muitas situações
00:33:40de pandemias globais como o COVID no passado recente,
00:33:43é impossível encontrar padrões em dados passados.
00:33:46Mesmo em casos que ocorrem apenas uma vez,
00:33:49os humanos podem analisar a Gripe Espanhola de 1920,
00:33:53ou usar várias sabedorias de vida
00:33:56para fazer inferências racionais.
00:33:58Por isso, mesmo no mercado de ações,
00:34:00se observar a tendência de quantificação e análise,
00:34:03onde o número de dados é imenso e denso (em segundos e minutos),
00:34:07a automação começou pelo High-Frequency Trading (HFT).
00:34:09Traders de curto prazo estão enfrentando dificuldades e desaparecendo.
00:34:13Por outro lado, onde os dados anuais ainda são escassos,
00:34:16como no investimento de longo prazo, a inferência humana ainda prevalece.
00:34:21Até os hedge funds de longo prazo,
00:34:24embora usem abordagens “Quantamental” hoje em dia,
00:34:26os gestores ainda exercem muito julgamento discricionário.
00:34:31Eles usam seu próprio critério nessas decisões.
00:34:32De qualquer forma, a corrente da história favorece o Quant,
00:34:35e a análise quantitativa avançará cada vez mais.
00:34:38No entanto, a Inteligência Artificial Geral (AGI) — aquela que não faz
00:34:42apenas a tarefa para a qual foi treinada, mas resolve novos problemas,
00:34:44trazendo experiências de outras áreas
00:34:47para realizar inferências em novos desafios —
00:34:49levará pelo menos várias décadas para surgir.
00:34:52Embora One-shot Learning e Meta-learning estejam sendo estudados,
00:34:55ainda vejo isso como um futuro muito distante.
00:34:58Por isso, no mercado de ações,
00:35:02acredito que os humanos ainda não podem ser totalmente substituídos.
00:35:03Mas, apesar disso, o curso da história
00:35:06em direção à quantificação é inegável.
00:35:09Mesmo falhando em mudanças de regime ou paradigmas,
00:35:12o Quant é superior a humanos que operam por impulso, sem princípios,
00:35:15sem revisar erros e levados pelas emoções.
00:35:19Portanto, se você quer ser um trader profissional de sucesso,
00:35:23eu vejo basicamente três caminhos.
00:35:26Primeiro, se você opera por julgamento pessoal,
00:35:29deve usar análises quantitativas e modelos de sentimento
00:35:33como suporte para suas decisões,
00:35:36enquanto foca em notícias, análise de mercado e cenários.
00:35:39Isso envolve pesquisar e analisar novos eventos,
00:35:41coisas que algoritmos quantitativos não fazem bem.
00:35:43Você deve atuar não em áreas de alta frequência,
00:35:45mas no espaço entre o Day Trading e o Swing Trading,
00:35:48posicionando-se como esse tipo de trader.
00:35:51Eu pessoalmente sigo esse caminho nos meus investimentos.
00:35:54Por exemplo, processo todos os dados de negociação de opções,
00:35:57aplico um pouco de Machine Learning,
00:36:00para gerar alguns sinais de alerta.
00:36:03Além disso, coleto todos os dados de notícias
00:36:05e treino um modelo de análise de sentimento
00:36:07para observar os sinais que ele emite.
00:36:09Não uso isso para negociação automática,
00:36:11mas uso essas informações para embasar meu julgamento,
00:36:13considerando o panorama atual do mercado e do Fed.
00:36:16Levo tudo isso em conta para chegar
00:36:19à minha decisão final de investimento.
00:36:21Esse é um dos formatos possíveis.
00:36:23Segundo, para estudantes de áreas exatas,
00:36:24se vocês desejam ser Quants em instituições,
00:36:26devem fazer um doutorado sério em ciências ou engenharia
00:36:28e seguir carreira em um grande fundo ou banco.
00:36:31Terceiro, para quem já faz trading quantitativo,
00:36:34existem nichos que as grandes instituições não tocam.
