FUNDAÇÃO GETULIO VARGAS

ESCOLA DE ECONOMIA DE SÃO PAULO

ALEXANDRE MAGNAGO CONCEIÇÃO

MODELO DE FATORES DINÂMICOS APLICADO AO

MERCADO BRASILEIRO DE AÇÕES

SÃO PAULO
2017
 ALEXANDRE MAGNAGO CONCEIÇÃO

MODELO DE FATORES DINÂMICOS APLICADO AO

MERCADO BRASILEIRO DE AÇÕES

Dissertação apresentada ao Programa de

Mestrado Profissional da Escola de Economia
de São Paulo da Fundação Getúlio Vargas,
como requisito para a obtenção do título de
Mestre em Economia.

Área de concentração:
Finanças Quantitativas.

Orientador:
Prof. Dr. Juan Carlos Ruilova Teran

SÃO PAULO
2017
Conceição, Alexandre Magnago.
Modelo de fatores dinâmicos aplicado ao mercado brasileiro de ações /
Alexandre Magnago Conceição. - 2017.
40 f.

Orientador: Juan Carlos Ruilova Teran

Dissertação (MPFE) - Escola de Economia de São Paulo.

1. Modelos econométricos. 2. Mercado de capitais. 3. Ações (Finanças). 4.

Mercado financeiro. I. Ruilova Terán, Juan Carlos. II. Dissertação (MPFE) -
Escola de Economia de São Paulo. III. Título.

CDU 336.76
 ALEXANDRE MAGNAGO CONCEIÇÃO

MODELO DE FATORES DINÂMICOS APLICADO AO

MERCADO BRASILEIRO DE AÇÕES

Dissertação apresentada ao Programa de

Mestrado Profissional da Escola de Economia
de São Paulo da Fundação Getúlio Vargas,
como requisito para a obtenção do título de
Mestre em Economia.

Área de concentração:
Finanças Quantitativas.

Data da Aprovação: / /

Banca Examinadora:

Prof. Dr. Juan Carlos Ruilova Teran

(Orientador)
FGV - EESP

Profa. Dra. Airlane Pereira Alencar)

USP - IME

Prof. Dr. Alessandro Marquis

FGV - EESP
Dedico esse trabalho à minha família, cujo apoio me permitiu continuar a caminhar
 Agradecimentos

Agradeço ao Credit-Suisse por me financiar nessa aventura. Aos meus professores,

por me guiarem pelo caminho e, em especial, ao meu orientador, por me mostrar uma
infinidade de possibilidades.
 RESUMO

O uso de modelos de fatores dinâmicos permite analisar processos estocásticos com grande
número de dimensões, sendo exatamente esse o caso do mercado financeiro quando se
consideram as séries formadas pelos preços de ações. Ao se utilizar as previsões feitas
pelos modelos, é possível criar estratégias de trading cuja performance pode ser aferida.
De posse dos preços de fechamento de ativos pertencentes ao IBX100 no período de
2010 até 2016, os parâmetros do modelo foram estimados e estratégias de trading foram
propostas. Os indicadores de performance de algumas das estratégias superaram aqueles
do índice IBOVESPA no período estudado, oferecendo retorno anualizado de até 27%
e máximo drawdawn de 21%, contra um retorno de 1.12% e max drawdawn de 48% do
IBOVESPA. Portanto, esses modelos são capazes de capturar a dinâmica dos preços de
ações na medida em que suas previsões podem ser utilizadas para criar estratégias de
trading com performance superior à do Índice IBOVESPA.

Palavras-chave: Análise PCA. Estratégias de Trading. Fatores Latentes. Modelo Econo-

métrico. Séries Temporais.
 ABSTRACT

Using dynamic factor models, one can analyse stocastic processes having multiple dimen-
sions, that being the case on financial markets when considering the series formed by the
stock prices. By using the model predictions it is possible to create trading strategies and
measure their performance. With the closing prices of the stocks belonging to the IBX100
index from 2010 till 2016, the model parameters were estimated and trading strategies
were proposed. The performance indicators of some strategies were superior than those of
the IBOVESPA index on the given period of time, offering anualized returns of 27% and a
48% maximum drawdawn against 1.12% anualized return and 48% maximum drawdawn
on the IBOVESPA. Therefore, those models are capable of capturing the price dynamic
in such a way that their predictions can be used to create trading strategies having a
performance higher than that of the IBOVESPA index.

Keywords: Econometric model. Latent Factors. Time series. Trading Strategies. PCA
Analysis.
 Lista de ilustrações

Figura 1 – Evolução do portfólio gerado pela estratégia long-only com ew (estima-

tion window) = 250 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Figura 2 – Evolução do portfólio gerado pela estratégia long-short com ew (esti-
mation window) = 250 . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Figura 3 – Evolução do portfólio gerado pela estratégia long-only com ew (estima-
tion window) = 150 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Figura 4 – Evolução do portfólio gerado pela estratégia long-only com ew (estima-
tion window) = 200 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Figura 5 – Evolução do portfólio gerado pela estratégia long-short com ew (esti-
mation window) = 150 . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Figura 6 – Evolução do portfólio gerado pela estratégia long-short com ew (esti-
mation window) = 200 . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Figura 7 – Evolução do portfólio gerado pela estratégia direcional com ew (estima-
tion window) = 150 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Figura 8 – Evolução do portfólio gerado pela estratégia direcional com ew (estima-
tion window) = 200 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Figura 9 – Evolução do portfólio gerado pela estratégia direcional com ew (estima-
tion window) = 250 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Figura 10 – Evolução do portfólio gerado pela estratégia mínimo ETL com ew
(estimation window) = 150 . . . . . . . . . . . . . . . . . . . . . . . . . 37
Figura 11 – Evolução do portfólio gerado pela estratégia mínimo ETL com ew
(estimation window) = 200 . . . . . . . . . . . . . . . . . . . . . . . . . 38
Figura 12 – Evolução do portfólio gerado pela estratégia mínimo ETL com ew
(estimation window) = 250 . . . . . . . . . . . . . . . . . . . . . . . . . 39
 Lista de tabelas

