QAML Asia stock-selection framework — Interpretação do relatório

Visão geral

A Morgan Stanley estende seu framework de seleção de ações Quant + Analyst + Machine Learning para a Ásia-Pacífico ex-Japão. A principal conclusão é que o ML é mais valioso como fonte diferenciada de informação e diversificação, e não como sleeve a ser maximizado; por isso, prefere a alocação Quantamental/ML de 75/25 e a mantém como referência estratégica.

Visões principais

O QAML combina três pilares de seleção de ações no universo MSCI AC Asia Pacific ex Japan IMI: Core Metrics, um conjunto equiponderado de sinais de Value, Quality, Momentum, Growth e Low Risk; o Dynamic Metric Pool informado por analistas; e um sleeve de ML AdaBoost que utiliza sinais fundamentais e mais de 100 indicadores técnicos. Os dois primeiros formam o subcomposto Quantamental. Os papéis são pontuados de forma relativa por setor, com posição comprada no quintil superior e vendida no quintil inferior, e a alavancagem do livro comprado é ajustada para tornar a carteira beta-neutral. Os sinais são medidos no fim do mês, as carteiras são rebalanceadas mensalmente e os resultados em USD são pre-cost. A tese principal é diversificar fontes de alpha que mudam ao longo do tempo, em vez de depender de um único sinal dominante. Na amostra completa desde 2002 até 31 July 2026, o CAGR de longo prazo do QAML foi 23.6%, acima de 21.0% do Dynamic Metric Pool, 20.1% do Core Metrics e 17.9% do ML isolado. O QAML também liderou os retornos absolutos em todos os horizontes reportados. A liderança ajustada ao risco entre os sleeves isolados alternou-se: o Dynamic Metric Pool liderou em cinco e três anos, o Core Metrics em 10 anos e o ML em um ano e YTD. A Morgan Stanley entende que o benefício do composto está na capitalização mais forte de inputs complementares, não na demonstração de que cada sleeve supera de forma consistente quando isolado. O ML fornece o componente mais diferenciado. Core Metrics e Dynamic Metric Pool tiveram correlação de retorno de 0.93, enquanto o ML teve correlação de apenas 0.33 com cada um. O QAML Composite apresentou suas maiores correlações de estilo com Quality, 0.35, e Momentum, 0.33, seguido por Value, 0.26; contudo, o relatório afirma que nenhum fator individual de estilo domina o perfil de retorno. Um exercício de neutralização de Barra Momentum reduziu retornos e CAGR/Vol, indicando que Momentum foi contribuição histórica relevante; ainda assim, os retornos permaneceram positivos após a neutralização. A Morgan Stanley trata isso como diagnóstico de sensibilidade, e não atribuição causal, porque exposições a fatores se sobrepõem e não permitem recriar uma carteira contrafactual sem exposição a Momentum. O modelo de ML usa AdaBoost para identificar sinais que distinguem futuros vencedores de perdedores em janelas móveis de 12 e 60 meses, regimes macroeconômicos e sazonalidade de calendário. Usa 50 rodadas de boosting e taxa de aprendizado de 1.0. Sinais fundamentais seguem importantes, mas a seleção recente de ML passou a enfatizar mais atividade de negociação e estrutura de mercado: Share Turnover 252d passou de fora dos 20 primeiros em 2002-2010 para frequência de seleção de 20.0% em 2011-2020 e 28.8% em 2021-2026. O relatório alerta que frequência de seleção é um diagnóstico descritivo das primeiras iterações de boosting, e não uma medida da contribuição final de um fator. A análise de drawdown motiva tratar o peso de ML como decisão de calibração de carteira. No drawdown de June-July 2022, as perdas foram disseminadas pelos pilares do QAML, embora o ML tenha caído mais; assim, reduzir somente ML teria oferecido proteção parcial. Em September-October 2024, as perdas ficaram muito mais concentradas em ML, tornando o composto mais sensível ao seu peso. Em relação ao QAML histórico 50/50, 75% Quantamental/25% ML elevou o CAGR/Vol de longo prazo de 3.27 para 3.33, reduziu o drawdown máximo da amostra completa de -21.8% para -19.6% e o drawdown máximo de 2024 de -16.5% para -11.4%. Eliminar inteiramente o ML reduziu ainda mais o drawdown de 2024 para -5.9%, mas reduziu o CAGR de 23.6% para 21.0% e o CAGR/Vol de 3.27 para 3.12. Portanto, a Morgan Stanley escolhe 75/25 como sua alocação estratégica preferida para APxJ, e não como peso universalmente ótimo. O Adaptive QAML preserva a arquitetura de seleção de ações, mas varia dinamicamente o risco de ML em torno da base 75/25. O ML Risk Score mensal pondera igualmente volatilidade relativa do ML, risco de drawdown do ML, correlação entre ML e Quantamental e estresse de fatores Momentum/Low Vol. Usando apenas informação disponível no fim do mês anterior e sua distribuição móvel de 10 anos, a alocação passa para 50/50 quando o risco está abaixo do percentil 10, permanece em 75/25 no 80% central e passa para 100/0 quando está no ou acima do percentil 90. De January 2012 a July 2026, passou 123 meses, ou 70.3% da amostra, na base 75/25; 21 meses em 50/50 e 31 meses em 100/0. O Adaptive QAML apresentou retornos amplamente semelhantes ao 75/25 estático, com menor volatilidade e drawdowns, mas sua proteção foi mais útil sob estresse concentrado em ML do que sob estresse amplo. Mesmo assim, a Morgan Stanley mantém o 75/25 estático como referência preferida, aguardando validação adicional. A implementação permanece sem solução. O turnover médio mensal de toda a carteira em 2012-2026 foi 44.7% para 50/50 estático, 36.5% para 75/25 estático, 33.8% sem ML e 37.5% para Adaptive QAML. O relatório diz que menor turnover não comprova investibilidade, pois os resultados excluem custos de transação, impostos, financiamento, empréstimo, liquidez e impacto de mercado. A inclusão de small caps amplia o conjunto de oportunidades do IMI, mas adiciona restrições de liquidez, capacidade e empréstimo. O universo APxJ padrão sem small caps continuou mostrando eficácia do QAML, mas o CAGR e CAGR/Vol de longo prazo caíram para 16.8% e 2.0, respectivamente, ante 23.6% e 3.3 no universo APxJ IMI.