00:36:36Você pode focar nesses nichos como um trader quantitativo individual.
00:36:39Acho que esses seriam os três métodos principais.
00:36:42Um exemplo de nicho que instituições ignoram
00:36:46são estratégias com capacidade inferior a alguns milhões.
00:36:49Instituições não gastam recursos em estratégias assim.
00:36:52A “capacidade” aqui refere-se a quanto o retorno cai
00:36:55à medida que você aumenta o capital investido.
00:36:58Envolve custos de transação, slippage,
00:37:01problemas de liquidez e coisas do tipo.
00:37:03Acho que o limite estaria entre 5 a 10 milhões de dólares.
00:37:05Estratégias cuja capacidade se degrada a partir desse ponto
00:37:07geralmente não interessam às grandes instituições.
00:37:08Não vale o esforço delas, pois o lucro total é pequeno.
00:37:11Mas para um indivíduo, se você puder investir até 10 milhões
00:37:12sem que a rentabilidade caia, isso é mais do que suficiente.
00:37:15Portanto, encontre esses nichos e ineficiências
00:37:18para gerar seus lucros.
00:37:21Então, como estudar isso da maneira correta?
00:37:24Sobre trading quantitativo e algorítmico,
00:37:27vou falar brevemente sobre como montar um currículo de estudos.
00:37:29Existem vários caminhos, mas para resumir:
00:37:31Primeiro, acredito que aprender programação é obrigatório.
00:37:33Um Quant que não programa e usa apenas Excel não é um Quant.
00:37:34Por mais que o Excel tenha muitas funções,
00:37:38ele é uma ferramenta extremamente limitada.
00:37:40Se a quantidade de dados aumentar um pouco,
00:37:42o Excel trava.
00:37:44No mínimo, você precisa estudar Python.
00:37:45Em vez de apenas rodar backtestings comuns de indicadores
00:37:47financeiros ou técnicos que milhares de pessoas já testaram,
00:37:50o que apenas levaria ao over-fitting (sobreajuste),
00:37:53se você quiser transformar ideias originais em estratégias,
00:37:56encontrar oceanos azuis e nichos para retornos excedentes,
00:37:59você deve saber programar para implementar essas ideias com flexibilidade.
00:38:01Além disso, é óbvio, mas você precisa de uma base sólida em estatística.
00:38:02No mínimo, estatística de nível universitário
00:38:05e Estatística Bayesiana.
00:38:08Você deve fazer pelo menos um ou dois cursos sobre isso.
00:38:11Depois, estude análise de séries temporais,
00:38:14incluindo ARIMA, cointegração e Filtro de Kalman.
00:38:17Mais do que as fórmulas, aprenda com o que ter cuidado
00:38:20ao lidar com dados de séries temporais e como processá-los.
00:38:23Hoje em dia, o aprendizado de máquina também é essencial.
00:38:26A análise de regressão é, estritamente falando, um tipo de machine learning,
00:38:29mas existem muitos outros algoritmos como SVM,
00:38:30Random Forest ou AdaBoost.
00:38:31Existem inúmeros algoritmos disponíveis.
00:38:33Se tiver tempo, pode estudar todos, mas pessoalmente recomendo
00:38:37focar em Análise de Regressão e LightGBM.
00:38:38O LightGBM é muito eficiente para dados tabulares.
00:38:40Em seguida, estude Deep Learning, focado em redes neurais.
00:38:42Especialmente para séries temporais, modelos como LSTM ou GRU.
00:38:44Também é importante entender o conceito de Attention e Transformers.
00:38:46Essas tecnologias estão revolucionando a análise de dados financeiros.
00:38:48Não se esqueça de estudar a gestão de risco e o dimensionamento de posição.
00:38:51Sem isso, até a melhor estratégia pode levar à ruína.
00:38:52como lidar com elas e como processá-las.
00:38:55Hoje em dia, temos o aprendizado de máquina.
00:38:57Na verdade, a análise de regressão também é um tipo de machine learning.
