Em Quais Condições de Mercado a Regressão Linear se Comporta de Forma Diferente?

Resposta direta

A regressão linear pode “se comportar de forma diferente” em diferentes condições de mercado quando o padrão que você tenta ajustar não é estável, não tem formato de linha ou não é bem descrito pelas premissas por trás da regressão (por exemplo: força de relação consistente, variância aproximadamente constante e ausência de outliers sistemáticos). Quando essas premissas enfraquecem, a linha ajustada ainda pode produzir um número, mas esse número se torna mais difícil de interpretar, comparar entre janelas de tempo ou usar como ferramenta explicativa.

Este artigo é apenas informativo. Ele não prevê preços, fornece sinais de negociação ou promete desempenho. Em vez disso, explica quando o mesmo mecanismo de regressão produz resultados significativamente diferentes.

Mecanismo ou definição

A regressão linear é um método estatístico que estima uma linha (ou relação linear) que melhor corresponde aos dados observados, minimizando os erros quadrados. Na forma simples, você ajusta um modelo como:

• Resultado = intercepto + (inclinação × preditor) + erro

O “comportamento” muda quando o processo gerador de dados muda:

• Se a relação verdadeira é aproximadamente linear e estável, a inclinação e o padrão dos resíduos tendem a ser consistentes.
• Se a relação é fraca, muda ao longo do tempo ou é não linear, a inclinação ajustada pode variar substancialmente entre amostras, mesmo se você usar o mesmo método.

É útil separar a mecânica estável das condições variáveis:

• Mecânica estável: como a linha é ajustada (mínimos quadrados) e o que os resíduos representam (diferenças entre observações e a linha ajustada).
• Condições variáveis: quão previsível é a relação, quão ruidosos são os dados, se há mudanças de regime e se suas variáveis realmente se relacionam linearmente com o resultado escolhido.

Evidência ou exemplo (comparações condicionais)

Considere duas maneiras hipotéticas pelas quais um processo de mercado pode diferir e como isso muda o que a regressão linear “faz” na prática.

1. Estabilidade da relação vs mudanças de regime

• Condição estável: a relação entre preditor e resultado permanece semelhante ao longo da sua janela de amostra.
• Condição diferente: a relação muda (uma mudança de regime). Se você reajustar a regressão em janelas anteriores vs posteriores, as inclinações podem diferir, e os resíduos podem mostrar estrutura (por exemplo, um período em que os erros são majoritariamente positivos e outro em que são majoritariamente negativos).

2. Nível de ruído e outliers

• Condição de menor ruído: os erros parecem mais aleatórios e têm valores menos extremos.
• Condição de maior ruído ou com outliers: alguns pontos incomuns podem afetar desproporcionalmente a minimização do erro quadrado. A linha ajustada pode girar em direção aos outliers, e os diagnósticos baseados nos resíduos podem revelar caudas pesadas ou dispersão de erro não constante.

3. Linearidade vs não linearidade

• Condição aproximadamente linear: a linha de melhor ajuste captura a maior parte do padrão sistemático.
• Condição não linear: a relação verdadeira se curva ou tem limiares. A regressão pode reduzir o erro em média, mas os resíduos podem permanecer sistematicamente padronizados, indicando que uma única linha é uma descrição ruim.

Premissa importante: esses exemplos são sobre interpretação e comportamento de ajuste, não sobre prever valores futuros. Relações históricas não garantem resultados futuros.

Limitações e riscos

Pelo menos um modo de falha material é a incompatibilidade de premissas:

• Não estacionariedade: se a relação estatística muda, os parâmetros ajustados podem se tornar dependentes do tempo. O mesmo procedimento de regressão produz estimativas de parâmetros diferentes entre janelas.
• Heterocedasticidade: se a variância do erro muda ao longo do tempo, o ajuste por erro quadrado ainda produz uma linha, mas comparações e estimativas de incerteza podem se tornar enganosas.
• Multicolinearidade (ao usar múltiplos preditores): preditores que se movem juntos podem tornar os coeficientes ajustados instáveis—pequenas mudanças nos dados podem causar grandes oscilações nos coeficientes.
• Sobreajuste a uma amostra limitada: com muitas variáveis ou janelas curtas, o modelo pode ajustar o ruído, fazendo os diagnósticos no período de treinamento parecerem melhores do que o esperado.

Risco de verificação: mesmo que uma regressão se ajuste historicamente, custos e fricções de execução podem afetar o que é realmente alcançável. Essas fricções não são automaticamente capturadas por um ajuste estatístico apenas aos preços. Além disso, os resultados dependem do que você escolhe como preditor(es) e resultado (suas definições de variáveis), o que pode alterar materialmente o resultado da regressão.

Como os mercados são incertos, você deve tratar a saída da regressão como uma descrição empírica de um conjunto de dados e janela de tempo específicos, não como uma regra robusta e garantida.

Verificação ou próxima pergunta

Para verificar de forma independente se a regressão linear “se comporta de forma diferente” sob suas condições, concentre-se nas propriedades observáveis do ajuste:

• Compare parâmetros ajustados e padrões de resíduos em múltiplas janelas de tempo.
• Verifique se os resíduos parecem aleatórios em vez de estruturados.
• Avalie se a variabilidade do erro parece estável ou em mudança.
• Reestime após ajustar as definições das variáveis para testar a sensibilidade.