Definição e Otimização de Estratégias de Investimento no Mercado Acionista baseadas em Indicadores Fundamentais

Abstract

Este trabalho analisa o sucesso de estratégias de investimento baseadas em indicadores globais, nos principais mercados acionistas europeus entre 1992 e 2016, e testa diferentes metodologias assentes em técnicas lineares e não-lineares (técnicas de machine learning) com o objetivo de potenciar os resultados das estratégias de investimento. Tendo como principal referência o artigo de Piotroski (2000), foi adotada a estratégia F_score, capaz de proporcionar avultados retornos no mercado acionista NorteAmericano entre 1976 e 1996, e definiu-se uma nova estratégia, assente num novo indicador, ao qual denominamos de N_score, que incorpora além das variáveis fundamentais do F_score os fatores book-to-market (BM) e dimensão. Estas duas estratégias de investimento baseadas no F_score de Piotroski (2000) e no N_score revelam grande capacidade em identificar vencedores e perdedores patentes nos elevados retornos que garantem, ainda que os mesmos dependam em grande parte da exequibilidade das posições curtas sobre as empresas de baixo score. Constatamos que a estratégia F_score quer aplicada a empresas de valor quer aplicada a todas as empresas proporciona retornos médios superiores a 20% ao ano, o que demonstra que o sucesso desta estratégia não é restrito ao elevado contexto BM, nem circunstancial ao espaço (noutros mercados que não o Norte-Americano) e ao tempo (diferente período amostral). Por último, os resultados sugerem que a incorporação dos fatores BM e dimensão não contribuem para aumentar a capacidade preditiva do F_score, na medida em que a estratégia N_score possibilita, em média, retornos anuais inferiores à estratégia F_score, quer com a compra quer com a venda a descoberto. Do processo de otimização das estratégias F_score e N_score mostramos que o método (OLP_rt), em que se ponderam as variáveis dummy de modo a maximizar a rentabilidade do portefólio de elevado score, possibilita um acréscimo de aproximadamente 1,5% anualmente e um maior rácio de Sharpe. Contudo, concluímos que a metodologia simples e linear, inerente às estratégias de investimento adotadas (F_score e N_score), revela uma elevada eficiência dada a dificuldade em potenciar os retornos conseguidos com a compra de ações com elevado score.

This paper analyses the success of investment strategies based on global indicators in the main European stock markets between 1992 and 2016, and tests different methodologies based on linear and non-linear techniques (machine learning techniques) in order to outperform the investment strategies. The F_score strategy, from Piotroski (2000), which was able to provide large returns in the North American stock market between 1976 and 1996, was adopted as the main reference, and a new strategy was established, based on a new indicator, the N_score, which incorporates in addition to the fundamental variables of F_score the book-tomarket (BM) and size factors. These two investment strategies based on Piotroski's (2000) F_score and N_score show great ability to identify winners and losers on the high returns they guarantee, even if they depend to a large extent on the feasibility of short positions on low score companies. We find that the F_score strategy applied to value companies as well as to all companies provides average returns of more than 20% per year, which demonstrates that the success of this strategy is not restricted to the high BM context, or circumstantial to space (in other markets than North American) and time (different sample period). Finally, the results suggest that the incorporation of BM and size factors do not contribute to increase the predictive capacity of F_score, since the N_score strategy allows, on average, annual returns lower than the F_score strategy, either with the purchase or with the short sale. From the optimization process of the F_score and N_score strategies we show that the method (OLP_rt), in which the dummy variables are weighted in order to maximize the profitability of the high score portfolio, allows an increase of approximately 1.5% annually and a higher Sharpe ratio. However, we conclude that the simple and linear methodology, inherent to the investment strategies adopted (F_score and N_score), reveals a high efficiency given the difficulty in boosting the returns obtained with the purchase of high score stocks.