00:39:00No aprendizado de máquina,
00:39:02existem algoritmos como SVM ou Random Forest,
00:39:05ou até mesmo o AdaBoost.
00:39:07Existem inúmeros algoritmos por aí.
00:39:09Se tiver tempo, você pode estudar todos eles,
00:39:12mas, pessoalmente, recomendo a análise de regressão,
00:39:14LightGBM,
00:39:15XGBoost,
00:39:16além de Deep Learning
00:39:17e aprendizado não supervisionado.
00:39:18Como clustering e coisas do tipo.
00:39:20Depois, o processamento de linguagem natural
00:39:22e o aprendizado por reforço, que está em alta no trading.
00:39:26Isso é o que você deve estudar.
00:39:28Outro ponto extremamente importante é o inglês.
00:39:30Materiais sobre quant em coreano ainda são muito escassos.
00:39:33Não estou dizendo que os quants coreanos
00:39:37sejam inferiores aos americanos.
00:39:38Existem quants brilhantes na Coreia.
00:39:40Mas esses profissionais dominam tanto o inglês
00:39:46que acabam não traduzindo esse conteúdo para o coreano.
00:39:49Por isso, a grande maioria do material de quant está em inglês.
00:39:53Sobre os materiais de estudo em coreano que existem,
00:39:58o que vi até agora são conteúdos básicos para o grande público.
00:40:03Ao aprofundar, os recursos em coreano são limitados, então o inglês é vital.
00:40:11Além disso, há os artigos científicos de finanças quantitativas.
00:40:14Hedge funds quants buscam muitas ideias nesses artigos para testar,
00:40:21então é importante ler bastante esses estudos.
00:40:24Você pode pensar: “Quando vou conseguir estudar tudo isso?”
00:40:28Mas não precisa terminar tudo para começar.
00:40:32Após consolidar a base estatística,
00:40:35chegar até o segundo ou terceiro ponto não demora tanto.
00:40:39Para quem tem base em exatas, leva uns 6 meses ou já deve saber.
00:40:44Dominando os itens 2 e 3, você já pode estudar novos métodos
00:40:48enquanto cria e testa suas próprias estratégias.
00:40:52É isso o que eu queria dizer.
00:40:53Tenho todos os materiais e aulas que usei para estudar organizados,
00:40:57e a espessura é mais ou menos esta.
00:41:00E isso porque as impressões são frente e verso.
00:41:02Deve dar umas 500 ou 600 páginas em A4.
00:41:07Para quem estudou matemática, estatística ou física na faculdade,
00:41:11uns 6 meses a 1 ano de estudo intenso devem bastar.
00:41:15Estudando com afinco,
00:41:18quem não tem base em exatas deve planejar de 1 a 3 anos.
00:41:23Pense nesse prazo ao montar seu currículo de estudos.
00:41:28Esses conhecimentos não servem apenas para o trading quantitativo.
00:41:31Eles ajudam muito em ciência de dados, desenvolvimento e outras áreas.
00:41:36Analisar gráficos o tempo todo não tem utilidade em outros campos.
00:41:41Se o trading não der certo, todo esse tempo terá sido desperdiçado.
00:41:46Já esses estudos elevam sua competência e são ótimos para a carreira.
00:41:52Falando agora sobre ferramentas de backtesting,
00:41:57encontrei algo no Reddit que pode ser útil.
00:42:02Nesse link, há sites e serviços de trading algorítmico.
00:42:06No passado, eu usei o Quantopian
00:42:10e o QuantConnect, que também é muito bom.
00:42:13Acho que custa uns 8 dólares por mês para pessoa física e vale a pena.
00:42:18Não é publicidade, e como não testei todas as ferramentas,
00:42:23não estou aqui para recomendar uma especificamente.
00:42:26Na Coreia, vi serviços como backtest.kr e GenPort,
00:42:32mas como nunca os utilizei, não posso opinar.
00:42:36De qualquer forma, é bom ver as ferramentas nacionais evoluindo.
