[VÍDEO] Fundos de Investimento Smart Beta

Aqui está o vídeo-resumo sobre a ideia dos fundos de investimento smart beta e investimento baseado em fatores. 

Não se esqueçam de se inscrever no canal!

Abaixo eu também apresento um texto falando sobre alguns problemas relacionados aos modelos multifatoriais (factor investing).

Problemas Relacionados ao Factor Investing

1. Introdução 

A identificação e a estimação de fatores de risco são fundamentais para a construção de modelos financeiros robustos. Por exemplo, um investidor que aloca recursos em ativos de mercados emergentes pode enfrentar riscos cambiais que impactam significativamente o retorno final. A correta identificação desse fator permite o uso de instrumentos como hedge cambial, mitigando perdas potenciais. Em particular, a compreensão desses fatores é essencial para gestores de carteiras e analistas que buscam otimizar suas alocações e gerenciar riscos de forma eficiente.

Por exemplo, em mercados emergentes, a identificação de fatores como risco-país, instabilidade política e variações cambiais pode impactar significativamente os resultados financeiros. Este trabalho tem como objetivo explicar os principais conceitos ligados a fatores de risco, apresentar os problemas mais comuns na sua estimação e explorar soluções metodológicas para mitigar esses problemas. Para isso, serão apresentados exemplos práticos que demonstrem como a identificação e a estimação correta desses fatores impactam decisões de investimento e gestão de risco, tornando o conteúdo didático e aplicável para alunos de graduação.

2. Desenvolvimento

2.1. Definição e Importância dos Fatores de Risco Fatores de risco são variáveis que capturam os principais drivers de retorno dos ativos financeiros. Esses fatores podem ser classificados em:

• Macroecônomicos: PIB, inflação, taxas de juros.
• Microeconômicos: Alavancagem, liquidez, crescimento de receitas.
• Comportamentais: Efeito manada, aversão a perdas.

Estudos como Fama e French (1993) introduziram fatores como valor (value) e tamanho (size) como determinantes dos retornos acionários. Carhart (1997) adicionou o fator momentum, ampliando o modelo de três fatores de Fama e French. Em mercados emergentes, Rouwenhorst (1999) adaptou esses modelos, destacando que a eficiência dos fatores pode variar conforme a estrutura do mercado.

2.2. Principais Fatores de Risco do 'Factor Zoo'

Diversos fatores de risco foram identificados na literatura financeira ao longo das últimas décadas. Entre os mais conhecidos, destacam-se:

1. Market Beta (Sharpe, 1964): Refere-se à sensibilidade do ativo ao mercado geral.
2. Size (Tamanho) (Banz, 1981): Pequenas empresas tendem a apresentar retornos superiores.
3. Value (Valor) (Fama & French, 1993): Ações com baixo preço em relação ao seu valor contábil costumam apresentar melhores retornos.
4. Momentum (Carhart, 1997): Ações que apresentaram bom desempenho recentemente tendem a continuar performando bem no curto prazo.
5. Investment (Investimento) (Fama & French, 2015): Empresas com menor taxa de reinvestimento tendem a apresentar melhores retornos.
6. Profitability (Lucratividade) (Fama & French, 2015): Empresas altamente lucrativas apresentam retornos mais elevados.
7. Liquidity (Liquidez) (Amihud & Mendelson, 1986): Ativos com menor liquidez exigem prêmios de risco mais elevados.
8. Betting Against Beta (BAB) (Frazzini & Pedersen, 2014): Estratégia que explora a tendência de ações com beta baixo superarem as com beta alto.
9. Quality Minus Junk (QMJ) (Asness et al., 2019): Empresas de alta qualidade (baixa alavancagem, alta rentabilidade e baixo risco) tendem a superar as empresas de menor qualidade.
10. Carry Trade (Burnside et al., 2006): Estrutura que explora os diferenciais de taxas de juros entre moedas para capturar retornos adicionais.

2.3. Problemas de Cálculo de Fatores de Risco

Antes de abordar problemas econométricos, é importante considerar questões práticas e controversas no cálculo dos fatores de risco. Alguns dos principais problemas são:

1. Definição Ambígua de Fatores: Certos fatores, como "qualidade", não possuem uma métrica universalmente aceita, levando a interpretações divergentes na sua construção.
2. Períodos de Observação: A escolha do período histórico utilizado no cálculo pode impactar significativamente os resultados, especialmente em cenários de alta volatilidade.
3. Risco de Atraso na Atualização: Fatores que dependem de balanços financeiros estão sujeitos a defasagens, dificultando o uso eficiente dessas variáveis para previsão imediata.
4. Normalização e Padronização: Métodos de escalonamento de variáveis, como z-score ou min-max, podem distorcer os resultados dependendo da técnica escolhida.
5. Interferência de Efeitos Temporais: Certos fatores apresentam sazonalidade ou efeitos temporais que mascaram sua verdadeira influência nos retornos.

