O recente prejuízo da Berkshire Hathaway fica mais evidente nesta figura, do NYTimes. Vejam que o resultado da empresa é cada vez mais instável no tempo.
06 maio 2020
Um gráfico
O recente prejuízo da Berkshire Hathaway fica mais evidente nesta figura, do NYTimes. Vejam que o resultado da empresa é cada vez mais instável no tempo.
Humildade
Humildade epistêmica - conhecendo seus limites em uma pandemia
Por Erik Angner
13 de abril de 2020
"Ignorância", escreveu Charles Darwin em 1871, "gera mais confiança do que conhecimento".
Vale a pena ter em mente o insight de Darwin ao lidar com a atual crise de coronavírus. Isso inclui nos, que somos cientistas comportamentais. O excesso de confiança - e a falta de humildade epistêmica de maneira mais ampla - podem causar danos reais.
No meio de uma pandemia, o conhecimento é escasso. Não sabemos quantas pessoas estão infectadas ou quantas serão. Temos muito a aprender sobre como tratar as pessoas doentes - e como ajudar a prevenir a infecção naquelas que não estão. Há um desacordo razoável sobre as melhores políticas a serem adotadas, seja sobre assistência médica, economia ou distribuição de suprimentos. Embora os cientistas do mundo todo estejam trabalhando duro e em conjunto para resolver essas questões, as respostas finais estão a alguns passos de distância.
Outra coisa que é escassa é a percepção de quão pouco sabemos. Mesmo uma rápida olhada na mídia social ou tradicional revelará muitas pessoas que se expressam com muito mais confiança do que deveriam. O estudioso jurídico Richard A. Epstein, da Hoover Institution, afirma incorretamente ter experiência em epidemiologia. Suas previsões foram provadas falsas dentro de uma semana. O genro do presidente Jared Kushner, que supostamente está dirigindo a resposta da Casa Branca, não possui nenhum conhecimento ou treinamento relevante para o domínio - mas não deixa que esse fato o impeça de contradizer e anular as autoridades de saúde dos EUA. Peter Navarro, Consultor comercial da Casa Branca, acredita que seu treinamento em ciências sociais lhe deu todas as ferramentas necessárias para avaliar a ciência médica.
Exemplos menos espetaculares de excesso de confiança são abundantes. Muitos comentaristas falam como se soubessem qual é a melhor abordagem política diante do coronavírus. Ninguém ainda está em posição de saber. Isso não quer dizer que devemos adiar a tomada de decisões até conhecermos todos os fatos: as decisões geralmente precisam ser tomadas com informações imperfeitas. É dizer que não teremos conhecimento sobre o que aconteceu e o que funcionou até o término do surto e medidas temporárias levantadas.
Expressões frequentes de suprema confiança podem parecer estranhas à luz de nossa óbvia e inevitável ignorância sobre uma nova ameaça. A questão do excesso de confiança, no entanto, é que ela afeta a maioria de nós a maior parte do tempo.
Expressões frequentes de suprema confiança podem parecer estranhas à luz de nossa óbvia e inevitável ignorância sobre uma nova ameaça. A questão do excesso de confiança, no entanto, é que ela afeta a maioria de nós a maior parte do tempo. Segundo os psicólogos cognitivos, que estudam o fenômeno sistematicamente há meio século, o excesso de confiança tem sido chamado de "mãe de todos os preconceitos psicológicos". A pesquisa levou a descobertas que são ao mesmo tempo hilariantes e deprimentes. Em um estudo clássico, por exemplo, 93% dos motoristas norte-americanos afirmaram ser mais hábeis do que a mediana - o que não é possível.
"Mas certamente", você pode objetar, "o excesso de confiança é apenas para amadores - os especialistas não se comportariam assim." Infelizmente, ser um especialista em algum domínio não protege contra o excesso de confiança . Algumas pesquisas sugerem que os mais instruídos são mais propensos ao excesso de confiança. Em um famoso estudo de psicólogos clínicos e estudantes de psicologia, os pesquisadores fizeram uma série de perguntas sobre uma pessoa real descrita na literatura psicológica. À medida que os participantes recebiam mais e mais informações sobre o caso, sua confiança em seus julgamentos aumentava - mas a qualidade de seus julgamentos não. E psicólogos com doutorado não tiveram desempenho melhor do que os alunos.
Ser um verdadeiro especialista envolve não apenas conhecer coisas sobre o mundo, mas também conhecer os limites de seu conhecimento e experiência.
Ser um verdadeiro especialista envolve não apenas conhecer coisas sobre o mundo, mas também conhecer os limites de seu conhecimento e experiência. Requer, como dizem os psicólogos, habilidades cognitivas e metacognitivas. A questão não é que os verdadeiros especialistas ocultem suas crenças ou que nunca falem com convicção. Algumas crenças são mais bem sustentadas pelas evidências do que outras, afinal, e não devemos hesitar em dizê-lo. O ponto é que os verdadeiros especialistas se expressam com o grau adequado de confiança - ou seja, com um grau de confiança justificado, dada a evidência.
Compare a arrogância de Epstein, Kushner e Navarro com o estatístico médico Robert Grant, que twittou : “Estudei essas coisas na universidade, fiz análise de dados por décadas, escrevi várias diretrizes do NHS (incluindo uma para uma doença infecciosa) e as ensinei a profissionais de saúde. É por isso que você não me vê fazendo previsões sobre o coronavírus.
