Cross-asset market transmission and spillovers — Interpretação do relatório

Visão geral

A Morgan Stanley estende seu framework de machine learning QAML da seleção de ações à transmissão de mercado entre ativos. Ela conclui que os estados de mercado entre ativos podem ajudar a distinguir resultados subsequentes ajustados ao risco mais fortes dos mais fracos, e que um sinal combinado multihorizonte fornece a implementação de carteira mais robusta.

Visões principais

O relatório pergunta se o estado atual de um mercado contém informação útil sobre o que acontecerá em seguida em outro, em vez de apenas verificar se os mercados se movem juntos. Ele aplica um modelo AdaBoost separadamente a cada ativo-alvo, permitindo que o mercado de origem relevante, o limiar e a direção sejam diferentes conforme o ativo-alvo e o horizonte de previsão. O universo abrange 116 ativos em ações, renda fixa, taxas curtas, forwards de FX, commodities e crédito, usando 221 sinais de 13 mercados de origem líquidos. As variáveis incluem retornos ajustados ao risco de 1, 3, 6 e 12 meses, indicadores de momentum e tendência, posição de preço em relação a faixas históricas, comportamento de cauda e medidas de regime de volatilidade. Para cada ativo-alvo, a Morgan Stanley treina modelos separados para índices de Sharpe realizados futuros de 1, 3, 6 e 12 meses. Os resultados são classificados como mais fortes ou mais fracos em relação à mediana expansiva de Sharpe futuro de cada ativo. O modelo usa janelas expansivas de séries temporais, começa somente após 60 observações mensais elegíveis e adiciona observações apenas quando seus resultados futuros já se realizaram integralmente. Ele calibra cada pontuação do modelo fora da amostra para um Sharpe futuro esperado relativo ao Sharpe esperado de longo prazo do próprio ativo, de modo que o sinal final indica se o ambiente atual entre ativos parece historicamente melhor ou pior que o normal para aquele ativo específico. O backtest indica desempenho persistente em todos os quatro horizontes. De fevereiro de 2013 a julho de 2026, o sinal long/short Average de 1/3/6/12 meses com pesos iguais gerou CAGR de 3.7%, volatilidade anualizada de 5.2%, razão CAGR/volatilidade líquida de custos de 0.71 e drawdown máximo de (8.6%). Seus índices de informação foram 0.81 contra um universo global com pesos iguais e 0.79 contra um universo de volatilidade inversa. O sinal de 1 mês foi o horizonte individual mais forte, com CAGR de 2.7%, volatilidade de 4.0% e razão de 0.68, enquanto os sinais de 3, 6 e 12 meses também permaneceram positivos. A Morgan Stanley interpreta o melhor resultado combinado como evidência de que a média dos horizontes capta transmissões em velocidades diferentes e reduz a dependência de uma única janela de previsão. Os autores testam se o resultado depende da especificação do modelo. A redução do conjunto de variáveis para 52 sinais de retorno ajustado à volatilidade reduziu a razão CAGR/volatilidade da estratégia combinada para 0.62, versus 0.71 no caso-base de 221 sinais, indicando que medidas técnicas de estado de mercado acrescentam informação além dos retornos isolados. Uma calibração alternativa com o conjunto completo de sinais, baseada diretamente no Sharpe futuro esperado condicional, produziu CAGR de 3.9% e razão CAGR/volatilidade de 0.75. A Morgan Stanley descreve essa calibração direta como uma especificação complementar e mais ampla de alocação entre ativos, enquanto o caso-base é mais tático por medir o Sharpe esperado em relação à norma de longo prazo de cada ativo. As carteiras comprada e vendida contribuíram positivamente no período completo, embora a carteira comprada tenha sido o maior e mais persistente motor de retorno, enquanto a carteira vendida agregou valor de forma mais episódica. A exposição e a contribuição de retorno diferiram materialmente: as taxas curtas dominaram o nocional bruto da carteira comprada após o ajuste por volatilidade, enquanto os forwards de FX dominaram a carteira vendida. Ainda assim, ações e forwards de FX foram os principais contribuintes de longo prazo para os retornos da estratégia, e as taxas curtas tiveram contribuição mais modesta apesar do grande peso nocional. Todas as seis classes de ativos-alvo contribuíram positivamente na amostra completa, com a liderança mudando ao longo do tempo. Um teste de carteira restrita impôs alocações fixas por classe de ativo antes de aplicar o mesmo dimensionamento por volatilidade. Isso reduziu a concentração natural em forwards de FX e taxas curtas e ampliou a representação de ações, renda fixa, commodities e crédito. Os resultados dos horizontes individuais enfraqueceram substancialmente sob a restrição, mas o sinal Average manteve desempenho líquido de custos positivo: CAGR de 3.4%, volatilidade de 5.1%, razão CAGR/volatilidade de 0.66 e índices de informação de 0.72 e 0.68 frente aos dois benchmarks globais. Os autores veem essa resiliência como apoio à especificação multihorizonte, porque a média reduz a sensibilidade tanto à velocidade de transmissão quanto à composição de classes de ativos pela qual os sinais são expressos. A análise de transmissão identifica commodities e renda fixa como as fontes de informação dominantes para a maioria das classes de ativos-alvo. Para ações, retornos ajustados à volatilidade de 6 e 12 meses mais altos do Brent estiveram historicamente associados a resultados subsequentes mais fracos, enquanto momentum mais forte de três meses do cobre esteve associado a resultados melhores. Para renda fixa, momentum de 12 meses mais alto do Brent esteve associado a resultados subsequentes mais fortes, enquanto momentum de seis meses mais forte do JPY esteve associado a resultados mais fracos. Para taxas curtas, a distância do Treasury americano de dois anos em relação à mínima de 252 dias esteve associada a resultados mais fortes, enquanto o S&P 500 mais próximo de sua máxima de 252 dias esteve associado a resultados mais fracos. Para forwards de FX, momentum mais forte do Brent esteve associado a resultados subsequentes mais fracos, enquanto sinais de posição de preço do ouro e do Nasdaq estiveram associados a resultados melhores. Para commodities e crédito, taxas de curto prazo, ações e sinais de commodities acrescentam informação além do momentum do próprio mercado. No crédito especificamente, momentum de 12 meses mais forte do Brent esteve associado a resultados subsequentes mais fracos, enquanto sinais mais fortes de posição de preço e faixa do Euro-Schatz estiveram associados a resultados melhores. A Morgan Stanley enfatiza que essas não são regras fixas de sentido único: o mesmo sinal de origem pode ter implicações diferentes, inclusive não lineares, para diferentes ativos-alvo. A conclusão central do relatório é, portanto, que os transbordamentos entre ativos formam uma rede dinâmica, específica por ativo-alvo e dependente do estado, e não uma hierarquia simples em que um mercado sempre lidera outro.

