Backtesting é um processo de testagem de modelos matemáticos, utilizando séries temporais, para predizer o comportamento de sistemas dinâmicos. É muito utilizado em diversos campos profissionais diferentes. Contudo, com o crescimento tecnológico das últimas décadas, se tornou cada vez mais requisitado na indústria financeira.
No mercado financeiro, é um teste de estratégia em que analisamos o histórico de preços de um ativo para entender como a configuração se comportou no passado. É uma ferramenta essencial para quem usa um algoritmo e, claro, também é uma ferramenta poderosa para projetar e modelar estratégias.
Qual seria então o problema do backtesting? Imagine que você gostaria de saber qual a temperatura ideal que te garanta que um frango esteja cozido, por exemplo. Você poderia medir várias temperaturas diferentes e ir experimentando o frango em cada uma delas, até identificar que na temperatura de 74 graus célsius, o frango estaria completamente cozido. Imagine então, se você pudesse identificar quantos centavos uma ação da PEPSI sobe, toda vez que as ações da Coca-Cola sobem R$ 1,00 real? E se ao testar você percebesse que nos últimos 10 anos, praticamente todas as vezes que a Coca-Cola subiu R$ 1,00 real, a PEPSI subiu também R$ 0,94 centavos? Consegue perceber a variedade de opções que surgem a partir desse resultado de testagem de dados?
O grande problema é que esses testes são feitos com parâmetros, e muitas vezes, esses parâmetros precisam ser otimizados até você encontrar o melhor parâmetro possível para determinada operação. Ao repetir essa otimização, buscando encontrar sempre um parâmetro melhor, na maioria dos casos, ocorre o que chamamos de overfit (uma espécie de super-otimização), que não condiz com a realidade. Nesse caso, é muito comum a venda de estratégias no mercado, que possuem um backtesting que mostra um resultado incrível, mas que, na prática, leva muitas contas a ruína. Logo, uma testagem de backtesting em paralelo com a operacionalização em ambiente real, pode nos encaminhar a uma melhor aderência.
Vamos ver nesse caso real de uma estratégia desenvolvida, testada e utilizada em ambiente real, pela QuantSE:
A estratégia utiliza um capital de R$ 4 000,00 como mostrado acima, e nesse acompanhamento já estão sendo descontados 10 pontos que equivalem aos custos da B3 e de corretagem.
Aqui fazemos a leitura dos trades diários que ocorreram no mês de junho de 2021. O primeiro gráfico reflete a leitura das operações reais e o segundo é o resultado de uma execução de backtesting nos dias que houve operações. Veja que a similaridade é muito alta e embora haja algumas diferenças, são tão pequenas que, na verdade, atestam uma enorme aderência entre os resultados obtidos nas otimizações feitas, em relação às operações em conta real. E para chegar a essa conclusão, também utilizamos outro recurso quantitativo que está entre os 100 papers mais citados no mundo: O teste de Bland and Altman. Esse teste é utilizado para avaliar a concordância entre dois métodos distintos que avaliem a mesma variável dependente quantitativa. Nesse caso, as operações em conta real e as operações do backtesting. Abaixo você pode conferir essa confirmação estatística.
Veja que não há operações diariamente. A ideia dessa estratégia surgiu a partir de um estudo feito pela FGV, que os pouquíssimos day traders que possuem lucro na bolsa, a partir de operações de day trade, realizam um número extremamente pequeno de operações[1], em relação aos 99% que só perdem na bolsa [2]. Decidimos então, seguir a lógica desse estudo, e ver como poderíamos descobrir uma estratégia lucrativa em operações de day trade.
E o resultado foi esse, 665 pontos no índice Bovespa em 7 operações feitas em apenas 4 dias, ao longo dos 25 dias do mês de junho (momento que esse artigo é escrito). Esse resultado em ambiente real, associado ao resultado extremamente similar ao backtest realizado anteriormente, apenas nos confirma uma enorme aderência e segurança para operacionalizar de forma profissional e responsável.