O conceito de humildade epistêmica é útil para descrever a diferença entre esses dois tipos de caráter. A humildade epistêmica é uma virtude intelectual. Está fundamentado na percepção de que nosso conhecimento é sempre provisório e incompleto - e que pode exigir revisão à luz de novas evidências. Grant aprecia a extensão de nossa ignorância nessas condições difíceis; os outros personagens não. A falta de humildade epistêmica é um vício - e pode causar danos maciços tanto em nossas vidas particulares quanto nas políticas públicas.
Calibrar sua confiança pode ser complicado. Como Justin Kruger e David Dunning enfatizaram , nossas habilidades cognitivas e metacognitivas estão interligadas. As pessoas que não possuem as habilidades cognitivas necessárias para executar uma tarefa geralmente também não possuem as habilidades metacognitivas necessárias para avaliar seu desempenho. Pessoas incompetentes estão em dupla desvantagem, uma vez que não são apenas incompetentes, mas provavelmente desconhecem isso. Isso tem implicações imediatas para epidemiologistas amadores. Se você não possui o conjunto de habilidades necessárias para fazer a modelagem epidemiológica avançada, deve presumir que não pode diferenciar bons modelos de maus.
A humildade epistêmica é uma virtude intelectual. Está fundamentado na percepção de que nosso conhecimento é sempre provisório e incompleto - e que pode exigir revisão à luz de novas evidências.
Nunca houve um momento melhor para praticar a virtude da humildade epistêmica. Isso é particularmente verdade para aqueles de nós com algum tipo de conhecimento - talvez como cientistas comportamentais - e que desejam se tornar relevantes e úteis. Nosso conhecimento e experiência são necessários para lidar com os desafios futuros. Mas não estamos fazendo um favor a ninguém quando pretendemos saber mais do que realmente sabemos.
E nunca foi tão importante aprender a separar o joio do trigo - os especialistas que oferecem informações de boa procedência dos charlatães que oferecem pouco, mas desorientação. Estes últimos são tristemente comuns, em parte porque estão em maior demanda na TV e na política. Pode ser difícil dizer quem é quem. Mas prestar atenção à sua confiança oferece uma pista. Pessoas que se expressam com extrema confiança sem ter acesso a informações relevantes e a experiência e o treinamento necessários para processá-las podem ser classificadas com segurança entre os charlatães até novo aviso.
Pessoas que se expressam com extrema confiança sem ter acesso a informações relevantes e a experiência e o treinamento necessários para processá-las podem ser classificadas com segurança entre os charlatães até novo aviso.
Se o conhecimento não protege contra o excesso de confiança, o que faz? De fato, a pesquisa sugere uma coisa simples que todos podem fazer. É para considerar as razões pelas quais você pode estar errado. Se você deseja reduzir o excesso de confiança em si mesmo ou em outras pessoas, basta perguntar: Quais são as razões para pensar que essa afirmação pode estar errada? Sob que condições isso estaria errado? Tais questões são difíceis, porque estamos muito mais acostumados a procurar por razões pelas quais estamos certos . Mas pensar nas maneiras pelas quais podemos falhar ajuda a reduzir o excesso de confiança e promove a humildade epistêmica.
Novamente, é bom e bom ter opiniões e expressá-las em público - mesmo com grande convicção. A questão é que os verdadeiros especialistas, diferentemente dos charlatães, se expressam de uma maneira que reflete suas limitações. Todos nós que queremos ser levados a sério fariam bem em demonstrar a virtude da humildade epistêmica.
Erik Angner
Colunista Fundador
Erik Angner é professor de filosofia prática na Universidade de Estocolmo. Ele estuda história da economia e filosofia da ciência, com formação em economia neoclássica e comportamental. Ele é autor de Um curso de economia comportamental (3ª edição).
Leitura e Recursos Adicionais
Angner, E. (2006). “Economists as Experts: Overconfidence in Theory and Practice.” Journal of Economic Methodology, 13(1), 1–24.
Lichtenstein, S., & Fischhoff, B. (1980). Reasons for confidence. Journal of Experimental Psychology: Human Learning and Memory, 6(2), 107-118.
Moore, D. (2020). Perfectly Confident: How to Calibrate Your Decisions Wisely. New York, NY: HarperCollins.
Porter, T. (2018). The Benefits of Admitting When You Don’t Know. Behavioral Scientist.
Por Erik Angner
13 de abril de 2020
"Ignorância", escreveu Charles Darwin em 1871, "gera mais confiança do que conhecimento".
Vale a pena ter em mente o insight de Darwin ao lidar com a atual crise de coronavírus. Isso inclui nos, que somos cientistas comportamentais. O excesso de confiança - e a falta de humildade epistêmica de maneira mais ampla - podem causar danos reais.
No meio de uma pandemia, o conhecimento é escasso. Não sabemos quantas pessoas estão infectadas ou quantas serão. Temos muito a aprender sobre como tratar as pessoas doentes - e como ajudar a prevenir a infecção naquelas que não estão. Há um desacordo razoável sobre as melhores políticas a serem adotadas, seja sobre assistência médica, economia ou distribuição de suprimentos. Embora os cientistas do mundo todo estejam trabalhando duro e em conjunto para resolver essas questões, as respostas finais estão a alguns passos de distância.