Tabela 1 – Média do número de fatores latentes obtido utilizando o critério IPC2 conforme
descrito em (BAI; NG, 2002). Para cada série temporal utilizada, determinam-se o
número de fatores latentes, e se toma o inteiro mais próximo da média do número
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
de fatores obtidos
Tabela 2 – Variância explicada por cada fator na análise por log-retorno . . . . . . . . . . . 21
Tabela 3 – Número de negócios realizados em relação aos parâmetros do modelo . . . . . . . 22
Tabela 4 – Comparação dos indicadores dos portfólios gerados a partir das estratégias de
trading geradas entre 2010 e 2016. Os parâmetros ew (estimation window) e fh
(forecast horizon) são mostrados, respectivamente nas duas primeiras colunas. Nesse
período, o índice IBOVESPA teve um Máximo Drawdawn observado de 48.63%
e uma rentabilidade anualizada de 1.12%. Os betas mensurados em relação ao
IBOVESPA são zero até a quarta casa decimal. . . . . . . . . . . . . . . . . . 23
 Sumário

1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2 Revisão Bibliográfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

3 Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

4 Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.1 Análise de Componentes Principais - PCA . . . . . . . . . . . . . . . . . . 14
4.2 Modelo de Fatores Dinâmicos . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.2.1 Determinação do Número de Fatores . . . . . . . . . . . . . . . . . 15
4.2.2 Dinâmica dos Fatores . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.3 O Modelo Escolhido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

5 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
5.1 Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
5.2 Estimação dos parâmetros do modelo . . . . . . . . . . . . . . . . . . . . . 18
5.3 Estratégias de Trading . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
5.3.1 Estratégia Long-Only . . . . . . . . . . . . . . . . . . . . . . . . . . 19
5.3.2 Estratégia Long-Short . . . . . . . . . . . . . . . . . . . . . . . . . 20
5.3.3 Estratégia Direcional . . . . . . . . . . . . . . . . . . . . . . . . . . 20
5.3.4 Estratégia Expected Tail Loss Minimization . . . . . . . . . . . . . 20

6 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
6.1 Número de fatores do modelo . . . . . . . . . . . . . . . . . . . . . . . . . 21
6.2 Indicadores de performance dos portfólios gerados a partir das estratégias . 22

7 Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

Apêndices 29
APÊNDICE A Gráficos da evolução dos portfólios gerados pelas estratégias
de trading . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
A.1 Estratégia Long-Only . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
A.2 Estratégia Long-Short . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
A.3 Estratégia Direcional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
A.4 Estratégia Min ETL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
 11

1 Introdução

Uma premissa de modelos de fatores dinâmicos (MFD) é que um número pequeno

de processos estocásticos não observáveis, chamados de fatores latentes, são capazes de
explicar a dinâmica de um grande número de processos observáveis. Esse tipo de modelo
tem recebido bastante atenção da literatura especialmente pelo fato de ser cada vez
mais comum utilizar grande número de variáveis - o conceito de big data - dado o poder
de processamento disponível nos computadores modernos, com trabalhos que exploram
processos com 8000 dimensões e 8000 amostras de cada processo.
Diversos trabalhos utilizam MFD com o objetivo de explicar e/ou prever variáveis
macroeconômicas, como PIB ou preços, a partir de diversas outras séries. Mais recentemente,
a teoria de MFD é aplicada também no mercado financeiro que tipicamente possui um
número bastante elevado de séries com amostragens que podem ser anuais, diárias ou até
em intervalos de micro ou nano segundos, de maneira que existe um número muito grande
de dados disponíveis. Nesse contexto, é possível a aplicação de MFD afim de se reduzir a
complexidade da análise dessas séries, efetuando-se previsões que podem ser convertidas
em ganho de capital ao se criar estratégias de trading.
Apesar da literatura de MFD requerer a hipótese de estacionariedade das séries,
existem trabalhos que mostram que essa hipótese pode ser relaxada. Isso pode ser interes-
sante no caso do mercado financeiro já que ao não se perder o nível das séries originais
existe a possibilidade de se modelar as tendências em comum. Seria possível verificar,
por exemplo, a existência de uma tendência que afeta somente um determinado setor de
empresas afim de se realizar previsões.
Esta dissertação está estruturada da seguinte maneira: nos capítulos 2 e 3 se
encontram, respectivamente, uma revisão da literatura de MFD, contexto no qual esse
trabalho se insere, e seu objetivo; no capítulo 4 é mostrado em maiores detalhes os métodos
escolhidos para se fazer a estimação dos parâmetros; já no capítulo 5 são propostas quatro
estratégias de trading de maneira a se aplicar as previsões feitas; os resultados encontrados
são mostrados no capítulo 6 e as conclusões finais estão no capítulo 7.
 12

2 Revisão Bibliográfica

Modelos de fatores dinâmicos, conforme citado em (STOCK; WATSON, 2016),

partem da premissa que uma série temporal multi-dimensional pode ser explicada através
da existência de fatores latentes não observados, de maneira que o número de fatores é
relativamente menor que o de séries, o que permite uma redução de complexidade.
Na década de 1970 esses modelos foram propostos por (GEWEKE, 1977) e (SAR-
GENT; SIMS et al., 1977), como forma de explicar dados em painel. É mostrado em
(SARGENT; SIMS et al., 1977) que importantes regularidades estatísticas existem quando
se consideram um grande número de séries temporais, e conclui-se que apenas dois fatores
dinâmicos são capazes de explicar variáveis como PIB, desemprego, preços, dentre outras.
Em (GIANNONE; REICHLIN; SALA, 2004) é mostrado que boa parte da dinâmica de
médio e longo prazo das séries de inflação, produção, dentre outras, podem ser extraídas
de outras variáveis como PIB e desemprego utilizando MFD com apenas dois fatores.
Nessa linha, (STOCK; WATSON, 2006) também utilizam diversas variáveis para realizar
a previsão da série de produção industrial americana comparando as previsões feitas por
MFD com outros métodos, por exemplo VAR e OLS, mostrando que MFD oferecem as
melhores previsões.
Fora do contexto de variáveis macro-econômicas, (FOCARDI; FABOZZI; MITOV,
2016) utiliza MFD com séries de preço e de retorno de ativos negociados no mercado
de ações americano, mais especificamente para ativos do S&P 500. São apresentadas
estratégias de trading baseadas na construção de portfólios long-only - no qual se compram
ações para posterior venda - e long-short - assumem-se posições compradas e vendidas -
todas baseadas na previsão dos retornos feitas por MFD. Os pesos dos ativos nos portfólios
são determinados através de duas funções de otimização, uma visando a redução de perdas
de cauda, ou expected tail loss e outra maximizando o sharp ratio. (FOCARDI; FABOZZI;
MITOV, 2016) conclui que a modelagem por série de preços oferece resultado melhor do
que a modelagem feita por série de retornos, apesar das duas oferecem ganhos de capital.
O maior retorno obtido foi da ordem de 27% ao ano no período de estudo, de 1989 até
2011.
O trabalho de (AASTVEIT; BJØRNLAND; THORSRUD, 2015) utiliza MFD,
mais especificamente a representação por factor-augmented vector autoregressive (FAVAR),
para mostrar que a influência da demanda por petróleo de países emergentes é mais
influente no preço da commodity do que a de países desenvolvidos. Em sua modelagem,
todas as séries são transformadas de maneira a se induzir a estacionariedade, como por
exemplo, tomando-se a primeira diferença dos logaritmos. Trabalhando também com
Capítulo 2. Revisão Bibliográfica 13

