Modelo de

Long & Short por

Cointegração

Por Gustavo d’Almeida

Objetivos:
Falar sobre como surgem os modelos
e quais os seus objetivos;
Mostrar o que eu queria representar
ao criar o modelo;
Qual modelo matemático usei para
representar o que eu queria ver;
Como funciona a teoria da
cointegração;
Aplicação na prática.
 Como eu senti a necessidade de criar um modelo

Reparei que há muitos ativos que se movimentam de forma bastante parecida, como PETR3 e PETR4, ou os índices
americanos S&P 500 e Dow Jones Industrial 30, e percebi que poucas vezes eles se descorrelacionavam.
Surgiu a ideia de aproveitar essa distorção entre eles para poder ganhar na volta deles para a correlação.
 Como eu senti a necessidade de criar um modelo

Através das etapas do método científico proposto por Descartes (1596 – 1650), que são:
1º - Observação.
2º - Elaboração do problema (fase do questionamento)
3º - Hipóteses.
4º - Experimentação.
5º - Análise dos resultados.
6º - Conclusão.

Eu poderia resumir todas essas etapas em observação e modelagem.

 Minha primeira tentativa

Se os ativos e descorrelacionam eu poderia comprar o ativo x e vender o y buscando o reencontro deles, já que passam
maior parte do tempo correlacionados acima de 95%, fazendo assim o que chamamos de “cash neutro”, que seria o
balanceamento das posições dos dois ativos de forma que elas tenham o mesmo valor financeiro, através do ratio (razão),
que nada mais é que a divisão entre os papéis. Ratio de x e y = x/y.
Exemplo ação x = R$ 12 e ação y = R$ 10,00. O ratio seria x/y = 1,2.
Se eu comprasse 400 ações do ativo x eu teria que comprar 1,2 x 400 ações do ativo y, ou seja, 480, pois assim as duas
posições teriam o mesmo valor financeiro
Ativo x: 400 ações x R$ 12,00 = R$ 4.800,00
Ativo y: 480 x R$ 10,00 = R$ 4.800

400 480
X Y
 Gráfico de Ratio e como funciona a operação de cash neutro

Ao lado direito Podemos ver o gráfico de

PETR3/PETR4.
A ideia era utilizar media e desvios padrão para entrar
nas operações.
Vender o numerador (PETR3) e comprar o
denominador (PETR4) quando o ratio toca no Segundo
desvio padrão para cima.
Compra numerador (PETR3) e vender denominador
(PETR3) quando o ratio toca no Segundo desvio padrão
para baixo.
Por que no Segundo desvio padrão? Porque, Segundo a
Distribuição Normal, 95% dos valores da séria estão
entre a media e o Segundo desvio, como podemos ver na
imagem ao lado direito
 Como eu percebi que o modelo de ratio não era o ideal:
Como se pode ver no slide anterior, a média e desvios padrão variam bastante, sendo o que chamamos de “correlação
espúria”, que é uma correlação que se desfaz facilmente.
Para a aplicação da curva de distribuição normal funcionar é necessário que a séria analisada seja estacionária, e a partir
dessa palavra começa a nascer o conceito de cointegração.
Uma série estacionária é aquela que possui média e desvios padrão constantes no tempo. Podemos ver mais claramente a
diferença entre as duas nas imagens abaixo:

não-estacionária estacionária
 Como transformar uma série não-estacionária em estacionária?
Gráfico de dispersão do Excel

Simples. Utilizando a regressão linear, pois ela possui

uma variável dependente y =bx + a
A reta da regressão linear é a medida que melhor
representa a média entre todos os pontos
distribuídos.
Com ela nós podemos definir qual é o y estimado da
série (ponto da linha vermelha), que seria aonde ele
deveria estar, já que uma série estacionária tende a
voltar para a média constante no tempo.
Com a tentativa de acertar qual será o valor do y
estimado, o modelo erra, então nós queremos saber
qual a distância do ponto para a reta, que é o erro ou
resíduo estatístico, e a cointegração é a solução
matemática para isso.
 Gráfico de resíduo - cointegração

Tecnicamente falando, o processo de cointegração é um processo

estocástico que descreve a velocidade de uma partícula browniana
sob influência de atrito. É um processo estacionário e gaussiano.
Ou seja, com o tempo o processo tende a deriva para o seu meio
termo de longo prazo, e tal movimento é chamado de reversão à
média.
O gráfico de resíduo mostra a distância entre o y e o y estimado ou
teórico. Esta série também é chamada de “erro”.
Traduzindo para um bom português...Já que a série tem média e
desvios constantes no tempo, então ela tende à média. Sempre que
o resíduo se distancia 2 desvios padrões da média nós podemos
apostar nesse retorno.
Lembrando que a estatística é uma ciência que envolve análise de
dados, cabendo a nós, como gestores, tomar uma decisão com base
naquela informação que o modelo nos apresenta.
No gráfico ao lado os resíduos estão padronizados, e isto é o que
devemos fazer com a série.
 Padronização do resíduo e montagem do gráfico