Outra coisa que é escassa é a percepção de quão pouco sabemos. Mesmo uma rápida olhada na mídia social ou tradicional revelará muitas pessoas que se expressam com muito mais confiança do que deveriam. O estudioso jurídico Richard A. Epstein, da Hoover Institution, afirma incorretamente ter experiência em epidemiologia. Suas previsões foram provadas falsas dentro de uma semana. O genro do presidente Jared Kushner, que supostamente está dirigindo a resposta da Casa Branca, não possui nenhum conhecimento ou treinamento relevante para o domínio - mas não deixa que esse fato o impeça de contradizer e anular as autoridades de saúde dos EUA. Peter Navarro, Consultor comercial da Casa Branca, acredita que seu treinamento em ciências sociais lhe deu todas as ferramentas necessárias para avaliar a ciência médica.
Exemplos menos espetaculares de excesso de confiança são abundantes. Muitos comentaristas falam como se soubessem qual é a melhor abordagem política diante do coronavírus. Ninguém ainda está em posição de saber. Isso não quer dizer que devemos adiar a tomada de decisões até conhecermos todos os fatos: as decisões geralmente precisam ser tomadas com informações imperfeitas. É dizer que não teremos conhecimento sobre o que aconteceu e o que funcionou até o término do surto e medidas temporárias levantadas.
Expressões frequentes de suprema confiança podem parecer estranhas à luz de nossa óbvia e inevitável ignorância sobre uma nova ameaça. A questão do excesso de confiança, no entanto, é que ela afeta a maioria de nós a maior parte do tempo.
Expressões frequentes de suprema confiança podem parecer estranhas à luz de nossa óbvia e inevitável ignorância sobre uma nova ameaça. A questão do excesso de confiança, no entanto, é que ela afeta a maioria de nós a maior parte do tempo. Segundo os psicólogos cognitivos, que estudam o fenômeno sistematicamente há meio século, o excesso de confiança tem sido chamado de "mãe de todos os preconceitos psicológicos". A pesquisa levou a descobertas que são ao mesmo tempo hilariantes e deprimentes. Em um estudo clássico, por exemplo, 93% dos motoristas norte-americanos afirmaram ser mais hábeis do que a mediana - o que não é possível.
"Mas certamente", você pode objetar, "o excesso de confiança é apenas para amadores - os especialistas não se comportariam assim." Infelizmente, ser um especialista em algum domínio não protege contra o excesso de confiança . Algumas pesquisas sugerem que os mais instruídos são mais propensos ao excesso de confiança. Em um famoso estudo de psicólogos clínicos e estudantes de psicologia, os pesquisadores fizeram uma série de perguntas sobre uma pessoa real descrita na literatura psicológica. À medida que os participantes recebiam mais e mais informações sobre o caso, sua confiança em seus julgamentos aumentava - mas a qualidade de seus julgamentos não. E psicólogos com doutorado não tiveram desempenho melhor do que os alunos.
Ser um verdadeiro especialista envolve não apenas conhecer coisas sobre o mundo, mas também conhecer os limites de seu conhecimento e experiência.
Ser um verdadeiro especialista envolve não apenas conhecer coisas sobre o mundo, mas também conhecer os limites de seu conhecimento e experiência. Requer, como dizem os psicólogos, habilidades cognitivas e metacognitivas. A questão não é que os verdadeiros especialistas ocultem suas crenças ou que nunca falem com convicção. Algumas crenças são mais bem sustentadas pelas evidências do que outras, afinal, e não devemos hesitar em dizê-lo. O ponto é que os verdadeiros especialistas se expressam com o grau adequado de confiança - ou seja, com um grau de confiança justificado, dada a evidência.
Compare a arrogância de Epstein, Kushner e Navarro com o estatístico médico Robert Grant, que twittou : “Estudei essas coisas na universidade, fiz análise de dados por décadas, escrevi várias diretrizes do NHS (incluindo uma para uma doença infecciosa) e as ensinei a profissionais de saúde. É por isso que você não me vê fazendo previsões sobre o coronavírus.
O conceito de humildade epistêmica é útil para descrever a diferença entre esses dois tipos de caráter. A humildade epistêmica é uma virtude intelectual. Está fundamentado na percepção de que nosso conhecimento é sempre provisório e incompleto - e que pode exigir revisão à luz de novas evidências. Grant aprecia a extensão de nossa ignorância nessas condições difíceis; os outros personagens não. A falta de humildade epistêmica é um vício - e pode causar danos maciços tanto em nossas vidas particulares quanto nas políticas públicas.
Calibrar sua confiança pode ser complicado. Como Justin Kruger e David Dunning enfatizaram , nossas habilidades cognitivas e metacognitivas estão interligadas. As pessoas que não possuem as habilidades cognitivas necessárias para executar uma tarefa geralmente também não possuem as habilidades metacognitivas necessárias para avaliar seu desempenho. Pessoas incompetentes estão em dupla desvantagem, uma vez que não são apenas incompetentes, mas provavelmente desconhecem isso. Isso tem implicações imediatas para epidemiologistas amadores. Se você não possui o conjunto de habilidades necessárias para fazer a modelagem epidemiológica avançada, deve presumir que não pode diferenciar bons modelos de maus.