séries estacionárias, (ANGELINI; BANBURA; RÜNSTLER, 2008) utiliza MFD para

explicar e prever o PIB na zona do Euro, e (FORNI; GAMBETTI, 2010) utiliza 112 séries
macroeconômicas para estudar os efeitos de choques na política monetária americana,
concluindo que o modelo de fatores produzem resultados melhores que o s-VAR (structural
VAR).
Em outros trabalhos a hipótese de estacionariedade das séries é relaxada. Em
(STOCK; WATSON, 1988) é proposto uma representação por tendências comuns quando
os processo estocásticos são co-integrados, dessa forma não seria necessária a diferenciação
para obtenção de séries estacionárias sendo proposto também um teste para a determinação
do número de tendências comuns. (PEÑA; PONCELA, 2006) apresenta um modelo de
fatores dinâmicos que comporta fatores não estacionários, e sugere uma estatística de teste
chi-square que é capaz de determinar o número total de fatores (estacionários ou não). É
definida uma matriz generalizada de covariância normalizada cuja base do espaço vetorial
é utilizada para determinação da série dos fatores. Em (BAI; NG, 2002) são apresentados
diversos critérios de informação para a escolha do número de fatores.
Uma peça chave em MFD é a Principal Components Analisys (PCA), que é uma
das técnicas utilizadas para estimar a série dos fatores latentes, o que é mostrado em
(STOCK; WATSON, 2016) e (STOCK; WATSON, 2006). Entretanto, existem outras
maneiras de se obter os fatores latentes, descritas nos trabalhos de (BAI; NG, 2002) e
(PEÑA; PONCELA, 2006), nos quais são utilizadas diferentes normalizações do espaço
gerado pela matriz de covariância das séries de log-preço e log-retorno. A PCA também é
empregada para encontrar séries cointegradas em amostras com grandes dimensões, o que
é aplicado na criação de estratégias de trading categorizadas como arbitragem estatística.
Essas estratégias possuem custo inicial zero e chance de ganho cuja esperança converge
para um valor maior do que zero em um horizonte de tempo suficientemente grande,
conforme definido em (JARROW et al., 2012).
No mercado de ações brasileiro (SOTO, 2016) utiliza PCA para encontrar as
tendências comuns, ou o vetor de cointegração, como descrito em (ZHANG et al., 2014) e,
através de uma modelagem VECM, cria estratégias de trading capazes de explorar o fato que
as tendências em comum são estacionárias. Já (PUCCIARELLI, 2014) busca por pares de
ações - de uma mesma empresa ou ETF ( Exchange Trade Funds) cointegrados e utiliza um
modelo de Ornstein-Uhlenbeck nos moldes de (TRIANTAFYLLOPOULOS; MONTANA,
2011), fazendo uso de parâmetros dependentes do tempo, enquanto (CALDEIRA; MOURA,
2013) busca por pares utilizando os testes de cointegração de Engle and Grangers e
Johansen.
Enquanto a análise das séries cointegradas de duas ou mais ações é comumente
explorada no mercado de ações brasileiro, não há registro na literatura da aplicação de
MFD nesse contexto, sendo exatamente essa a contribuição deste trabalho.
 14

3 Objetivo

Esse trabalho tem por objetivo aplicar a técnica de Modelo de Fatores Dinâmicos
no mercado de ações brasileiro, realizando a modelagem com as séries de log-preço (não
estacionárias) e log-retorno (estacionárias). Em seguida, as previsões das séries temporais
serão utilizadas na criação de estratégias de trading e simuladas com dados out-of-sample
afim de verificar sua viabilidade.
Foram propostas quatro estratégias de trading com base nos log-retornos previstos
pelo MFD. Elas utilizaram uma janela móvel para estimação dos parâmetros do modelo -
ew (estimation window). As estratégias foram simuladas com diferentes valores de ew, de
maneira a se comparar sua performance, e o mesmo foi feito com a escolha do número de
passos a frente em que se faz a previsão - fh (forecast horizon).
Utilizaram-se as séries históricas dos preços de fechamento de um conjunto de 81
ativos do índice IBX100. Os resultados foram analisados para se comparar: diferentes
estratégias; parâmetros de estimação e previsão; e tipo de análise, se por log-preço ou
log-retorno.
 15

4 Modelo

Os modelos de fatores dinâmicos fornecem uma maneira de se explicar processos

estocásticos multidimensionais. Dessa maneira, um processo estocástico com N dimensões
e T observações será representado por uma matriz X, (N ×T ) em que cada linha representa
a evolução no tempo de uma dimensão do processo. A realização do processo no instante t
é referenciada por Xt , um vetor (N × 1).
A seguir é descrita a análise de componentes principais, necessária para aplicação
do MFD, assim como a teoria do MFD.

4.1 Análise de Componentes Principais - PCA

A PCA, do inglês Principal Component Analisys, consiste em determinar uma
base normalizada do espaço vetorial gerado pela matriz de variância XX 0 de forma que
os auto-vetores sejam ordenados de maneira decrescente em relação aos seus respectivos
auto-valores. Assim, ao se projetar X no primeiro auto-vetor a série resultante é capaz de
explicar a maior variância entre todas as projeções nos outros auto-vetores. Ao se escolher
o segundo auto-vetor, gera-se a série com a segunda maior variância e assim por diante. Em
(BAI; NG et al., 2008) são mostradas diversas aplicações da PCA quando se consideram
processos estocásticos multidimensionais com um grande número de observações, dentre
elas a obtenção de tendências comuns, que seriam uma releitura dos dados de maneira
a identificar padrões gerais. Nas sessões subsequentes utiliza-se a análise PCA como um
estimador consistente da série dos fatores latentes em um MFD, conforme mostrado por
(CONNOR; KORAJCZYK, 1986), de forma que a série de um fator latente é dada por
vi X, onde Vi é um dos auto-vetores obtidos através da PCA.

