Causalidade é uma característica da vida, assim como é para os mercados de capitais. É hora de aceitar esse princípio básico na gestão de investimentos. Aqui está o porquê e como.
Por que a Causalidade Importa
Causalidade tem sido definida de várias maneiras na filosofia, estatística, economia, ciência da computação e outras disciplinas. Como seres humanos, queremos entender o que encontramos, e a causalidade, em sua forma mais simples, dá a razão por trás de um fenômeno. Observamos algo, depois vemos que algo mais acontece, e nos perguntamos se e como eles podem estar relacionados. Alternativamente, também podemos considerar se algo aconteceria na ausência de um determinado fator ou se esse fator é um pré-requisito necessário. Se a presença ou ausência de um evento tem efeito sobre outro, então podemos ser capazes de trazer algo à existência e mudar a realidade. Se realmente entendermos um evento e como ele está relacionado a outros eventos, podemos fazer com que um evento que favorecemos aconteça – ou impedir que um evento que não favorecemos aconteça – e assim adaptar nossas decisões de acordo. A causalidade é, portanto, um conceito do pensamento humano que ajuda a responder ao porquê dos fenômenos: ela estrutura a forma como interagimos com nosso ambiente.
Analisamos 191 artigos de revistas sobre testes de causalidade nos mercados de ações publicados entre 2010 e 2020 para identificar os testes de causalidade mais amplamente utilizados. Nossa metodologia foi a de uma revisão sistemática da literatura, e nossa análise se concentrou na distribuição por ano; reputação das revistas; o foco geográfico, por país, categoria ou região; temas comumente abordados; e os testes e abordagens de causalidade comuns. Embora a causalidade seja um tópico amplo e complexo, organizamos e mapeamos as descobertas desses artigos para fornecer clareza tanto para acadêmicos quanto para profissionais de finanças e investimentos, de modo que eles possam identificar melhor as tendências atuais de pesquisa e encontrar rapidamente literatura adicional sobre tópicos relacionados. Também queríamos incentivá-los a pensar em como incluir avaliações de causalidade em seu trabalho.
Um exemplo de relevância prática imediata: a gestão de portfólio de zero líquido exige pensar em termos de impacto dependente do caminho.
Previsão vs. Nowcasting com Causalidade
Descobertas causais nos ajudam a entender melhor o mundo ao nosso redor. Ao nos ajudar a entender as leis relevantes da natureza – supondo que elas existam – a causalidade pode nos fornecer evidências prescritivas para nossa análise e nos guiar para decisões aprimoradas. De fato, o conhecimento causal e as inferências baseadas nele são fundamentais para uma tomada de decisão eficaz. Nancy Cartwright até sugere que leis causais são necessárias para distinguir entre estratégias eficazes e ineficazes. Ao longo da história da ciência, a causalidade está entre as principais questões de pesquisa e o objetivo final de muitos estudos. Alguns desses estudos tentam fazer previsões sobre o futuro. Mas antecipar ou prever consequências é apenas um aspecto da causalidade. Na verdade, ao descrever teorias causais baseadas em evidências empíricas, Michael Joffe confirma que a teoria econômica prioriza a previsão, enquanto as ciências naturais visam principalmente mostrar como o mundo funciona.
O Caso Prospectivo para a Causalidade
Os mercados financeiros são complexos, dinâmicos e prospectivos. Eles são impulsionados por muitos participantes de mercado heterogêneos com informações imperfeitas e racionalidade limitada. Portanto, entender a causalidade por trás de seus impulsionadores é tanto atraente quanto potencialmente muito lucrativo. No entanto, dada a velocidade e a eficiência informacional dos mercados, descobrir relações causais não é apenas extremamente difícil, mas os benefícios de fazê-lo tendem a ser de curto prazo, já que o mercado assimila rapidamente a informação. O conhecimento causal tem apelo porque pode afetar decisões ao mudar nossas expectativas sobre os resultados. Ele fornece insights sobre que informações devemos procurar – como cada informação deve ser ponderada e quais variáveis devem ser alvo – se não pudermos manipular diretamente o resultado. Mas como obtemos esse conhecimento causal? Podemos imaginar situações em que os participantes do mercado e as empresas se perguntam por que ou como algo aconteceu? Mas formular precisamente essas perguntas de inferência causal reversa é uma tarefa impossível. Isso se tornará um fenômeno a posteriori. Mesmo que todos os dados do passado fossem acessíveis e os entendêssemos e interpretássemos corretamente, não podemos garantir que agiríamos corretamente com base neles. A literatura de estatística e econometria sobre causalidade se concentra em vez disso em perguntas causais prospectivas ou “efeitos das causas”. Ou seja, o que acontece quando, ou o que aconteceria se… Ela não se concentra em inferência causal reversa ou “causas dos efeitos” – ou seja, por que isso acontece – sendo que este último muitas vezes inspira o primeiro.