A humildade epistêmica é uma virtude intelectual. Está fundamentado na percepção de que nosso conhecimento é sempre provisório e incompleto - e que pode exigir revisão à luz de novas evidências.
Nunca houve um momento melhor para praticar a virtude da humildade epistêmica. Isso é particularmente verdade para aqueles de nós com algum tipo de conhecimento - talvez como cientistas comportamentais - e que desejam se tornar relevantes e úteis. Nosso conhecimento e experiência são necessários para lidar com os desafios futuros. Mas não estamos fazendo um favor a ninguém quando pretendemos saber mais do que realmente sabemos.
E nunca foi tão importante aprender a separar o joio do trigo - os especialistas que oferecem informações de boa procedência dos charlatães que oferecem pouco, mas desorientação. Estes últimos são tristemente comuns, em parte porque estão em maior demanda na TV e na política. Pode ser difícil dizer quem é quem. Mas prestar atenção à sua confiança oferece uma pista. Pessoas que se expressam com extrema confiança sem ter acesso a informações relevantes e a experiência e o treinamento necessários para processá-las podem ser classificadas com segurança entre os charlatães até novo aviso.
Pessoas que se expressam com extrema confiança sem ter acesso a informações relevantes e a experiência e o treinamento necessários para processá-las podem ser classificadas com segurança entre os charlatães até novo aviso.
Se o conhecimento não protege contra o excesso de confiança, o que faz? De fato, a pesquisa sugere uma coisa simples que todos podem fazer. É para considerar as razões pelas quais você pode estar errado. Se você deseja reduzir o excesso de confiança em si mesmo ou em outras pessoas, basta perguntar: Quais são as razões para pensar que essa afirmação pode estar errada? Sob que condições isso estaria errado? Tais questões são difíceis, porque estamos muito mais acostumados a procurar por razões pelas quais estamos certos . Mas pensar nas maneiras pelas quais podemos falhar ajuda a reduzir o excesso de confiança e promove a humildade epistêmica.
Novamente, é bom e bom ter opiniões e expressá-las em público - mesmo com grande convicção. A questão é que os verdadeiros especialistas, diferentemente dos charlatães, se expressam de uma maneira que reflete suas limitações. Todos nós que queremos ser levados a sério fariam bem em demonstrar a virtude da humildade epistêmica.
Erik Angner
Colunista Fundador
Erik Angner é professor de filosofia prática na Universidade de Estocolmo. Ele estuda história da economia e filosofia da ciência, com formação em economia neoclássica e comportamental. Ele é autor de Um curso de economia comportamental (3ª edição).
Leitura e Recursos Adicionais
Angner, E. (2006). “Economists as Experts: Overconfidence in Theory and Practice.” Journal of Economic Methodology, 13(1), 1–24.
Lichtenstein, S., & Fischhoff, B. (1980). Reasons for confidence. Journal of Experimental Psychology: Human Learning and Memory, 6(2), 107-118.
Moore, D. (2020). Perfectly Confident: How to Calibrate Your Decisions Wisely. New York, NY: HarperCollins.
Porter, T. (2018). The Benefits of Admitting When You Don’t Know. Behavioral Scientist.
Universidades e Covid
John H. Cochrane, da Stanford, faz uma análise sobre as finanças das universidades dos Estados Unidos diante do Covid. Apesar de algumas das universidades contarem com orçamentos gigantescos, há um problema de caixa. A falta de alunos pagantes (muitos deles oriundos da China) e a rigidez nos gastos parece que trouxe prejuízos para Stanford, Berkeley, Harvard e outras. Alguns dos problemas listados por ele:
a) redução nas receitas oriundas dos alunos
b) corte no orçamento do governo estaduais, que possuem outras prioridades
c) as doações recebidas geralmente não são em dinheiro e o patrimônio tem sido gerenciado de forma a concentrar em ativos não líquidos. E algumas das doações possuem restrições (ou seja, não podem ser transformadas em dinheiro)
d) algumas instituições são razoavelmente alavancadas. Em períodos de bonança estas instituições captam com juros reduzidos, aplicam em títulos ilíquidos e produzem retornos contábeis (mas não financeiros) elevados. Em períodos de crise, o problema aparece, com reconhecimento das perdas. Cochrane lembra que em dezembro de 2008 Harvard tentou vender sua carteira de títulos e só não o fez por falta de compradores.
e) há um problema de gestão, que inclui investimentos ruins e com elevado risco. O fato de serem "sem fins lucrativos" piora a situação, já que o controle corporativo é fraco.
E no Brasil? As universidades públicas (federais e estaduais, especialmente) dependem do orçamento. O corte orçamentário é muito difícil; além disto, a maior despesa é pessoal, cujo gasto é, até certo modo, protegido. Sendo "gratuitas", não dependem da receita extra. Entretanto, algumas universidades conseguem uma boa fonte de recurso através do dinheiro privado, como valores cobrados dos cursos pagos ou convênios/contratos com empresas. Este dinheiro deve desaparecer.
As universidades sem fins lucrativos dependem da mensalidade. Isto pode ser um problema. Além disto, devem manter uma estrutura (sala de aula, equipamentos etc) e provavelmente sentirão problemas de liquidez.