4.2 Modelo de Fatores Dinâmicos

Modelos de fatores dinâmicos tem a premissa de que um processo estocástico
com N dimensões é regido por q fatores latentes não observados (com q << N ), que
possuem uma dinâmica própria, além disso, esses fatores podem ser estimados através das
séries observadas. Como o número de fatores latentes é idealmente muito menor do que a
dimensão do processo estocástico original, a complexidade na análise é reduzida, o que faz
com que essa técnica seja bastante útil quando a dimensão do processo original é grande.
Conforme mostrado em (STOCK; WATSON, 2016), o modelo pode ser representado
por duas maneiras equivalentes: fatores dinâmicos ou fatores estáticos. As equações abaixo
Capítulo 4. Modelo 16

descrevem a representação com fatores dinâmicos,

Xt = λ(L)ft + et (4.1)

ft = Ψ(L)ft−1 + ηt (4.2)

em que ft é a série dos q fatores, portanto uma matriz 1×q, sendo λ(L) e Ψ(L) matrizes
polinomiais de lags N ×q e q×q respectivamente, conforme definido em (STOCK; WATSON,
2016). A equação 4.1 descreve a maneira pela qual os fatores se relacionam com as séries
temporais. Já a forma dita estática é uma maneira diferente de se reescrever as equações 4.1
e 4.2, na qual os coeficientes da matriz de lags, com lag máximo p, ficam explícitos de acordo
0 0 0
com Λ = (λ0 , λ1 , ..., λp ) e os fatores são representados pela matriz Ft = (ft , ft−1 , ..., ft−p )0 ,
de forma que,
Xt = ΛFt + et (4.3)

Ft = ΦFt−1 + Gηt (4.4)

onde G = [Iq 0q×(r−q) ]. A forma estática é a mais recomendada para a utilização da análise
de componentes principais. É assumido que as séries et e ηt não são correlacionadas em
0 0
qualquer lag, ou seja, E[et ηt−s ] = 0 para todo s e que E[et et−s ] = 0 para todo s. Para
o caso de séries não estacionárias, o que está exposto em (PEÑA; PONCELA, 2006),
mostra que o modelo descrito pelas equações 4.3 e 4.4 podem ser utilizadas. Isso permite a
construção de modelos analisando as séries de log-retornos, que é fracamente estacionária,
e log-preços.

4.2.1 Determinação do Número de Fatores

O uso de PCA fornece um estimador consistente para ft , mas não fornece o número
de fatores a serem utilizados, um problema cuja solução é abordada na literatura. No
método denominado por Scree Plot - um gráfico com os auto-vetores normalizados e
ordenados de maneira decrescente pelos respectivos auto-valores, descrito em (CATTELL,
1966). Nesse caso, a escolha do número de fatores se baseia no total da variância a ser
explicada pela adição de um novo auto-vetor ao conjunto de auto-vetores já selecionados,
e critérios de informação podem ser utilizados para julgar a necessidade de adição de um
novo auto-vetor. Apesar desse método ser o mais simples, a literatura citada só o utiliza
no caso de séries estacionárias. Já (ONATSKI, 2010) separa os auto-valores da matriz
de covariância em dois grupos, idiossincráticos e sistemáticos, e propõe um método para
determinar o número de elementos do último grupo, que é igual ao número de fatores, sem
necessitar que as séries sejam estacionárias.
Capítulo 4. Modelo 17

O método que foi escolhido para a determinação do número de fatores é aquele

proposto por (BAI; NG, 2002), que funciona tanto para séries estacionárias quanto não-
estacionárias. São propostos alguns critérios de informação, e optou-se pela escolha do
critério ICP2, pois, de acordo com os resultados mostrados no artigo, ele é adequado
bem para a ordem de grandeza de N e T utilizada nesse trabalho, o que está descrito em
5.2. O critério ICP2 (do inglês information criteria panel) é calculado a partir da função
V (k, F k ), cujo valor é obtido pelo seguinte problema de minimização dos quadrados dos
0
erros residuais sujeita à normalização Λk Λk /N = Ik , mais especificamente,
N X T
1 X 0
V (k, F k ) = min (Xit − λki Ftk )2 (4.5)
Λ N T i=1 t=1

onde k é o número de fatores. Para um determinado k existem múltiplas soluções para

esse problema mas é mostrado que, independente da normalização escolhida, o valor de
V (k, F k ) permanece o mesmo. Com esse valor calculado o critério ICP2 é determinado
por,
N +T
ICP 2(k) = log (V (k, F k )) + k( ) log (CN2 T ) (4.6)
NT
com CN2 T = log (min(N, T )). O número de fatores escolhidos pelo critério ICP2 é um k
tal que a função V (k, F k ) tem o menor valor.

4.2.2 Dinâmica dos Fatores

Após a escolha do número de fatores, é possível estimar a série dos fatores latentes
através da PCA, conforme mostrado em (CONNOR; KORAJCZYK, 1986), multiplicando-
se os auto-vetores pela série inicial. A dinâmica dos fatores, descrita na equação 4.4, é um
processo VAR(p), cujo o número de lags p pode ser estimado utilizando os critérios de
informação de Akaike (AIC) e Bayesiano (BIC) de acordo com as seguintes fórmulas:

AIC = 2k − 2 log L̂ (4.7)

BIC = k log N − 2 log L̂ (4.8)

onde L̂ é a função de máxima verossimilhança escolhida. No caso estudado aqui o valor do

lag estimado foi de p = 1.
Capítulo 4. Modelo 18

4.3 O Modelo Escolhido

A série dos fatores é estimada através de uma análise PCA de acordo com a equação
4.9,

Ft = V Xt (4.9)

em que V é uma matriz (j × N ) cujas linhas são os auto-vetores associados aos maiores
auto-valores da matriz de covariância de X. O número de linhas j é o número de fatores
estimado pelo critério ICP2.
De posse do VAR(P) que estabelece a dinâmica dos fatores, é necessário se deter-
minar como os fatores se relacionam às séries temporais originais, o que está exposto de
maneira geral na equação 4.3. Foi escolhido se descrever essa relação como uma regressão
linear, da mesma maneira que (FOCARDI; FABOZZI; MITOV, 2016).
As equações 4.10 e 4.11 descrevem o modelo utilizado nesse estudo, em que os
fatores se desenvolvem de acordo com um VAR(1). As matrizes B e C são determinadas
pelo método dos mínimos quadrados.