2.4. Problemas na Estimação de Fatores de Risco

A estimação de fatores de risco apresenta desafios importantes:

1. Multicolinearidade: Ocorre quando dois ou mais fatores estão altamente correlacionados, dificultando a identificação de seu impacto individual.
2. Overfitting: Modelos excessivamente ajustados aos dados históricos tendem a falhar na previsão de retornos futuros.
3. Fatores Espúrios: Estudos recentes (Harvey et al., 2016) destacam que muitos fatores propostos na literatura não se sustentam quando testados em diferentes amostras ou períodos.
4. Risco de Sobrevivência: Empresas que saem do mercado não são consideradas na análise, gerando viés nos resultados.
5. Incerteza na Definição dos Fatores: Determinar se uma variável representa um verdadeiro fator de risco ou apenas uma proxy exige cuidado metodológico rigoroso.

2.3. Soluções Metodológicas para os Problemas de Estimação

1. Uso de Modelos Quantílicos: Modelos quantílicos, como regressões quantílicas e técnicas bayesianas, oferecem maior robustez na estimação de relações complexas entre variáveis.
2. Validação Fora da Amostra: Separar dados para calibração e validação reduz o risco de overfitting.
3. Correção para Viés de Sobrevivência: Utilizar bancos de dados que incluem empresas que faliram ou deixaram de negociar atenua este viés.
4. Machine Learning e Deep Learning: Algoritmos como Random Forests e Redes Neurais oferecem maior flexibilidade para identificar relações não lineares e fatores ocultos nos dados.
5. Combinação de Fatores: Utilizar uma abordagem multifatorial que combina fatores tradicionais com variáveis adaptadas às especificidades de mercados emergentes.

3. Críticas teóricas, conceituais e de estimação aos modelos multifatoriais

Esta seção é baseada especialmente no trabalho do Professor Lopez de Prado

3.1. Críticas aos Fundamentos Teóricos 

Modelos multifatoriais têm sido criticados por sua base teórica frágil, especialmente no que diz respeito à relação causal entre fatores e retornos. 

López de Prado (2022) argumenta que muitos dos fatores amplamente aceitos não possuem fundamentos econômicos claros, sendo apenas proxies estatísticas que não se sustentam em diferentes contextos de mercado.

López de Prado argumenta que os modelos multifatoriais tradicionais, como Fama-French, carecem de fundamentação causal sólida. Em vez de explicarem por que certos fatores afetam os retornos, eles se limitam a constatar correlações históricas​. Os pesquisadores “não identificam o grafo causal consistente com o fenômeno observado, justificam a especificação do modelo em termos de correlações, e não propõem experimentos para falsear os mecanismos causais”. Assim, aceitam relações associativas como se fossem leis, sem delinear hipóteses causais verificáveis. Na prática, isso significa que os fatores são construídos de forma fenomenológica, baseados em ordenações de características (e.g. valor, tamanho, momentum) e regressões, mas sem garantir que representem verdadeiros drivers de risco. Além disso, muitas escolhas na construção dos fatores são arbitrárias ou guiadas por conveniência empírica, não por teoria econômica robusta. Por exemplo, procedimentos à la Fama-MacBeth ou Fama-French envolvem “uma grande quantidade de decisões subjetivas, como janela e frequência de estimação, número de quantis, definição de portfolios long-short, escolha de controles, universo de ativos, critérios de limpeza de dados, datas de início e fim, etc.”​. Esse grau de liberdade elevado permite ajustar modelos a ex-post fits estatísticos, enfraquecendo a interpretação teórica. Em suma, falta um mecanismo causal subjacente: “sem um mecanismo causal, não há teoria de investimento; sem teoria, não há falseamento; sem falseamento, a pesquisa não é científica”​. Essa incoerência lógica está no cerne dos modelos multifatoriais: assume-se implicitamente uma interpretação causal (fatores de risco que causam prêmios), mas nunca se explicita um modelo causal testável, o que impede o escrutínio científico adequado​. López de Prado destaca que esse “negacionismo ou ignorância causal” levou a uma proliferação de fatores espúrios e sem base teórica, frequentemente justificados apenas por narrativas pós-fato.