Correlação não implica Causalidade
Em qualquer curso introdutório de estatística ou Economia 101, os alunos aprendem o mantra “correlação não implica causalidade”. Porque duas ou mais coisas mudam juntas não significa necessariamente que uma seja a razão ou a causa da outra. No entanto, nosso pensamento heurístico quer ligar as duas, embora a correlação não seja necessária nem suficiente para estabelecer a causalidade. A correlação não explica o porquê ou o como, mas simplesmente observa que as mudanças ocorrem juntas. Então, o que está por trás de nossa tendência de confundir correlação com causalidade? Segundo Michael R. Waldmann, existem pelo menos três vieses que podem fornecer uma explicação. Estes são o viés de representação, em que damos mais peso a determinadas informações; o viés de confirmação, em que distorcemos os dados para confirmar nosso pensamento anterior; e o viés de ilusão de controle, em que acreditamos que temos mais influência sobre nosso ambiente do que realmente temos. Mas a causalidade é mais do que correlação. Ela indica que um evento, processo ou estado, ou seja, o efeito ou variável dependente, é o resultado da ocorrência de outro evento, processo ou estado, ou seja, a causa ou variável independente. Uma causa é, pelo menos em parte, responsável pelo efeito, enquanto o efeito, pelo menos em parte, depende da causa. Peter Spirtes, Clark Glymour e Richard Scheines descrevem isso de forma mais formal como uma relação estocástica entre eventos em um espaço de probabilidade onde um evento causa a ocorrência de outro evento. A probabilidade é um aspecto importante, pois a causa torna o efeito mais provável. James Woodward explica, no entanto, que a causalidade lida com regularidades em um determinado ambiente que vão além das relações associativas ou probabilísticas porque nos ajuda a entender melhor como uma consequência muda quando manipulamos a causa.
Design do Estudo de Pesquisa
Em nosso estudo, revisamos sistematicamente os artigos de revistas revisados por pares sobre causalidade nos mercados de ações relevantes para profissionais de investimento e finanças ao longo do período de 11 anos. Nossa amostra incluiu apenas artigos que realizaram testes de causalidade e que se concentraram principalmente nos mercados de ações. Nossa análise revelou cinco pontos essenciais sobre a literatura sobre causalidade:
1. Existe uma preferência dominante por técnicas de avaliação quantitativa para medir a causalidade. Técnicas baseadas em correlação foram proeminentes entre estas, especialmente o teste de causalidade bivariado Granger de C. W. J. Granger. Esses 27 testes bivariados de Granger, juntamente com muitos testes de causalidade multivariada de Granger e causalidade de Granger dentro de dados não lineares, nos levam a concluir que a causalidade nos mercados de ações é predominantemente entendida como previsão.
2. A falta de técnicas de avaliação qualitativa evidencia uma fraqueza na pesquisa atual de testes de causalidade. Essas técnicas baseadas em heurísticas seriam de grande auxílio para profissionais de investimento quando se trata de gestão da incerteza ou quando é preciso entender o desconhecido. Isso abre caminho para novas atividades de pesquisa nos próximos anos.
3. O domínio dos testes de causalidade cada vez mais muda o foco da previsão para a agora. Em vez de prever consequências, a avaliação de causalidade pode nos ajudar a entender como um aspecto do mundo funciona.
4. A distribuição temporal mostrou um leve aumento no interesse pelo tópico de ano para ano. O ano de 2018 foi o valor atípico dos 11 anos em nosso período da amostra, com 27 artigos publicados sobre causalidade e os mercados de ações. Isso é 10 a mais que a média anual.
5. Índia, Estados Unidos e China foram os países mais estudados em nossa amostra. Dado o tamanho desses países e suas comunidades acadêmicas, isso dificilmente é uma surpresa. Mas isso mostra que há amplo espaço para análises de causalidade nos mercados de ações de outras economias.
Se você gostou deste artigo, não se esqueça de se inscrever no Enterprising Investor. Todas as postagens são opinião do autor. Sendo assim, elas não devem ser interpretadas como aconselhamento de investimento, nem as opiniões