Uma boa parcela das universidades com fins lucrativos já possuíam uma participação expressiva de ensino não presencial na receita. Isto pode ajudar a manter as finanças equilibradas. Mas a questão do custo ainda está em aberto.
a) redução nas receitas oriundas dos alunos
b) corte no orçamento do governo estaduais, que possuem outras prioridades
c) as doações recebidas geralmente não são em dinheiro e o patrimônio tem sido gerenciado de forma a concentrar em ativos não líquidos. E algumas das doações possuem restrições (ou seja, não podem ser transformadas em dinheiro)
d) algumas instituições são razoavelmente alavancadas. Em períodos de bonança estas instituições captam com juros reduzidos, aplicam em títulos ilíquidos e produzem retornos contábeis (mas não financeiros) elevados. Em períodos de crise, o problema aparece, com reconhecimento das perdas. Cochrane lembra que em dezembro de 2008 Harvard tentou vender sua carteira de títulos e só não o fez por falta de compradores.
e) há um problema de gestão, que inclui investimentos ruins e com elevado risco. O fato de serem "sem fins lucrativos" piora a situação, já que o controle corporativo é fraco.
E no Brasil? As universidades públicas (federais e estaduais, especialmente) dependem do orçamento. O corte orçamentário é muito difícil; além disto, a maior despesa é pessoal, cujo gasto é, até certo modo, protegido. Sendo "gratuitas", não dependem da receita extra. Entretanto, algumas universidades conseguem uma boa fonte de recurso através do dinheiro privado, como valores cobrados dos cursos pagos ou convênios/contratos com empresas. Este dinheiro deve desaparecer.
As universidades sem fins lucrativos dependem da mensalidade. Isto pode ser um problema. Além disto, devem manter uma estrutura (sala de aula, equipamentos etc) e provavelmente sentirão problemas de liquidez.
Uma boa parcela das universidades com fins lucrativos já possuíam uma participação expressiva de ensino não presencial na receita. Isto pode ajudar a manter as finanças equilibradas. Mas a questão do custo ainda está em aberto.
05 maio 2020
Estimação de matrizes de correlações via Machine Learning
Resumo:
Correlation matrices are ubiquitous in finance. Some key applications include portfolio construction, risk management, and factor/style analysis. Correlation matrices are usually estimated from historical empirical observations or derived from historically estimated factors. It is widely acknowledged that empirical correlation matrices: (a) have poor numerical properties that lead to unreliable estimators; and (b) have poor predictive power. Additionally, factor-based correlation matrices have their own caveats. In particular, estimated factors are typically non-hierarchical and do not allow for interactions at different levels. This contravenes the fact that financial instruments typically exhibit a nested cluster structure (e.g., MSCI’s GICS levels 1-4).
This paper introduces a machine learning (ML) algorithm to estimate forward-looking correlation matrices implied by economic theory. Given a particular theoretical representation of the hierarchical structure that governs a universe of securities, the method fits the correlation matrix that complies with that theoretical representation of the future. This particular use case demonstrates how, contrary to popular perception, ML solutions are not black-boxes, and can be applied effectively to develop and test economic theories.
Correlation matrices are ubiquitous in finance. Some key applications include portfolio construction, risk management, and factor/style analysis. Correlation matrices are usually estimated from historical empirical observations or derived from historically estimated factors. It is widely acknowledged that empirical correlation matrices: (a) have poor numerical properties that lead to unreliable estimators; and (b) have poor predictive power. Additionally, factor-based correlation matrices have their own caveats. In particular, estimated factors are typically non-hierarchical and do not allow for interactions at different levels. This contravenes the fact that financial instruments typically exhibit a nested cluster structure (e.g., MSCI’s GICS levels 1-4).
This paper introduces a machine learning (ML) algorithm to estimate forward-looking correlation matrices implied by economic theory. Given a particular theoretical representation of the hierarchical structure that governs a universe of securities, the method fits the correlation matrix that complies with that theoretical representation of the future. This particular use case demonstrates how, contrary to popular perception, ML solutions are not black-boxes, and can be applied effectively to develop and test economic theories.
Fonte: López de Prado, Marcos, Estimation of Theory-Implied Correlation Matrices (November 9, 2019). Available at SSRN: https://ssrn.com/abstract=3484152 or http://dx.doi.org/10.2139/ssrn.3484152
Assembleia digital
uma vez que não é preciso deslocar auditores e advogados para a sede da empresa e tampouco é necessária a locação de salas em casos de reuniões de maior quórum.
(Além de reduzir o gasto com o cafezinho e o lanchinho). O texto cita o aumento na participação. Obviamente isto é controverso, já que o caso citado é de cinco acionistas de uma empresa, que solicitaram a senha de acesso.
Já tínhamos feito o levantamento anteriormente neste blog. Mas discutimos também que a assembleia virtual corre o risco de ser menos democrática. Temos que concordar que este novo formato pode mudar a forma das assembleias no futuro. Mas não é bom exagerar nas vantagens com base em um caso somente. Pesquisa. Dados.
Arte e ciência na regra contábil - parte 2
A decisão fez o Bradesco reduzir o lucro e o retorno do patrimônio; já o Santander teve um aumento no resultado líquido.
