No dinâmico e desafiador mundo do mercado financeiro, a busca por estratégias de investimento lucrativas permanece um objetivo primári tanto para investidores individuais quanto institucionais. Com isso, uma das perguntas mais importantes a ser respondida é: seria possível construi uma estratégia de investimento bemsucedida com base em previsões da direção de mudança do mercado?

A fim de responder a principal pergunta, o objetivo deste trabalho é fornecer uma estratégia de investimento com base na previsão da direção de retornos de mercado que possa superar um índice de referência de mercado (Ibovespa).

A existência de uma conexão direta entre a previsibilidade da volatilidade do retorno de ativos e a previsibilidade dos sinais de retorno de ativos, sugere que a ampla previsibilidade da volatilidade nos retornos de capital poderia ser usada para gerar previsões de mudança de direção úteis para o timing de mercado:

Assim, é possível calcular a probabilidade de retornos positivos em função da média condicional dos retornos esperados em t+1 e da volatilidade futura esperada ao mesmo tempo.

O algoritmo Random Forest é um método versátil e amplamente utilizado de aprendizado de conjunto tanto para tarefas de classificação quanto de regressão. Ele pertence à família de algoritmos baseados em árvores de decisão e é conhecido por sua robustez, precisão e resistência ao overfitting. Outro algoritmo é o Polymodel que é definido como uma coleção de modelos univariados, todos igualmente válidos e significativos, com um mesmo target. Podem ser entendidos como uma coleção de pontos de vista relevantes sobre a mesma realidade.

Apresentam algumas vantagens em relação a outros modelos mais conhecidos como:

➢ Redução de overfitting 

➢ Robustez 

➢ Flexibilidade 

➢ Capacidade de funcionar com séries de diferentes tamanhos entre si

Partindo de dados obtidos do terminal Refinitiv e de outras plataformas de dados financeiros, séries estacionárias foram selecionadas para serem utilizadas, compondo um conjunto de 60 variáveis que abrangem o período de 2004 a 2021, com mais de 6000 registros. Assim, uma estratégia de identificação em duas etapas foi criada: realização de uma análise abrangente e testes da estrutura dos polymodels para prever a volatilidade do mercado e estimativa da probabilidade de retornos positivos, e a aplicação das previsões para formular uma estratégia que supere os retornos do índice de referência:

Foram feitas previsões de volatilidade para o índice S&P500 e Ibovespa. Além disso, para cada índice, as previsões foram realizadas para diferentes horizontes temporais: 5, 10, 22 e 66 dias

Após executar todo o processo de backtesting, temos estatísticas de desempenho de algumas simulações para cada período e índice. Foi possível encontrar estratégias que performaram melhor do que os índices de referência