Xt = BFt + et (4.10)

Ft = CFt−1 + ηt (4.11)
 19

5 Metodologia

5.1 Dados
O estudo foi conduzido com o mercado de ações brasileiro, particularmente com
ações que pertenciam à composição de outubro de 2016 do índice IBX100, que contém os
100 ativos de maior representatividade e negociabilidade, conforme critério definido pela B3.
A escolha por ativos com maior liquidez visa redução do custo de bid-ask spread. Utilizou-se
a série histórica dos preços de fechamento do período de Janeiro de 2010 até Outubro de
2016. Os preços foram ajustados de forma a remover os efeitos de eventos corporativos
como dividendos, distribuição de capital, splits e inplits. Dos 100 ativos pertencentes ao
IBX100, foram removidos todos os ativos que tiveram restrições de negociação, ou seja,
ficaram suspensos por uma ou mais sessões de negociação (pregão). Com esse filtro, um
total de 81 ativos foram efetivamente utilizados.

5.2 Estimação dos parâmetros do modelo

As análises são feitas utilizando as séries de log-preço e log-retorno. Em ambos os
casos se utiliza uma janela móvel de ew (estimation window) pregões passados para se
estimar os parâmetros do MFD e é feita uma previsão para fh (forecast horizon) pregões a
frente. Os valores escolhidos para esses parâmetros são todos os 9 pares {(ew × fh)|ew ∈
(150, 200, 250) ∧ fh ∈ (2, 5, 10))}. Essa escolha visa descobrir quais parâmetros oferecem
melhor resultado.
A escolha do número de fatores foi feita ao se analisar os dois primeiros anos da
série utilizando uma janela móvel de ew e se tomando a média do número de fatores
obtidos através do critério IPC2. Essa escolha foi mantida durante toda a análise.

5.3 Estratégias de Trading

Foram analisadas 4 estratégias de trading denominadas de Long-Only, Long-Short,
Direcional, e Expected Tail Loss Minimization. A primeira visa apenas a compra de ações
para posterior venda, de maneira a não se incorrer em custo de aluguel. Na segunda, se
propõe comprar uma cesta de ativos e vender uma outra cesta de ativos de maneira que o
financeiro da compra e venda seja igual - uma carteira auto-financiável. A terceira investe
em uma cesta cuja previsão oferece maior retorno e a quarta maximiza uma função que
penaliza o valor esperado de perda na cauda. Supõe-se que a negociação será feita no
leilão de fechamento que, além de ter tipicamente maior liquidez, é o período cujo preço
Capítulo 5. Metodologia 20

foi utilizado nas análises. Não foram incluídos os custos de transações, nem custos com
aluguel, quando aplicáveis.
As estratégias de trading são feitas de maneira que em um instante ti utilizam
todos os dados da série histórica de ti − ew até ti − 1 para estimar os parâmetros do modelo.
A série histórica pode ser de log-preço ou log-retorno, aqui denominada indistintamente
por Xt . Após a estimação dos parâmetros, é feita uma previsão de Xti +fh , que é utilizada
para a tomada de decisão das estratégias. No caso da estratégia Long-Only por exemplo,
são escolhidos os ativos cuja previsão oferece o maior retorno. Isso implica que em cada
ciclo uma nova estimativa dos parâmetros é feita, originando uma nova previsão que pode
ser diferente da anterior, ou seja, os ativos selecionados na carteira podem mudar em cada
ciclo.
Independentemente do tipo de análise feita, por log-preço ou log-retorno, todas as
estratégias utilizam o retorno previsto pelo modelo de fatores dinâmicos a fim de tomar
decisões. No caso da análise por log-preço a previsão do log-retorno é feita ao se considerar
a previsão do preço em t + fh, dada por Xt+fh , de maneira que o log-retorno previsto em
t + fh é dado por: log(Xt+fh /Xt ). No caso da análise do log-retorno, a previsão é feita
somando-se todos os retornos de t + 1 até t + fh de maneira que, sendo Rt o retorno em t
e Rt+i o retorno previsto em t + i, o retorno previsto em t + fh é dado por fh
P
i=1 Rt+i .

As simulações das estratégias e a estimação dos parâmetros dos modelos foi feita
com o uso do Matlab e seu pacote Parallel Computing Toolbox. Foram utilizadas 3 janelas
de estimação, 3 janelas de forecast, dois modelos, e 4 estratégias, ou seja, um total de 72
simulações para 1470 pregões e 81 ativos. Nesse volume de dados, todas as simulações
levaram em torno de 8 horas para rodar utilizando um computador pessoal com 8GB de
memória RAM e processador Intel(R) i7-4510U @ 2GHZ com 4 núcleos. Dessa forma, foi
escolhido de maneira arbitrária que 10 ativos seriam negociados por ciclo, dada a limitação
no tempo no tempo de simulação, mas é possível estudar como a variação do número de
ativos escolhidos afeta o resultado das estratégias.

5.3.1 Estratégia Long-Only

No instante t escolhem-se J ativos com os maiores retornos previstos e se assume
uma posição comprada com financeiro de $1/J em cada ativo, totalizando um financeiro
de $1. No instante t + fh as posições assumidas são fechadas, vendendo-se os ativos, e o
retorno do período é aferido. Uma nova posição comprada é montada da mesma maneira
em t + fh para o próximo ciclo. Foi utilizado o valor J = 10 para as simulações de maneira
a se negociar 10 ativos por ciclo nessa estratégia.
Capítulo 5. Metodologia 21

5.3.2 Estratégia Long-Short

No instante t escolhem-se J ativos com os maiores retornos previstos e se assume
uma posição comprada com financeiro de $1/J em cada ativo, totalizando um financeiro
de $1, concomitantemente os J ativos com o retorno mais baixo previsto são vendidos
totalizando um financeiro de -$1, ou seja, uma estratégia auto-financiável, pois o total
financeiro do período é zero. No instante t + fh as posições assumidas são fechadas,
vendendo-se os ativos que foram comprados e comprando-se os ativos que foram vendidos,
e o retorno do período é aferido. Uma nova posição é montada da mesma maneira em
t + fh para o próximo ciclo. Foi escolhido J = 5 para as simulações de maneira que são
negociados também 10 ativos no total por ciclo.

5.3.3 Estratégia Direcional

No instante t escolhem-se J ativos com os maiores retornos previstos em módulo
e se assume uma posição comprada ou vendida, dependendo se o retorno é positivo ou
negativo, com financeiro de $1/J em cada ativo. No instante t + fh as posições assumidas
são fechadas, vendendo-se os ativos que foram comprados e comprando-se os ativos que
foram vendidos, e o retorno do período é aferido. Uma nova posição comprada é montada
da mesma maneira em t + fh para o próximo ciclo. Foi escolhido J = 10 para as simulações.