3.2. Problemas Metodológicos 

Segundo López de Prado & Zoonekynd (2024), erros de especificação são comuns na construção de modelos multifatoriais, resultando em estimativas enviesadas e instáveis. Esses erros decorrem, por exemplo, da inclusão de fatores espúrios ou da falta de ajuste adequado para eventos extremos e cenários de estresse financeiro.

A ausência de rigor causal abre espaço para diversos vieses metodológicos na pesquisa de fatores. Um dos principais é o data snooping ou p-hacking, isto é, a seleção de modelos/fatores que maximizam significância estatística por meio de múltiplas tentativas. Como apontado, os estudos de fatores costumam explorar inúmeras combinações até encontrar resultados “significativos”, mas os autores reportam apenas esses resultados ótimos, sem corrigir pelo número de tentativas​.

“Pesquisadores de fatores rotineiramente rodam múltiplas regressões antes de selecionar um modelo com p-valores abaixo do limiar, reportando esses p-valores mínimos sem ajuste por viés de seleção – uma má prática conhecida como p-hacking”​. Esse procedimento, aliado ao viés de publicação (só resultados positivos chegam a journals), faz com que muitos fatores divulgados sejam, na verdade, falsos positivos. 

Estudos indicam que “a maioria das conclusões de pesquisas em finanças provavelmente é falsa. A consequência é que investimentos em fatores não performam como esperado e os resultados não se replicam fora da amostra”​. 

Outro problema é o overfitting de backtests: estratégias fatoriais geralmente são validadas apenas em simulações históricas, mas um backtest ajustado demais aos dados passados tende a falhar prospectivamente. López de Prado lembra que um backtest não prova causalidade – ele “não tem poder para provar ou refutar um mecanismo causal”​. Mesmo replicar um backtest em outro período ou mercado não garante validade causal, pois dois pesquisadores diferentes podem encaixar o mesmo ruído histórico e acreditar que encontraram um padrão real​. De fato, “obter resultados similares em amostras diferentes não constitui evidência causal, pois essas coincidências podem ser explicadas pela mesma associação não-causal presente nos conjuntos escolhidos, ou por mera flutuação estatística”​. 

Além disso, muitos estudos ignoram a não estacionariedade dos mercados. Quando um fator perde desempenho, costuma-se alegar mudança nos prêmios de risco ou no comportamento dos investidores. Entretanto, López de Prado argumenta que muitas vezes o problema não é um “regime shift” legítimo, mas sim que o modelo estava especificado incorretamente desde o início. Ele mostra que “erros de especificação explicam melhor o desempenho errático das estratégias de fatores do que prêmios de risco variáveis no tempo”. Ou seja, se um fator “funciona” numa janela e depois não, é provável que nunca tenha havido um efeito estrutural verdadeiro – apenas um artefato do modelo. 

Os erros de especificação incluem tanto underfitting quanto overfitting do modelo estatístico. Um caso é não controlar variáveis relevantes (omissão de confounders), o que viola a suposição de exogeneidade do estimador OLS e gera vieses. “Deixar de incluir uma ou várias variáveis relevantes viesa a estimativa de β, levando potencialmente a falsas afirmações de causalidade”​. O oposto também ocorre: controlar em excesso variáveis indevidas (por exemplo, inserir no modelo um mediador ou collider, que deveria ficar fora) pode distorcer a inferência. As práticas econométricas padrão muitas vezes levam pesquisadores a “controlar variáveis erradas, enviesando gravemente suas estimativas de β e levando a falsos positivos e falsos negativos”​. 

López de Prado nota, por exemplo, que manuais tradicionais não distinguem entre diferentes tipos de variáveis omitidas – não é porque algo melhora o R² que deve entrar no modelo, já que incluir causas múltiplas de Y pode melhorar ajuste às custas de enviesar parâmetros individuais​. 

López de Prado classifica os vieses em dois tipos: espuriedade tipo-A, quando resultados significativos surgem do puro acaso (erro tipo I devido a múltiplos testes), e espuriedade tipo-B, quando a associação é real nos dados mas não causal (devido a especificação incorreta). 

O tipo-A (falso positivo clássico) tem expectativa de retorno nula fora da amostra. 

Já o tipo-B surge de misspecification – por exemplo, modelo incongruente com o processo gerador de dados, omitindo confusores ou controlando coliders – e pode levar tanto a falsos positivos quanto negativos, erros que não diminuem com mais dados (pelo contrário, podem se consolidar)​. 