Estrutura de análise

A Morgan Stanley constrói backtests long/short beta-neutrais e relativos por setor, compara cada pilar do QAML e o composto em horizontes longos e curtos, e então testa correlações, exposição de estilo, drawdowns e pesos alternativos de ML. Também examina a robustez dos parâmetros de ML, usa um escore histórico de risco para testar alocação adaptativa e aponta a necessidade de validar resultados pre-cost diante das fricções de negociação de APxJ.

Notas metodológicas

• Teoria quantitativa, de fatores e de portfóliosModelo multifatorial

  Seleção de ações Quantamental multifatorial

  Core Metrics calcula a média de sinais de Value, Quality, Momentum, Growth e Low Risk, enquanto o Dynamic Metric Pool adiciona métricas sugeridas por analistas sob controles de correlação e dispersão.

• Teoria quantitativa, de fatores e de portfóliosAnálise de fatores de estilo

  Diagnóstico de correlação e exposição de estilo Barra

  O relatório compara correlações dos componentes e sensibilidade a proxies de Quality, Value e Momentum para identificar quão diferenciadas são as fontes de retorno do QAML.

• OutroOutro

  Classificação de aprendizado de máquina AdaBoost

  O sleeve de ML seleciona sequencialmente sinais que distinguem futuros vencedores de perdedores e aumenta o peso de observações difíceis de classificar em rodadas anteriores.