5.3.4 Estratégia Expected Tail Loss Minimization

Nessa estratégia é utilizada uma função de perda esperada de cauda (ETL).
Calculam-se os pesos a serem dados a J ações que serão compradas e outras J ações que
serão vendidas, de maneira que esse peso maximize uma função de utilidade que visa
reduzir ao máximo as perdas nas caudas conforme descrito em (FOCARDI; FABOZZI;
MITOV, 2016). Mais especificamente, sendo Pt+fh o retorno do portfólio previsto para
t + fh, procura-se por um vetor de pesos w (N ×1), onde N é o total de ativos da amostra,
que maximize o valor esperado da função E[Pt+fh ] + λE[Pt+fh |Pt+fh < qα (Pt+fh )], onde
E[Pt+fh ] = Rt+fh w. São impostas as seguintes restrições ao vetor de pesos w: o financeiro
da compra deve ser igual ao financeiro da venda - i=N
P
i=1 wi = 0; apenas J ativos serão
comprados e J serão vendidos, ou seja, existem exatamente J elementos de w que são
maiores que zero e J que são menores que zero - #(w|w > 0) = J e #(w|w < 0) = J; e
6 0 ⇒ |w| ≤ 0.3 ∧ |w| ≥ 0.1). Foi escolhido J = 5, λ = 5 e α = 0.05 para as simulações.
(w =
Esses valores foram os mesmos utilizados em (FOCARDI; FABOZZI; MITOV, 2016).
 22

6 Resultados

6.1 Número de fatores do modelo

Para cada ew (estimation window) em cada uma das análises (por log-preço e
log-retorno) os parâmetros dos modelos de fatores dinâmicos propostos foram estimados.
Como a janela de estimação é móvel, para cada valor de ew os parâmetros dos modelos
são estimados mais de uma vez e, para cada estimativa, se determina o número de fatores
com base no critério IPC2. Após isso é tomada a média do número de fatores encontrado
e se utiliza, como número de fatores, o número inteiro mais próximo da média encontrada.
No caso dos modelos utilizando as séries de log-preço o número de fatores encontrados é 3,
já para os modelos de log-retorno, o número de fatores encontrados é 1 de acordo com a
tabela 1.

Tabela 1 – Média do número de fatores latentes obtido utilizando o critério IPC2 conforme descrito em
(BAI; NG, 2002). Para cada série temporal utilizada, determinam-se o número de fatores
latentes, e se toma o inteiro mais próximo da média do número de fatores obtidos

Parâmetros do modelo Modelo log-preço Modelo log-retorno

ew (pregões) Número de fatores (média / escolhido) Número de fatores (média / escolhido)
150 2.51 / 3 1/1
200 2.62 / 3 1/1
250 2.79 / 3 1/1

O fato do número de fatores para a série de log-retorno ser baixo provavelmente

pode ser explicado pelo fato de que o total da variância explicada pelo primeiro fator após
uma análise PCA é maior do que 30%, enquanto a variância do segundo fator, e portanto
de todos os demais, cai drasticamente algo em torno de 6%. A tabela 2 mostra o total da
variância em média explicada para os três primeiros fatores em relação ao ew.

Tabela 2 – Variância explicada por cada fator na análise por log-retorno

Parâmetro do modelo Média da variância explicada por fator (%)

ew (pregões) 1o fator 2o fator 3o fator
150 32.51 6.62 4.44
200 32.32 6.35 4.32
250 32.17 4.21 3.35
Capítulo 6. Resultados 23

6.2 Indicadores de performance dos portfólios gerados a partir das

estratégias
Cada estratégia proposta foi simulada utilizando os modelos de log-preço e log-
retorno com base nos dados de mercado entre 2010 e 2016. Os indicadores de performance
dos portfólios gerados por elas está descrito na tabela 4. O índice IBOVESPA apresenta
retorno anualizado de 1.12% no período com Máximo Drawdawn de 48.63%, já o índice
IBX100 ofereceu retorno anualizado de 1.20% com Máximo Drawdawn de 37.80%.
As estratégias que oferecem os melhores retornos anualizados foram as Long-Only
e Long-Short. Já a estratégia Min ETL consegue oferecer bom retorno no par (ew, fh) =
(250, 10). Em relação ao valor de Máximo Drawdawn, as estratégias Long-Only e Long-
Short apresentaram, no geral, valores menores do que o índice IBOVESPA no período,
enquanto as outras estratégias apresentaram valores maiores do que o IBOVESPA quando
se consideram os melhores retornos anualizados.
Das estratégias que utilizaram os modelos de log-preço o par (ew, fh) que produziu
o melhor retorno anualizado foi (250, 10), com exceção da estratégia direcional, em cujo
caso o retorno foi comparável ao par (150, 10). Já os modelos de log-retorno oferecem seus
melhores resultados com o par (ew, fh) = (150, 10), com exceção da estratégia direcional,
que oferece melhor ganho com o par (250, 2). Contudo, investidores avessos à risco podem
preferir a estratégias Long-Only com o par (250, 10), pois apresentou retorno equiparável
ao par (150, 10) com menor risco. Não foi possível verificar com clareza qual modelo
performou melhor que o outro, contudo isso poderia ser verificado ao se comparar o erro
das previsões.
A tabela 3 mostra a quantidade de negócios realizadas pelas estratégias em relação
aos parâmetros do modelo. Qualitativamente, quanto maior o número de negócios maior
será o custo total da estratégia referente a compra e venda de ativos, ou seja, os resultados
da tabela 4 possuem um viés em favor das estratégias com menor fh, superestimando seu
retorno em relação as estratégias com maior fh. Isso devido ao fato que quanto menor o
valor de fh menor é o número de trades.

Tabela 3 – Número de negócios realizados em relação aos parâmetros do modelo

Parâmetros do modelo
ew (pregões) fh (pregões) Número de negócios
2 660
150 5 264
10 132
2 635
200 5 254
10 127
2 610
250 5 244
10 122
Capítulo 6. Resultados 24

Tabela 4 – Comparação dos indicadores dos portfólios gerados a partir das estratégias de trading
geradas entre 2010 e 2016. Os parâmetros ew (estimation window) e fh (forecast horizon) são
mostrados, respectivamente nas duas primeiras colunas. Nesse período, o índice IBOVESPA
teve um Máximo Drawdawn observado de 48.63% e uma rentabilidade anualizada de 1.12%.
Os betas mensurados em relação ao IBOVESPA são zero até a quarta casa decimal.