Se a crise for dura como o Bradesco imagina,provavelmente o Santander terá de elevar suas provisões mais adiante. Se não for tão dramática assim, o banco da Cidade de Deus poderá desfazer suas reservas, mas o impacto no resultado deste trimestre está dado.
Arte e ciência na regra contábil dos Bancos
Eis o texto integral:
Banks baffle investors as art meets science in accounting rule
Lawrence White, Sinead Cruise
LONDON (Reuters) - Like the myriad approaches governments are taking to tackle the coronavirus crisis, the way the world’s top banks are calculating their potential losses also differs widely, with puzzling outcomes for investors.
These discrepancies are rooted in the interpretation of new accounting rules called IFRS9, which have been designed to promote transparency and stability by making banks account for loan losses earlier.
But rather than solving problems seen during the 2008-9 financial crisis, when markets were blindsided by a sudden deterioration in bank balance sheet health, IFRS9 is confounding the same investors they are meant to help.
While the rules aim to provide a more realistic and timely picture of bank exposures, some have described their application as more art than science. Critics go further; complaining the system is complex, opaque and vulnerable to abuse.
“It makes a mockery of financial reporting if banks can report better numbers simply by assuming a more benign outlook -either intentionally or unintentionally,” Ed Firth, banking analyst at KBW, told Reuters.
A Reuters analysis of first quarter regulatory filings highlights the extent to which banks are basing their estimates of how bad loans will rise on differing economic forecasts.
For example, Barclays (BARC.L) used an 8% fall in UK GDP and 6.7% unemployment as its baseline scenario for 2020, while fellow British lender Lloyds Banking Group (LLOY.L) had a 5% contraction in GDP and 5.9% unemployment.
Barclays booked a larger-than-expected 2.12 billion pound ($2.63 billion) credit impairment charge, while Lloyds set aside 1.4 billion pounds. Diverging economic forecasts don’t explain all of that variation, but they make it harder for investors to understand the banks’ models.
Lloyds’ Chief Executive Antonio Horta-Osorio said last week that while his bank’s 2020 forecast was comparatively less gloomy, its prediction for 3% growth in 2021 was more realistic.
“We are assuming a prudent recovery in the second year of 3% only, so our combined impact on the two years is a negative 2% GDP,” Horta-Osorio said.
Barclays, which expects a 6.3% bounce back in 2021, said its forecast “reflects the most recent economic forecasts available in the market combined with internal assumptions”.
Filippo Alloatti, Senior Credit Analyst, International at Federated Hermes said he was undecided on whether IFRS9 was a help or a hindrance to bank investors.
“We knew IFRS9 was untested in a recessionary environment. It gets complicated when banks are using a ‘scenario cocktail’ and not disclosing the relative weighting of each scenario,” he said.
PORTFOLIO RISKS
With banks not obliged to provide full details of their models in the first quarter and little clarity over when and how lockdown measures will be eased, much hinges on how management opts to “overlay” economist forecasts with their own numbers.
This allows them to factor in the impact of measures not within normal GDP models, including the length of lockdowns, furlough schemes to protect incomes and loan guarantees.
“IFRS 9 requires management to come up with their best estimates, and if the models won’t capture that you can use other techniques but it is not an exact science,” said Karim Haji, Head of Financial Services UK at KPMG.
Deutsche Bank (DBKGn.DE), which provisioned 500 million euros for likely credit losses, based its calculation on a 6.9% fall in euro zone GDP, while Italy’s UniCredit (CRDI.MI) made a 900 million euro provision based on a 13% GDP decline.
James von Moltke, finance chief for Germany’s biggest bank, said last week he shared analysts’ concerns about comparability of provisions and had discussed the issue with regulators.
But the new accounting standards and changes in methodology did not undermine the ability to assess whether each bank had made appropriate provisions, he told analysts.
“You’ve got to start with how you compare each bank on the basis of the portfolio risks that they have,” von Moltke said, pointing to Deutsche Bank’s far smaller unsecured lending book.
“It’s entirely natural that you’d expect significant differences in the total provision level that we would take relative to some of our peers,” he added.
UniCredit said its loan loss provision reflected in-house macroeconomic assumptions on the impact of the coronavirus adjusted for mitigating actions by the government and ECB. It declined to comment further on the use of a management overlay.
PART ART, PART SCIENCE
U.S. banks, which reported earlier in April, generally presented a more bearish, conservative picture of the fallout of the coronavirus pandemic, analysts said.
Bank of America (BAC.N), JPMorgan Chase & Co (JPM.N), Citigroup Inc (C.N) and Wells Fargo & Co (WFC.N) set aside an aggregate $14.2 billion in loan loss provisions.
That is partly because U.S. banks use an accounting standard which requires them to book expected losses for a loan over its lifespan whereas IFRS9, which is used in Europe, recognises different ‘stages’ of troubled loans.
Europe’s biggest lender by assets, HSBC (HSBA.L), shocked markets with its $7 billion to $11 billion provision estimate for 2020, while Asia-focused rival Standard Chartered (STAN.L) provisioned $956 million for the quarter.
Finance chief Ewen Stevenson said HSBC’s provisions were “part art, part science”, as bankers faced the impossible task of predicting in models how bad the pandemic slowdown will be.