00:42:39Em vez de sites que limitam o que você pode testar,
00:42:44recomendo plataformas que ofereçam uma infraestrutura
00:42:50onde você possa conectar seu próprio código em várias linguagens
00:42:56para realizar o backtesting.
00:42:58Essa flexibilidade é essencial
00:43:00para testar e implementar ideias realmente inovadoras
00:43:03e, assim, conseguir retornos excedentes.
00:43:07Se você quer levar o trading quantitativo a sério,
00:43:11estude programação sem falta.
00:43:13Codifique sua própria estratégia
00:43:15e use ferramentas que cuidam da parte da infraestrutura.
00:43:19Acredito que esse seja o melhor caminho.
00:43:22Essa é a minha visão.
00:43:23Como existem muitos serviços disponíveis,
00:43:26não posso dizer qual é o melhor para você.
00:43:29Você pode achar que é muita coisa,
00:43:31ter que programar e tudo mais.
00:43:33Pode até se perguntar:
00:43:34“Não tem um jeito mais fácil?”
00:43:36Estratégias como a “Fórmula Mágica” parecem intuitivas,
00:43:37mas o mundo das finanças evoluiu muito nos últimos 20 anos.
00:43:40Em nenhuma outra área
00:43:42se utiliza tecnologia das décadas de 80 ou 90 hoje em dia.
00:43:45Mas, curiosamente, no mercado de ações,
00:43:47essas estratégias antigas ainda são vendidas para os amadores
00:43:50e acabam virando moda de novo.
00:43:52Saiba que não existe fórmula fácil e intuitiva para ganhar dinheiro.
00:43:56Devido à probabilidade e à volatilidade do mercado,
00:43:57alguém pode ganhar dinheiro sem esforço com um método simples,
00:43:59enquanto outro pode se esforçar e acabar perdendo.
00:44:03Essas coisas acontecem,
00:44:06mas não se deixe seduzir por isso.
00:44:09Encare a realidade
00:44:10e pense naquela distribuição de probabilidade.
00:44:13Qual distribuição você vai escolher?
00:44:15O caminho difícil que leva ao lado direito do gráfico,
00:44:16ou o lado esquerdo, aumentando a volatilidade
00:44:17e apostando para ver se consegue chegar lá?
00:44:18A escolha é sua.
00:44:20Para encerrar, eu assisti a “Round 6” recentemente,
00:44:22e algo que o personagem Oh Il-nam disse
00:44:25ficou gravado na minha memória.
00:44:28Pouco antes de morrer, ele perguntou:
00:44:29“Sabe o que quem tem muito dinheiro e quem tem pouco têm em comum?”
00:44:31Ele disse que a vida não tem graça.
00:44:32Acredito que a diversão e a felicidade na vida real
00:44:34estão no processo de sair da escassez para a abundância.
00:44:36Pular todo esse processo e ficar rico de repente
00:44:37não tem muito significado.
00:44:40Agir assim é abrir mão de memórias
00:44:41e momentos de felicidade e diversão.
00:44:42Eu adorava videogames quando era mais novo,
00:44:44cheguei a ser viciado neles no ensino fundamental
00:44:45e também no ensino médio.
00:44:46Mas os jogos de um jogador perdiam a graça
00:44:48no momento em que eu usava códigos de trapaça.
00:44:50fica rico instantaneamente e vence qualquer um.
00:44:51That it's not interesting
00:44:52Mas usar trapaças apenas para vencer
00:44:54faz você perder a essência do jogo,
00:44:55que é a satisfação de superar os desafios.
00:44:56Isso torna o jogo entediante.
00:44:57Na vida, quando as coisas estão difíceis,
00:44:59desejamos ter muito dinheiro,
00:45:01e ter mais dinheiro realmente traz felicidade.
00:45:03do dinheiro em si, logo se transforma em tédio.
00:45:04I think it doesn't have much meaning
00:45:06O processo é onde reside a verdadeira felicidade.
00:45:08Com essa reflexão, encerro o vídeo de hoje.
00:45:09Voltarei com mais conteúdos em breve.
00:45:10Muito obrigado.