Markov regime-switching models

: implications for dynamic and long-short strategies

Resumo

É do conhecimento geral que os investidores se devem abster da prática de market-timing. No entanto, o uso recente de modelos Markov de mudança de regime (MMMR) contraria esta afirmação, defendendo que é possível fazer timing do mercado e de um conjunto de prémios de risco, levando os investidores a evitar períodos de elevada volatilidade, diminuindo perdas, beneficiando simultaneamente de retornos positivos numa economia estável. A literatura existente foca-se maioritariamente numa previsão in-sample. A presente tese testa as conclusões prévias out-of-sample (OOS). Mais concretamente, identifico a presença de regimes baseada em diferentes variáveis, como turbulência de mercado, inflação e crescimento económico. Os regimes correspondem a um estado de grande volatilidade (contração económica), ou a um estado mais estável (crescimento económico). Adicionalmente, analiso o desempenho de diversos ativos e prémios de risco OOS, comparando uma estratégia dinâmica e uma longa-curta dependentes dos regimes versus uma estratégia estática. As alocações das estratégias baseadas em regimes são adaptadas para maximizar retornos, simultaneamente diminuindo a volatilidade, tendo em conta os regimes identificados. Nesta tese, concluo que utilizar um MMMR para timing do mercado e para ajustar alocações de portfólio reduz significativamente a volatilidade, aumentando consideravelmente a risk-adjusted performance. No entanto, estratégias baseadas em regimes parecem não produzir retornos mais elevados comparativamente a uma estratégia estática. Efetivamente, estas estratégias não têm um desempenho superior a uma estratégia estática e ao mercado enquanto benchmarks. Não obstante, algumas estratégias baseadas em turbulência levam a alphas interessantes, o que sugere justificar-se mais investigação em estratégias baseadas em regimes.

Data de atribuição	25 jan. 2024
Idioma original	Inglês
Instituição de premiação	Universidade Católica Portuguesa
Supervisor	Pedro Barroso (Orientador)