Estratégia Long-Only
Parâmetros do modelo Modelo log-preço Modelo log-retorno
ew (pregões) fh (pregões) Retorno anualizado (%) Máximo Drawdawn (%) Retorno anualizado (%) Máximo Drawdawn (%)
2 14.33 32.18 15.45 23.88
150 5 7.38 28.60 15.09 25.29
10 13.59 26.85 16.37 24.28
2 9.71 32.19 7.66 21.19
200 5 4.14 39.32 10.85 21.47
10 6.96 32.26 11.63 18.56
2 18.45 28.68 11.11 21.42
250 5 15.22 22.20 12.93 21.91
10 16.86 22.84 15.63 15.49
Estratégia Long-Short
Parâmetros do modelo Modelo log-preço Modelo log-retorno
ew (pregões) fh (pregões) Retorno anualizado (%) Máximo Drawdawn (%) Retorno anualizado (%) Máximo Drawdawn (%)
2 8.33 23.94 17.19 25.18
150 5 7.50 25.15 18.17 27.90
10 14.10 32.05 17.68 26.87
2 6.87 17.28 16.26 28.31
200 5 10.10 22.20 14.68 37.74
10 11.60 25.77 15.36 31.71
2 11.30 22.46 21.29 23.80
250 5 21.11 17.04 18.13 32.26
10 27.45 21.27 20.96 31.28
Estratégia Direcional
Parâmetros do modelo Modelo log-preço Modelo log-retorno
ew (pregões) fh (pregões) Retorno anualizado (%) Máximo Drawdawn (%) Retorno anualizado (%) Máximo Drawdawn (%)
2 16.58 35.18 7.92 64.28
150 5 18.09 40.68 3.35 62.34
10 27.57 50.42 7.39 56.93
2 9.84 31.61 8.22 47.96
200 5 0.68 43.81 8.87 52.64
10 8.38 46.86 5.28 49.78
2 14.92 34.24 17.56 42.09
250 5 16.75 29.28 9.79 55.51
10 17.83 38.88 9.59 55.66
Estratégia Mínimo ETL (Expected Tail Loss)
Parâmetros do modelo Modelo log-preço Modelo log-retorno
ew (pregões) fh (pregões) Retorno anualizado (%) Máximo Drawdawn (%) Retorno anualizado (%) Máximo Drawdawn (%)
2 8.71 31.63 -0.82 63.76
150 5 3.01 45.55 -2.49 59.75
10 11.35 49.25 -0.33 57.51
2 6.57 30.64 -6.53 62.95
200 5 2.60 44.24 -2.55 63.33
10 10.02 39.95 -4.50 62.63
2 15.70 32.06 2.93 57.68
250 5 18.27 27.27 -0.86 62.50
10 25.36 38.47 1.62 61.50

As figuras 1 e 2 mostram a evolução do logaritmo natural do valor do portfólio das

estratégias Long-Only e Long-Short, respectivamente, com o parâmetro ew = 250 para um
valor inicial do portfólio de 1. As figuras representando a evolução das demais estratégias
e diferentes valores de ew estão no apêndice.
Capítulo 6. Resultados 25

(a) Forecast Horizon de 2 pregões (b) Forecast Horizon de 5 pregões

(c) Forecast Horizon de 10 pregões

Figura 1 – Evolução do portfólio gerado pela estratégia long-only com ew (estimation

window) = 250
Capítulo 6. Resultados 26

(a) Forecast Horizon de 2 pregões (b) Forecast Horizon de 5 pregões

(c) Forecast Horizon de 10 pregões

Figura 2 – Evolução do portfólio gerado pela estratégia long-short com ew (estimation

window) = 250
 27

7 Conclusões

De maneira geral, os melhores resultados das estratégias foram obtidos com os

parâmetros janela de estimação e forecast na fronteira dos valores utilizados nesse trabalho.
Isso implica que podem existir diferentes valores, ainda não explorados, que fornecem
melhores previsões para os modelos propostos. Esse objetivo pode ser alcançado ao
empregar maior poder computacional, como por exemplo aquele disponível em nuvem, de
forma a reduzir o tempo de cada simulação, um desafio encontrado nesse trabalho.
É importante salientar a possibilidade de se tomar caminhos diferentes no uso de
MFD como, por exemplo, a escolha de um critério diferente do ICP2 para determinação
do número de fatores latentes. Ou ainda outras formas de se estimar a série dos fatores
e, por consequência, a matriz de factor loadings, referida por Λ na equação 4.3. Além
disso, também são possíveis diferentes formas de aplicação do modelo, com diferentes
estratégias de trading no âmbito de arbitragem estatística ao se explorar o fato da série
do fator latente do modelo de log-preço ser estacionária. A utilização de MFD em séries
intra-diárias também permanece inexplorada.
Portanto, a partir dos preços de fechamento do mercado brasileiro de ações foi
possível efetuar previsões em relação ao retorno esperado dos ativos selecionados. A
aplicação de MFD com séries estacionarias e não-estacionárias se mostrou eficiente na
medida em que foram criadas estratégias de trading cuja rentabilidade superou àquela do
índice IBOVESPA no período estudado, oferecendo um menor valor de Max Drawdawn.
 28

Referências

AASTVEIT, K. A.; BJØRNLAND, H. C.; THORSRUD, L. A. What drives oil prices?

emerging versus developed economies. Journal of Applied Econometrics, Wiley Online
Library, v. 30, n. 7, p. 1013–1028, 2015.

ANGELINI, E.; BANBURA, M.; RÜNSTLER, G. Estimating and forecasting the euro
area monthly national accounts from a dynamic factor model. 2008.

BAI, J.; NG, S. Determining the number of factors in approximate factor models.
Econometrica, Wiley Online Library, v. 70, n. 1, p. 191–221, 2002.

BAI, J.; NG, S. et al. Large dimensional factor analysis. Foundations and Trends
R in
Econometrics, Now Publishers, Inc., v. 3, n. 2, p. 89–163, 2008.

CALDEIRA, J.; MOURA, G. V. Selection of a portfolio of pairs based on cointegration: a

statistical arbitrage strategy. Revista Brasileira de Financas (Online), 2013.

CATTELL, R. B. The scree test for the number of factors. Multivariate behavioral
research, Taylor & Francis, v. 1, n. 2, p. 245–276, 1966.

CONNOR, G.; KORAJCZYK, R. A. Performance measurement with the arbitrage pricing

theory: A new framework for analysis. Journal of financial economics, Elsevier, v. 15, n. 3,
p. 373–394, 1986.