Para padronizar podemos utilizar a função

“PADRONIZAR” do Excel, que é a ferramenta mais
acessível a todos. O nome da série padronizada é
chamada de Z Score, que nada mais é que o número
de desvios padrão em relação à média. Pode ser
encontrado utilizando a fórmula z = (x – μ)/σ
Precisamos tirar a média do resíduo e seu desvio
padrão (x; média de x; desvio padrão x) para termos o
Z Score.
Como podemos ver ao lado, não vemos mais o valor
da média nem do resíduo, apenas os desvios padrão
em torno de uma média 0
 Como medir a estacionariedade de
uma série
Como vimos até agora, a diferença entre o ratio e o resíduo, que é o erro tirado da regressão
linear (y – y estimado), é que a média e os desvios do ratio oscilam, e precisamos de uma série que
possui média e desvios praticamente constantes. A regressão linear pode nos dar essa solução.
Mas como medimos o grau de estacionariedade? Utilizamos um teste de raiz unitária. Se você
tiver uma série temporal com raiz unitária (=1) significa que ele é aleatório, e trabalha em
“Random Walk with Drift”, ou seja, é impossível de prever. Porém, os mercados não são aleatórios,
e sim caóticos. Eles são feitos por decisões racionais (racionais, mas não necessariamente
inteligentes) e não aleatoriamente. Portanto, o teste de raiz unitária é para descobrir se a série não
possui raiz unitária, pois só assim podemos estimar os valores seguintes, buscando o retorno à
média
Dentro dessa família desses testes, há dois que podem ser usados na cointegração: Augmented
Dickey-Fuller test e Angels-Granger test. O que eu usei no modelo foi o Dickey-Fuller aumentado.
Em estatística e econometria , um teste de Dickey-Fuller aumentado ( ADF ) testa a hipótese
nula de que uma raiz unitária está presente em uma amostra de série temporal . A hipótese
alternativa é diferente dependendo de qual versão do teste é usada, mas geralmente
é estacionaridade ou estacionaridade de tendência . É uma versão aumentada do teste Dickey–
Fuller para um conjunto maior e mais complicado de modelos de séries temporais.
 Como medir a estacionariedade de uma série

Traduzindo para um bom português…É um teste que mede o

quanto uma série possui media e desvios padrão constantes
(quase constantes, pois nada é perfeitamente constante).
Voltemos para a diferença entre uma série estacionária e não-
estacionária no slide 7.
Os valores que conseguimos no teste são 99%, 95% e <90%,
que indicam quanto % do tempo a série está estacionária
Lembrando da distribuição normal, 95% dos dados estão
entre a media e o segundo desvio padrão. Portanto, se ela está
95% estacionária (normal), então há 95% de probabilidade
de ela voltar dois desvios padrão para trás, aonde está a
media. E, logicamente, há apenas 5% de chance dela ir mais
2 desvios padrões para frente, chegando até o quarto desvio
padrão.
 O que é o Beta e como vamos utilizá-lo para balancear a ponta
vendedora com a compradora

Beta (grau de inclinação)

No modelo de ratio, o balanceamento era feito com o método de “neutral cash”, que é equilibrar as duas pontas com o
mesmo volume financeiro. Porém, o mobelo de coitegração nós utilizamos o beta, que é o grau de inclinação.
No mercado financeiro utilizamos o beta como indicador de risco. Vemos o beta de uma ação em relação ao mercado.
Definimos o mercado como o IBOV, pois ele é o índice de referência que utilizamos para medir o desempenho da bolsa
como um todo.
Modelo de Long & Short por Cointegração vamos utilizar o beta de y em relação a x, ou seja, o beta de uma ação com
outra. Queremos saber o quanto uma ação está oscilando em relação a outra parecida com ela.
Para balancear a ponta compradora coma vendedora, multiplicamos y*b de x. Por exemplo, se o beta de x com y é 2, e
entramos comprado em 1.000 ações em x, vamos vender a descoberto 2.000 ações de y. Assim a operação está equilibrada.
 Período 280 ADF <90%

Juntando os conceitos
A regressão linear pode ser feita em diferentes períodos
(quantidade de dados históricos). Os principais períodos
analisados nesse método são: 250, 240, 220, 200, 180, 160,
140, 120, 100 e 70.
Definimos que dois ativos estão cointegrados quando o
resíduo é no mínimo 95% estacionário no ADF. Ou seja, é
possível haver cointegração em um período e em outro não, Período 200 ADF 95%

como podemos ver na imagem ao lado.

Usamos um filtro para fazer a combinação de todos os ativos
em todos os 1º períodos para nos mostrar quais estão
cointegrados e focar apenas neles, pois buscamos
estacionariedade para operar reversão à média.