“I wouldn’t try and say, ‘Look, here’s a GDP forecast, a GDP recovery profile; and that gets you to X,’ I think that’s too simplistic,” Stevenson added.
Bankers said IFRS9 can exacerbate crises by having a ‘pro-cyclical’ effect in which recognising losses earlier paints a darker picture, leading to a worsening of economic sentiment.
Regulators have tried to provide clarity on how banks should report early signs of coronavirus distress among borrowers, amid fears that IFRS9 could hurt markets if mishandled.
But some say this has added to the confusion.
“Regulators and the European Commission have gone to big lengths in demanding the banks are not too trigger-happy,” Alloatti said.
“The last thing they want is banks stopping refinancing the economy and impairing the transmission mechanism.”
Additional reporting by Iain Withers and Huw Jones in London; Tom Sims in Frankfurt and Valentina Za in Milan, Editing by Alexander Smith
04 maio 2020
Covid-19: 3 lições de Finanças
1ª Lição: Previsão é coisa do passado... Nowcasting é o futuro:
Tradicionalmente, as estratégias quantitativas se concentram na previsão de preços, com base em séries temporais de preços dinâmica ou com base em dados de seção transversal (por exemplo, fatores de investimento). Previsão fazia sentido no passado, quando os conjuntos de dados eram limitados, cobrindo principalmente séries de preços, e as divulgações eram pouco frequentes, geralmente demonstrações contábeis trimestrais. Hoje, temos acesso a uma ampla variedade de fontes de dados em tempo real que nos permitem “prever em tempo real”(nowcast) o valor de informações financeiras relevantes.
A diferença crítica entre a previsão tradicional e “previsão em tempo real”(nowcast) é que as previsões usam dados estruturados para faça previsões de longo alcance, enquanto as previsões instantâneas dependem de observações não estruturadas para fazer previsões de curta distância. Por exemplo, é possível prever a inflação com base em milhões de internautas preços on-line todos os dias, que são muito mais precisos do que as previsões econométricas. Da mesma forma, imagens de satélite de ocupação de estacionamento fornecem informações valiosas para varejistas.
A questão é que, dias antes do início do crash do COVID-19, havia muitos sinais de que o vírus estava atrapalhando cadeias de suprimentos críticas na China. Para alguns traders pode ter sido um Cisne Negro , mas para quem usa nowcasting foi um resultado previsível. Esqueçam bolas de cristal usem nowcasting.
2ª Desenvolva Teorias e deixe de lado regras de negociação:
No mundo cientifíco os testes desempenham um papel crucial para refutar hipóteses. No entanto, em finanças, os pesquisadores usam backtest para o objetivo oposto: encontrar uma estratégia de investimento. Veja o seguinte exemplo:
1. Um pesquisador faz um backtest de milhares de regras de negociação (por exemplo, o zoológico de fatores)
2. A regra de melhor desempenho é proposta como uma hipótese (por exemplo, comprar ações com baixo Preço/Lucro ).
3. O pesquisador publica sua hipótese e apresenta como evidência o mesmo backtest que
usou para encontrar a hipótese.
É comum que acadêmicos e profissionais realizem dezenas de milhares de backtests para
identificar uma estratégia de investimento promissora. O backtest com melhor desempenho é então relatado como sendo único e selecionado para publicação ou para o lançamento de um novo fundo. Como consequência deste viés de seleção, a maioria das descobertas publicadas em finanças é falsa, mesmo que não possamos saber exatamente qual delas. Esse fato explica facilmente por que muitos fundos não tiveram o desempenho esperado, incluindo, entre outros, muitos fundos quantitativos durante a crise do Covid-19.
É trivial produzir um backtest com uma alta taxa de Sharpe, testando milhares de especificações de modelos alternativos. Praticamente nenhum trabalho acadêmico relata o número de ensaios envolvidos em uma descoberta.
Antes de fazer o backtest é necessário uma teoria que exponha com precisão o mecanismo de causa e efeito, como na Teoria de Microestrutura de Mercado. O Backtest é útil apenas para avaliar o valor econômico de uma regra de negociação, assumindo que a teoria subjacente está correta, mas ele não pode provar uma teoria.
3º Evite estratégias para todas condições de mercado:
Acadêmicos e profissionais geralmente buscam estratégias de investimento com bom desempenho
em regimes de mercado diferentes. Essa pesquisa implica a suposição de que
existem tais estratégias. Mas por que seria esse o caso? Por que essa fonte de alfa existiria
continuamente, independentemente do mercado e das condições econômicas?
Dado que os mercados são adaptáveis e os investidores aprendem com os erros, a probabilidade de que exista uma estratégia para todos os regimes é bastante escassa ( apesar de ser um argumento frequentemente usado por gerentes de portfólio). E mesmo que existissem algoritmos para todas as condições de mercado, é provável que seja um subconjunto insignificante da população de algoritmos que funciona em um ou mais regimes.
Os gestores de ativos devem focar suas esforços na busca de investimentos estratégias que tenham um desempenho ótimo sob regimes de mercado específicos. Cada regime é caracterizado por um particular processo de geração de dados (PGD). É possível prever em tempo real ("nowcast") a probabilidade de que as atuais observações estão sendo extraídas de cada PGD , e usar essas probabilidades para criar um conjunto carteira de estratégias ótimas. Como essas probabilidades mudam de um PGD para o outro ao longo tempo, o portfólio é ajustado dinamicamente e se adapta as condições de mercado prevalentes.