FOCARDI, S. M.; FABOZZI, F. J.; MITOV, I. K. A new approach to statistical arbitrage:

Strategies based on dynamic factor models of prices and their performance. Journal of
Banking & Finance, Elsevier, v. 65, p. 134–155, 2016.

FORNI, M.; GAMBETTI, L. The dynamic effects of monetary policy: A structural factor
model approach. Journal of Monetary Economics, Elsevier, v. 57, n. 2, p. 203–216, 2010.

GEWEKE, J. The dynamic factor analysis of economic time series. Latent variables in
socio-economic models, North-Holland, v. 1, 1977.

GIANNONE, D.; REICHLIN, L.; SALA, L. Monetary policy in real time. NBER
macroeconomics annual, MIT Press, v. 19, p. 161–200, 2004.

JARROW, R. et al. An improved test for statistical arbitrage. Journal of Financial

Markets, Elsevier, v. 15, n. 1, p. 47–80, 2012.

ONATSKI, A. Determining the number of factors from empirical distribution of

eigenvalues. The Review of Economics and Statistics, MIT Press, v. 92, n. 4, p. 1004–1016,
2010.

PEÑA, D.; PONCELA, P. Nonstationary dynamic factor analysis. Journal of Statistical

Planning and Inference, Elsevier, v. 136, n. 4, p. 1237–1257, 2006.

PUCCIARELLI, A. J. Estratégia de cointegração dinâmica empírica para arbitragem

estatística e trading. Dissertação (Mestrado) — Fundação Getúlio Vargas, São Paulo, 2014.
Referências 29

SARGENT, T. J.; SIMS, C. A. et al. Business cycle modeling without pretending to

have too much a priori economic theory. New methods in business cycle research, v. 1, p.
145–168, 1977.

SOTO, P. A. Arbitragem estatística no mercado brasileiro de ações: uma abordagem por

VECM. Dissertação (Mestrado) — Fundação Getúlio Vargas, São Paulo, 2016.

STOCK, J. H.; WATSON, M. W. Testing for common trends. Journal of the American
statistical Association, Taylor & Francis, v. 83, n. 404, p. 1097–1107, 1988.

STOCK, J. H.; WATSON, M. W. Forecasting with many predictors. Handbook of

economic forecasting, Elsevier, v. 1, p. 515–554, 2006.

STOCK, J. H.; WATSON, M. W. Factor models and structural vector autoregressions in

macroeconomics. forthcoming in the Handbook of Macroeconomics, 2016.

TRIANTAFYLLOPOULOS, K.; MONTANA, G. Dynamic modeling of mean-reverting

spreads for statistical arbitrage. Computational Management Science, Springer, v. 8, n. 1,
p. 23–49, 2011.

ZHANG, W. et al. A multi-factor adaptive statistical arbitrage model. arXiv preprint

arXiv:1405.2384, 2014.
Apêndices
 31

APÊNDICE A – Gráficos da evolução dos

portfólios gerados pelas estratégias de trading

A.1 Estratégia Long-Only

(a) Forecast Horizon de 2 pregões (b) Forecast Horizon de 5 pregões

(c) Forecast Horizon de 10 pregões

Figura 3 – Evolução do portfólio gerado pela estratégia long-only com ew (estimation

window) = 150
APÊNDICE A. Gráficos da evolução dos portfólios gerados pelas estratégias de trading 32

(a) Forecast Horizon de 2 pregões (b) Forecast Horizon de 5 pregões

(c) Forecast Horizon de 10 pregões

Figura 4 – Evolução do portfólio gerado pela estratégia long-only com ew (estimation

window) = 200
APÊNDICE A. Gráficos da evolução dos portfólios gerados pelas estratégias de trading 33

A.2 Estratégia Long-Short

(a) Forecast Horizon de 2 pregões (b) Forecast Horizon de 5 pregões

(c) Forecast Horizon de 10 pregões

Figura 5 – Evolução do portfólio gerado pela estratégia long-short com ew (estimation

window) = 150
APÊNDICE A. Gráficos da evolução dos portfólios gerados pelas estratégias de trading 34

(a) Forecast Horizon de 2 pregões (b) Forecast Horizon de 5 pregões

(c) Forecast Horizon de 10 pregões

Figura 6 – Evolução do portfólio gerado pela estratégia long-short com ew (estimation

window) = 200
APÊNDICE A. Gráficos da evolução dos portfólios gerados pelas estratégias de trading 35

A.3 Estratégia Direcional

(a) Forecast Horizon de 2 pregões (b) Forecast Horizon de 5 pregões

(c) Forecast Horizon de 10 pregões

Figura 7 – Evolução do portfólio gerado pela estratégia direcional com ew (estimation

window) = 150
APÊNDICE A. Gráficos da evolução dos portfólios gerados pelas estratégias de trading 36

(a) Forecast Horizon de 2 pregões (b) Forecast Horizon de 5 pregões

(c) Forecast Horizon de 10 pregões

Figura 8 – Evolução do portfólio gerado pela estratégia direcional com ew (estimation

window) = 200
APÊNDICE A. Gráficos da evolução dos portfólios gerados pelas estratégias de trading 37

(a) Forecast Horizon de 2 pregões (b) Forecast Horizon de 5 pregões

(c) Forecast Horizon de 10 pregões

Figura 9 – Evolução do portfólio gerado pela estratégia direcional com ew (estimation

window) = 250
APÊNDICE A. Gráficos da evolução dos portfólios gerados pelas estratégias de trading 38

A.4 Estratégia Min ETL

(a) Forecast Horizon de 2 pregões (b) Forecast Horizon de 5 pregões

(c) Forecast Horizon de 10 pregões

Figura 10 – Evolução do portfólio gerado pela estratégia mínimo ETL com ew (estimation
window) = 150
APÊNDICE A. Gráficos da evolução dos portfólios gerados pelas estratégias de trading 39

(a) Forecast Horizon de 2 pregões (b) Forecast Horizon de 5 pregões

(c) Forecast Horizon de 10 pregões

Figura 11 – Evolução do portfólio gerado pela estratégia mínimo ETL com ew (estimation
window) = 200
APÊNDICE A. Gráficos da evolução dos portfólios gerados pelas estratégias de trading 40

(a) Forecast Horizon de 2 pregões (b) Forecast Horizon de 5 pregões

(c) Forecast Horizon de 10 pregões

Figura 12 – Evolução do portfólio gerado pela estratégia mínimo ETL com ew (estimation
window) = 250