Infelizmente, a literatura de fatores focou sobretudo em p-hacking (tipo-A), dando pouca atenção à espuriedade tipo-B. Lopez de Prado sugere que muitos resultados canônicos combinam ambos os problemas. Ele chega a afirmar que achados influentes, como os modelos de três e cinco fatores de Fama & French e o de quatro fatores de Carhart, provavelmente são espúrios – “do tipo-A, devido a p-hacking, ou do tipo-B, devido a subcontrole de confusores, supercontrole de mediadores, busca de especificações e ausência de análise de mediação”​

3.3. Questões Práticas 

A aplicação prática dos modelos multifatoriais enfrenta dificuldades como a instabilidade dos coeficientes no tempo, a necessidade de constantes ajustes e a baixa previsibilidade em períodos de crise. López de Prado (2023) destaca que a maioria dos fatores identificados na literatura falha em manter uma relação consistente com os retornos em diferentes ambientes econômicos.

Os problemas da seção anterior se refletem na dificuldade de reproduzir e usar fatores na gestão real de portfólios. 

Um dos sintomas é a falta de replicabilidade: inúmeros “fatores” publicados falham quando testados por outros períodos, mercados ou por gestores no mundo real. 

Conforme citado, a consequência da p-hacking generalizada é que “investimentos em fatores não performam como esperado, e os resultados não se replicam fora da amostra”​. De fato, após a enxurrada de descobertas acadêmicas (o “zoológico de fatores”), muitos gestores adotaram estratégias fatoriais – e vários se decepcionaram com retornos anêmicos ou volatilidade inesperada. 

López de Prado evidencia que um índice amplamente seguido de factor investing teve Sharpe Ratio praticamente zero desde sua criação​. Ele atribui esse desempenho decepcionante à aceitação de relações espúrias: portfólios construídos sobre fatores mal especificados acabam incorporando riscos não compensados. 

Um modelo multifatorial tradicional pode inadvertidamente deixar exposições não hedgeadas a fatores omitidos ou mal identificados, levando a perdas sistêmicas. López de Prado e Zoonekynd demonstram que “erros de especificação causam baixo desempenho e podem gerar perdas sistemáticas, mesmo que todos os prêmios de risco permaneçam constantes e com sinal correto”​. 

Ou seja, mesmo que o investidor estivesse mirando verdadeiros fatores de risco, uma modelagem equivocada pode converter prêmios positivos em resultados negativos na carteira. 

Eles argumentam que muitos dos drawdowns e “fatores que viraram pó” nos últimos anos se explicam mais pelos erros dos modelos do que por mudanças reais no mercado. 

Outro ponto prático é que, sem um arcabouço confiável, gestores ficam sem saber em quais fatores confiar para alocar capital de longo prazo. 

A instabilidade dos modelos associativos mina a aplicabilidade em gestão de portfólio: se não há garantia científica de que um fator é robusto, sua inclusão numa estratégia pode violar deveres fiduciários. López de Prado enfatiza que a “solidez científica e a lucratividade de longo prazo da atual indústria de factor investing (associativa, casual, não-causal)” estão em xeque​. 

Em suma, a prática atual – milhões investidos em fatores presumidos – pode estar construída sobre areia movediça, o que explica por que tantos fundos fatoriais tiveram desempenho abaixo do esperado ou estatisticamente indistinguível de zero.

3.4. Propostas Alternativas e Recomendações 

Para enfrentar essas limitações, López de Prado (2024) propõe uma abordagem baseada em causalidade, chamada Causal Factor Investing. Essa metodologia busca identificar relações causais robustas entre variáveis econômicas e os retornos financeiros, em oposição à simples correlação estatística. Entre as recomendações incluem-se o uso de técnicas avançadas de machine learning para detecção de relações não lineares e a incorporação de dados alternativos para melhor capturar dinâmicas complexas do mercado.

Para resgatar o factor investing de sua “fase fenomenológica” e elevá-lo a um patamar verdadeiramente científico, López de Prado propõe uma reformulação profunda dos métodos de pesquisa e gestão de fatores. 

Central a essa proposta está a adoção do que ele chama de Causal Factor Investing, aplicando rigor de inferência causal em todo o processo. Em primeiro lugar, os pesquisadores devem explicitar o grafo causal e o mecanismo econômico que liga o fator aos retornos, antes mesmo de rodar regressões​. 