• OutroOutro

  Orçamento adaptativo de risco de ML

  Um escore padronizado de volatilidade, drawdown, correlação e estresse de fatores do ML determina se a alocação de ML será elevada, mantida ou reduzida no próximo rebalanceamento mensal.

Mapeamento e comparação de ativos

Mapeamento estruturado da tese para ativos nomeados (pontos fortes, pontos fracos, pares e riscos).

• QAML Asia strategy

  Framework de seleção de ações long/short beta-neutral em APxJ que combina sleeves Quantamental e ML.

  Pontos fortes

  Perfil histórico de retorno absoluto mais forte em todos os horizontes reportados; ML acrescenta informação diferenciada.

  Pontos fracos

  O desempenho é pre-cost e a liderança ajustada ao risco alterna entre componentes.

  Comparação

  A alocação preferida 75/25 melhorou as métricas históricas de retorno-risco e drawdown versus a 50/50 original; sem ML reduz ainda mais o drawdown, mas sacrifica retorno e diversificação.

  Riscos

  Drawdowns específicos de ML, estresse amplo de fatores, turnover, liquidez, empréstimo, financiamento, impacto de mercado e restrições de capacidade.

Dados principais

• CAGR de longo prazo do QAML Composite23.6%Backtest APxJ IMI pre-cost desde 2002 até 31 July 2026; acima de todos os sleeves isolados.
• CAGR/Vol de longo prazo do QAML Composite3.27Especificação original de 50% Quantamental / 50% ML.
• CAGR/Vol da alocação preferida 75/253.33Em comparação com 3.27 para o QAML original 50/50.
• Drawdown máximo da amostra completa-19.6%Alocação preferida 75/25, ante -21.8% para 50/50.
• Drawdown máximo de 2024-11.4%Alocação preferida 75/25, ante -16.5% para 50/50.
• Correlação do ML com cada pilar Quantamental0.33Em comparação com a correlação de 0.93 entre Core Metrics e Dynamic Metric Pool.
• Turnover médio mensal36.5%75/25 estático em 2012-2026, ante 44.7% para 50/50 e 37.5% para Adaptive QAML.

Impacto e implicações

O relatório argumenta que ML deve ser avaliado por sua contribuição incremental de informação e diversificação, e não apenas pelo retorno isolado. Para APxJ, a Morgan Stanley prefere um orçamento estratégico de risco de ML inferior ao desenho original 50/50; o Adaptive QAML pode melhorar ainda mais a eficiência de risco quando o estresse específico de ML se eleva, mas requer validação post-cost e de robustez.

Riscos

• Todos os resultados históricos são pre-cost e podem não se manter sob premissas de custos de negociação, impostos, financiamento, empréstimo e impacto de mercado em APxJ.
• A inclusão de small caps pode elevar restrições de liquidez, capacidade, impacto de mercado e empréstimo.
• Adaptive QAML não é um hedge universal para drawdowns; oferece proteção mais limitada quando o estresse é amplo em todos os pilares.
• Exposições a país, moeda, setor e fatores continuam sendo diagnósticos relevantes na implementação regional long/short.
• A capacidade não pode ser inferida do backtest atual e requer análise de liquidez e impacto de mercado no nível do título.

Pontos a observar

• Testes post-cost das especificações 50/50, 75/25 preferida e Adaptive QAML com premissas de custos de transação, impostos, financiamento, empréstimo e impacto de mercado de APxJ.
• Robustez walk-forward do Adaptive QAML em janelas de análise, limiares de estado e frequência de mudança.
• Se alternativas transparentes de taxas e curva de juros específicas de APxJ melhoram os proxies atuais de taxas dos EUA.
• O trade-off econômico entre a redução de risco do Adaptive QAML e seu turnover incremental.
• A extensão do QAML e da calibração de risco de ML de APxJ para Emerging Markets.