Fonte: López de Prado, Marcos and Lipton, Alex, Three Quant Lessons from COVID-19 (Presentation Slides) (March 27, 2020). Available at SSRN: https://ssrn.com/abstract=3562025 or http://dx.doi.org/10.2139/ssrn.3562025
Tradicionalmente, as estratégias quantitativas se concentram na previsão de preços, com base em séries temporais de preços dinâmica ou com base em dados de seção transversal (por exemplo, fatores de investimento). Previsão fazia sentido no passado, quando os conjuntos de dados eram limitados, cobrindo principalmente séries de preços, e as divulgações eram pouco frequentes, geralmente demonstrações contábeis trimestrais. Hoje, temos acesso a uma ampla variedade de fontes de dados em tempo real que nos permitem “prever em tempo real”(nowcast) o valor de informações financeiras relevantes.
A diferença crítica entre a previsão tradicional e “previsão em tempo real”(nowcast) é que as previsões usam dados estruturados para faça previsões de longo alcance, enquanto as previsões instantâneas dependem de observações não estruturadas para fazer previsões de curta distância. Por exemplo, é possível prever a inflação com base em milhões de internautas preços on-line todos os dias, que são muito mais precisos do que as previsões econométricas. Da mesma forma, imagens de satélite de ocupação de estacionamento fornecem informações valiosas para varejistas.
A questão é que, dias antes do início do crash do COVID-19, havia muitos sinais de que o vírus estava atrapalhando cadeias de suprimentos críticas na China. Para alguns traders pode ter sido um Cisne Negro , mas para quem usa nowcasting foi um resultado previsível. Esqueçam bolas de cristal usem nowcasting.
2ª Desenvolva Teorias e deixe de lado regras de negociação:
No mundo cientifíco os testes desempenham um papel crucial para refutar hipóteses. No entanto, em finanças, os pesquisadores usam backtest para o objetivo oposto: encontrar uma estratégia de investimento. Veja o seguinte exemplo:
1. Um pesquisador faz um backtest de milhares de regras de negociação (por exemplo, o zoológico de fatores)
2. A regra de melhor desempenho é proposta como uma hipótese (por exemplo, comprar ações com baixo Preço/Lucro ).
3. O pesquisador publica sua hipótese e apresenta como evidência o mesmo backtest que
usou para encontrar a hipótese.
É comum que acadêmicos e profissionais realizem dezenas de milhares de backtests para
identificar uma estratégia de investimento promissora. O backtest com melhor desempenho é então relatado como sendo único e selecionado para publicação ou para o lançamento de um novo fundo. Como consequência deste viés de seleção, a maioria das descobertas publicadas em finanças é falsa, mesmo que não possamos saber exatamente qual delas. Esse fato explica facilmente por que muitos fundos não tiveram o desempenho esperado, incluindo, entre outros, muitos fundos quantitativos durante a crise do Covid-19.
É trivial produzir um backtest com uma alta taxa de Sharpe, testando milhares de especificações de modelos alternativos. Praticamente nenhum trabalho acadêmico relata o número de ensaios envolvidos em uma descoberta.
Antes de fazer o backtest é necessário uma teoria que exponha com precisão o mecanismo de causa e efeito, como na Teoria de Microestrutura de Mercado. O Backtest é útil apenas para avaliar o valor econômico de uma regra de negociação, assumindo que a teoria subjacente está correta, mas ele não pode provar uma teoria.
3º Evite estratégias para todas condições de mercado:
Acadêmicos e profissionais geralmente buscam estratégias de investimento com bom desempenho
em regimes de mercado diferentes. Essa pesquisa implica a suposição de que
existem tais estratégias. Mas por que seria esse o caso? Por que essa fonte de alfa existiria
continuamente, independentemente do mercado e das condições econômicas?
Dado que os mercados são adaptáveis e os investidores aprendem com os erros, a probabilidade de que exista uma estratégia para todos os regimes é bastante escassa ( apesar de ser um argumento frequentemente usado por gerentes de portfólio). E mesmo que existissem algoritmos para todas as condições de mercado, é provável que seja um subconjunto insignificante da população de algoritmos que funciona em um ou mais regimes.
Os gestores de ativos devem focar suas esforços na busca de investimentos estratégias que tenham um desempenho ótimo sob regimes de mercado específicos. Cada regime é caracterizado por um particular processo de geração de dados (PGD). É possível prever em tempo real ("nowcast") a probabilidade de que as atuais observações estão sendo extraídas de cada PGD , e usar essas probabilidades para criar um conjunto carteira de estratégias ótimas. Como essas probabilidades mudam de um PGD para o outro ao longo tempo, o portfólio é ajustado dinamicamente e se adapta as condições de mercado prevalentes.
Fonte: López de Prado, Marcos and Lipton, Alex, Three Quant Lessons from COVID-19 (Presentation Slides) (March 27, 2020). Available at SSRN: https://ssrn.com/abstract=3562025 or http://dx.doi.org/10.2139/ssrn.3562025
Assinar:
Postagens (Atom)
Postagens