Declarar um modelo causal (com variáveis exógenas, mediadores, confusores identificados) obriga o pesquisador a formalizar suas premissas e evita a busca cega por especificações ad hoc. 

Como ele aponta, se os estudiosos “declarassem grafos causais e mecanismos causais falsificáveis, gozariam de dois benefícios essenciais à descoberta científica: (i) os grafos causais permitem tornar explícitas as suposições e aplicar cálculo do para desviar vieses; (ii) explicitar o mecanismo possibilita testar a teoria de fator por experimentos, sem recorrer apenas a backtests”​. 

Por exemplo, um grafo causal clarifica quais variáveis não devem ser controladas (evitando controlar um collider e introduzir viés) e sugere variáveis instrumentais ou cenários de teste. Além disso, ao propor um mecanismo causal, abrem-se vias para falseamento ativo – seja por testes out-of-sample dirigidos, seja por experimentos naturais. 

Mesmo que alguém tenha torturado os dados para “achar” um fator, a comunidade poderia submeter cada elo da cadeia causal proposta a testes independentes (por exemplo, verificar se uma variável mediadora se comporta conforme previsto). Isso desloca a validação da mera reprodução de números para a verificação de relações causais genuínas, enriquecendo o processo de peer review. 

Outra recomendação é adotar correções de múltiplos testes e uma cultura de pesquisa mais alinhada ao padrão de campos como medicina ou ciências naturais, a fim de conter o tipo-A spuriosity. López de Prado cita que estatísticos e outras áreas já usam há décadas técnicas para evitar falsos positivos (controle de family-wise error rate, false discovery rate, pré-registro de hipóteses, etc.), e defende que o mesmo rigor seja aplicado em finanças​. 

Por fim, ele sugere que tanto acadêmicos quanto praticantes “reconstruam a literatura de economia financeira em bases cientificamente mais rigorosas de investimento causal em fatores”​. 

Isso inclui capacitação em métodos de inferência causal (p. ex., testes A/B, econometria de experimentos naturais, algoritmos de descoberta causal) e uma mudança de mentalidade: de caçar correlações históricas para testar hipóteses econômicas. 

Em trabalhos recentes, López de Prado e colegas têm exemplificado esse caminho – por exemplo, mostrando casos em que variáveis tradicionalmente incluídas deveriam ser excluídas (por serem coliders) e vice-versa, de acordo com o grafo causal​. Em resumo, a recomendação é que o factor investing deixe de ser “casual” e passe a ser causal. 

Isso implicaria menos fatores propostos, porém com evidências mais sólidas, e maior confiança de que os fatores adotados em portfólio realmente refletem relações econômicas estáveis. 

Essa abordagem causal, nas palavras do autor, transformaria o investimento em fatores em uma disciplina verdadeiramente científica, capaz de produzir resultados replicáveis e úteis no longo prazo.

4. Considerações Finais

O presente artigo destacou a importância dos fatores de risco e abordou os principais problemas encontrados na sua estimação. As soluções propostas oferecem caminhos para reduzir as limitações técnicas e aumentar a confiabilidade dos modelos utilizados no mercado financeiro.

A exploração de técnicas mais avançadas de machine learning e a adaptação de modelos tradicionais para mercados emergentes representam caminhos promissores para aprimorar a precisão dos modelos de previsão de retorno e de gestão de riscos.

Referências

• Carhart, M. M. (1997). On persistence in mutual fund performance. The Journal of Finance, 52(1), 57-82.
• Fama, E. F., & French, K. R. (1993). Common risk factors in the returns on stocks and bonds. Journal of Financial Economics, 33(1), 3-56.
• Harvey, C. R., Liu, Y., & Zhu, H. (2016). ...and the cross-section of expected returns. The Review of Financial Studies, 29(1), 5-68.

• López de Prado, M. (2022). Causal factor investing: Can factor investing become scientific? SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4205613

• López de Prado, M., & Zoonekynd, V. (2024). Why has factor investing failed? The role of specification errors. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4697929

• López de Prado, M. (2024). Causal factor investing. Journal of Financial Data Science, 7(1), 10–30. https://doi.org/10.3905/jfds.7.1.010 (Link para PM-Research)

• López de Prado, M. (2023). Where are the factors in factor investing? The Journal of Portfolio Management, 49(5), 6–20. https://doi.org/10.3905/jpm.2023.1.477

• Rouwenhorst, K. G. (1999). Local return factors and turnover in emerging stock markets. The Journal of Finance, 54(4), 1439-1464.