Estrutura de análise

A Morgan Stanley constrói classificadores AdaBoost específicos para cada ativo usando amostras históricas expansivas e estados de mercado baseados em percentis. Ela converte as saídas do modelo em expectativas economicamente interpretáveis de Sharpe futuro, classifica os ativos mensalmente, assume posições compradas nos 20% superiores e vendidas nos 20% inferiores, aplica dimensionamento por volatilidade inversa e uma defasagem de implementação de um dia útil, e avalia os resultados líquidos de premissas fixas de custos de transação, rolagem e margem. Em seguida, testa conjuntos alternativos de variáveis e calibrações, alocações restritas por classe de ativo, atribuição de retornos e importância dos sinais dos mercados de origem.

Notas metodológicas

• OutroOutro

  Classificação de machine learning AdaBoost com janelas expansivas de treinamento em séries temporais

  O modelo combina sequencialmente classificadores simples para identificar estados dos mercados de origem que historicamente distinguem resultados futuros ajustados ao risco mais fortes dos mais fracos para cada ativo-alvo.

• Teoria quantitativa, de fatores e de portfóliosÍndices de Sharpe e de informação

  Calibração por Sharpe realizado futuro e índices de informação relativos a benchmarks

  O relatório rotula os resultados usando Sharpe realizado futuro, calibra as pontuações do modelo para Sharpe esperado e avalia o desempenho da estratégia em relação a benchmarks globais com pesos iguais e de volatilidade inversa.

• Teoria quantitativa, de fatores e de portfóliosModelo multifatorial

  Conjunto multihorizonte de sinais entre ativos

  A estratégia combina previsões separadas de 1, 3, 6 e 12 meses para que informações transmitidas em velocidades diferentes possam contribuir para o sinal da carteira.

Dados principais

• Universo de ativos-alvo116 assets across six asset classesAções, renda fixa, taxas curtas, forwards de FX, commodities e crédito.
• Mercados de origem e sinais13 source markets; 221 candidate signalsOs sinais combinam retornos ajustados ao risco e medidas técnicas de estado de mercado.
• Desempenho do sinal Average3.7% CAGR; 5.2% annualised volatility; 0.71 CAGR/volatility; (8.6%) maximum drawdownFevereiro de 2013 a julho de 2026, líquido de custos de implementação.
• Índices de informação do sinal Average0.81 vs global equal-weighted universe; 0.79 vs global inverse-volatility universeMedida de desempenho relativo ao benchmark baseada em regressão.
• Calibração direta alternativa3.9% CAGR; 5.2% annualised volatility; 0.75 CAGR/volatilityUsa o conjunto completo de sinais e classifica diretamente pelo Sharpe futuro esperado condicional.
• Sinal Average restrito3.4% CAGR; 5.1% annualised volatility; 0.66 CAGR/volatilityMetas fixas por classe de ativo impostas antes do dimensionamento por volatilidade.

Impacto e implicações

As conclusões da Morgan Stanley apoiam o tratamento da informação entre ativos como específica por ativo-alvo e dependente do estado, em vez de depender de correlações amplas ou relações direcionais fixas. O relatório favorece a implementação combinada multihorizonte porque ela permaneceu positiva em especificações alternativas e sob uma estrutura de alocação por classe de ativo materialmente diferente.

Pontos a observar

• Se a importância dos sinais varia materialmente por geografia dentro de cada classe de ativo.
• Se os rankings de sinais permanecem estáveis sob esquemas alternativos de ponderação, incluindo abordagens baseadas em ranking.
• Se a análise de defasagens VAR capta informações complementares às relações não lineares de transbordamento do modelo.