Previsibilidade do Índice de Sharpe em ETFs Setoriais: uma abordagem com aprendizado de máquina
Carregando...
Arquivos
Data
2026-02-10
Autores
Orientador(res)
Chaves, Rafael
Métricas
Título da Revista
ISSN da Revista
Título de Volume
Resumo
Este trabalho investiga a previsibilidade do índice de Sharpe futuro de ETFs setoriais norte-americanos, com foco na existência, na estabilidade e nos limites dessa previsibilidade em um contexto rigorosamente fora da amostra. Diferentemente da literatura tradicional, que se concentra na previsão isolada de retornos ou volatilidade, o estudo modela diretamente uma métrica de desempenho ajustado ao risco, mais alinhada às decisões práticas de alocação de portfólio. A metodologia baseia-se na construção de um conjunto abrangente de variáveis explicativas, incluindo retornos acumulados, razões entre médias móveis, medidas de posicionamento relativo em relação a máximas e mínimas históricas e indicadores de risco. São estimados modelos de regressão linear, Random Forest e XGBoost, avaliados por meio de um esquema de validação temporal do tipo walk-forward, com janelas móveis de treinamento e teste ao longo do período de janeiro de 2006 a novembro de 2025. Essa abordagem permite avaliar a robustez dos modelos sob diferentes regimes econômicos e mitigar vieses associados a divisões fixas da amostra. Os resultados empíricos fornecem evidências robustas de elevada persistência temporal do índice de Sharpe futuro, refletida no desempenho consistentemente elevado de um modelo baseline baseado exclusivamente na defasagem da própria métrica. Esse resultado indica que grande parte da previsibilidade observada decorre da própria construção estatística do Sharpe, impondo um limite estrutural ao ganho obtido por modelos mais complexos. Entre os modelos considerados, os métodos baseados em árvores — Random Forest e XGBoost — apresentam desempenho superior à regressão linear, com maior estabilidade fora da amostra e maior robustez frente a mudanças de regime econômico. Em contraste, a regressão linear demonstra elevada sensibilidade a quebras estruturais, exibindo desempenho instável e valores negativos do coeficiente de determinação em diversas janelas de validação. Observa-se, adicionalmente, deterioração generalizada do poder preditivo durante episódios de estresse macroeconômico, como a pandemia de COVID-19 e o ciclo de aperto monetário iniciado em 2022, ainda que os modelos de aprendizado de máquina mantenham maior resiliência relativa nesses períodos. A análise das importâncias das variáveis revela a predominância de indicadores associados a retornos acumulados de médio prazo e medidas de posicionamento relativo dos ativos, sugerindo que efeitos de persistência e momentum desempenham papel central na dinâmica do Sharpe futuro. Em conjunto, os resultados contribuem para a literatura de finanças quantitativas ao demonstrar que a previsibilidade do desempenho ajustado ao risco existe, mas é estruturalmente limitada, e que modelos não lineares oferecem ganhos marginais relevantes sobretudo em termos de estabilidade e adaptação a diferentes regimes de mercado.