[Wall Street Ajae] O Mito e a Realidade do Investimento Quantitativo - Parte 1: Fazer de Qualquer Jeito Pode Ser um Veneno

O palestrante Wall Street Ajae inicia discutindo a onipresença de padrões lucrativos em dados históricos e o crescimento do interesse por métodos quantitativos entre investidores comuns. Ele expressa preocupação com o marketing viral e enganoso que romantiza o backtesting, prometendo retornos irreais sem explicar os riscos fundamentais envolvidos. O vídeo se propõe a listar 10 pontos de atenção cruciais para evitar erros metodológicos graves que levam a prejuízos financeiros. O autor enfatiza que o termo "quantitativo" muitas vezes mascara elementos anticientíficos que atraem vítimas bem-intencionadas em busca de atalhos. Ele compartilha sua motivação pessoal em ajudar outros investidores baseada em suas próprias dificuldades passadas com dinheiro.

Nesta seção, o palestrante define as diversas subáreas do setor, incluindo HFT (High Frequency Trading), arbitragem estatística e investimento por fatores (Factor Investing). Ele explica o conceito de "Quantamental", que une análise fundamentalista automatizada com Big Data e Machine Learning em uma abordagem de longo prazo. O processo quantitativo é resumido em quatro etapas: hipótese de investimento, backtesting, execução real e gestão de risco rigorosa. É destacado que encontrar padrões passados é fácil com as ferramentas atuais, mas o verdadeiro desafio reside em identificar o que continuará funcionando no futuro competitivo. O autor adverte que a tecnologia popularizou o acesso ao backtesting, mas o entendimento errôneo sobre sua validade estatística também cresceu proporcionalmente.

O vídeo analisa a famosa "Fórmula Mágica" de Joel Greenblatt, explicando que embora ele seja uma lenda dos Hedge Funds, seus retornos não vieram apenas de uma fórmula simples. Greenblatt utilizava estratégias complexas de Value Investing e situações especiais que não são capturadas por seleções mecânicas de ações. Ao realizar um backtesting da fórmula desde 2005, nota-se que ela teve um desempenho inferior ao S&P 500 devido à maior eficiência do mercado e ao surgimento de ETFs sistêmicos. O caso da startup Quantopian é citado como um exemplo de fracasso, onde mesmo com 300 mil usuários e milhões de testes, a empresa não conseguiu sustentar um fundo lucrativo. Este segmento serve para alertar que estratégias que parecem milagrosas no papel raramente sobrevivem ao impacto do mundo real e da arbitragem de alfa.

O primeiro grande alerta foca na integridade dos dados, especialmente os gratuitos, que costumam conter erros de digitação ou falhas de consolidação entre bolsas. O autor ilustra como uma única transação errada a um preço baixo pode inflar artificialmente o lucro de um backtesting, criando uma falsa sensação de sucesso. Em seguida, é discutido o viés de sobrevivência através da analogia clássica dos aviões de guerra, aplicada ao mercado de ações como a exclusão de empresas falidas da análise histórica. Se um investidor testa apenas as empresas que sobreviveram até 2021, ele está involuntariamente usando o "poder divino" de prever o futuro em seus testes. A conclusão é que dados de má qualidade e universos de ativos mal definidos são os maiores inimigos da precisão estatística inicial.

A discussão prossegue para o "Look-ahead bias", que ocorre quando o modelo utiliza informações que, cronologicamente, ainda não haviam ocorrido ou sido publicadas. Exemplos incluem filtrar as maiores empresas de hoje para testar o passado ou usar balanços antes de sua divulgação oficial ao mercado. O terceiro ponto aborda o overfitting, ou sobre-otimização, onde o modelo se torna tão complexo que decora o ruído dos dados de amostra em vez de aprender a tendência real. Um modelo excessivamente sinuoso pode atingir erro zero no passado, mas falhará categoricamente ao enfrentar novos dados da população real. O palestrante enfatiza que quanto mais regras e parâmetros detalhados uma estratégia possui, maior é a probabilidade de ela ser apenas uma ilusão estatística sem valor preditivo.

Nesta parte final, são apresentadas técnicas avançadas de mitigação como o Walk-Forward Testing e o K-Fold Cross Validation para dar estabilidade aos parâmetros. O autor estabelece uma regra de ouro: os dados de validação (teste fora da amostra) nunca devem ser visualizados ou testados mais de uma vez para não corromper sua neutralidade. Se uma estratégia falha na validação, ela deve ser descartada imediatamente, pois tentar ajustá-la para passar no teste transforma o teste em treinamento disfarçado. Por fim, discute-se o conceito de "Market Regime Change", exemplificando como mudanças institucionais, tecnológicas ou crises como a COVID-19 alteram a distribuição dos dados. O vídeo conclui que o trabalho do quant é uma luta constante contra a obsolescência de padrões em um mercado que está sempre mudando de natureza.