Sistema inteligente para otimização de portfólio com previsão inovadora de volatilidade usando aprendizado de máquina

Por que investir com mais inteligência importa

Quem já viu suas economias subir e cair com o mercado de ações sabe que grandes perdas podem doer mais do que ganhos modestos nos alegram. Este artigo aborda uma questão que interessa tanto a investidores individuais quanto a grandes instituições: podemos usar inteligência artificial moderna para montar portfólios que não só cresçam ao longo do tempo, mas também resistam melhor a quedas acentuadas do mercado em diversos países?

Da teoria clássica às máquinas ávidas por dados

A teoria tradicional de portfólios, remontando a Harry Markowitz nos anos 1950, ensina a balancear risco e retorno distribuindo o capital entre ativos diferentes. Na última década, abordagens mais complexas baseadas em deep learning e reinforcement learning prometeram extrair ganhos adicionais dos dados financeiros. No entanto, esses métodos mais novos costumam ser de difícil interpretação, caros de executar e difíceis de confiar quando aplicados a muitos mercados diferentes. Crucialmente, a maioria foca em prever retornos, enquanto gestores profissionais de risco se preocupam profundamente com drawdowns — o tamanho das piores perdas do pico ao vale ao longo do tempo.

Olhando para a dor do mercado em vez de só para o ganho

Os autores deslocam a atenção de prever retornos de curto prazo para prever o quão severas as perdas podem ser. Eles estudam 40 mercados acionários, desde economias desenvolvidas como Estados Unidos e Alemanha até mercados emergentes como Brasil e África do Sul, ao longo de um período de 20 anos, de 1999 a 2018. Para cada país e ano, calculam medidas de desempenho ajustado por risco amplamente usadas: o índice de Sharpe (retorno por unidade de risco total), o índice de Sterling (retorno em relação às perdas médias passadas) e o índice de Calmar, que relaciona diretamente ganhos anuais ao pior drawdown. Esses índices são então agrupados em categorias simples — “alta”, “média” e “baixa” — que indicam quão atraente ou frágil um mercado parece do ponto de vista risco‑retorno.

Como o sistema inteligente funciona na prática

Nos bastidores, o sistema proposto combina uma engenharia de dados cuidadosa com um modelo de aprendizado de máquina estruturado chamado classificador multi–Support Vector Machine (multi‑SVM). Primeiro, a equipe limpa e reorganiza duas décadas de dados acionários da Bloomberg, removendo entradas inválidas, preenchendo lacunas curtas e normalizando escalas para que um mercado pequeno e um mercado grande possam ser comparados de forma justa. Em seguida, eles criam features que resumem o comportamento de cada mercado, incluindo valores máximos, mínimos e médios das ações, volatilidade, retornos anuais e drawdowns móveis de três anos. Essas features tornam‑se as entradas para vários submodelos SVM, cada um especializado em um dos índices chave, todos usando um kernel não linear para capturar relações complexas entre risco e retorno. Uma etapa de fusão combina então os níveis de confiança dos submodelos em um único juízo sobre se um dado par país‑ano pertence às categorias de qualidade ajustada por risco alta, média ou baixa.

Transformando previsões em escolhas de portfólio

Para verificar se essa inteligência realmente ajuda investidores, os autores realizam um extenso experimento histórico hipotético. A cada ano, eles imaginam construir um portfólio global que dá peso extra aos mercados rotulados como de alta qualidade pelo sistema, peso neutro aos mercados médios e peso reduzido aos de baixa qualidade. Comparam os resultados com três referências conhecidas: um modelo de mercado simples (CAPM), um portfólio global igualmente ponderado e o popular modelo de três fatores desenvolvido por Fama e French. No período 1999–2018, o portfólio guiado pelo multi‑SVM apresenta o maior retorno cumulativo, a menor perda máxima e o melhor índice de Sharpe. O classificador em si classifica corretamente os mercados em suas categorias risco‑retorno cerca de 97,5% das vezes, uma melhoria clara sobre um SVM único e sobre um modelo Naïve Bayes básico.

O que isso significa para investidores e para o futuro

Para um público não especializado, a conclusão principal é que os autores não inventam um novo robô de negociação opaco; em vez disso, combinam cuidadosamente ferramentas estabelecidas para focar no que mais assusta os investidores — perdas grandes e sustentadas. Ao centrar o modelo em medidas relacionadas a drawdowns e manter a estrutura relativamente transparente, eles oferecem uma maneira prática de orientar pesos de portfólio globais que é mais fácil de explicar do que muitos sistemas de deep learning, sem perder competitividade em desempenho. O estudo sugere que classificar mercados de forma inteligente pela sua saúde ajustada ao risco, em vez de apenas perseguir retornos brutos, pode levar a portfólios que crescem de modo mais constante e sofrem choques mais suaves, oferecendo uma passagem mais confortável por mercados turbulentos.

Citação: Biswas, T., Dey, A., Mandal, G. et al. Intelligent system for portfolio optimization for novel volatility forecasting using machine learning. Sci Rep 16, 14670 (2026). https://doi.org/10.1038/s41598-026-42813-4

Palavras-chave: otimização de portfólio, volatilidade financeira, aprendizado de máquina em finanças, gestão de risco, mercados acionários globais