ETFFIN Finance >> Curso de Finanças Pessoais >  >> Futuros >> Negociação de Futuros

Teste de Hipótese para Decisões de Investimento: Guia Prático

Seu assessor propõe plano de renda mensal variável. Você só investe se tiver garantia de média de $180/mês. O assessor diz que nos últimos 300 meses o esquema teve retornos com média de $190 e desvio padrão de $75. Deve investir? O teste de hipótese auxilia essa decisão.

Principais Conclusões

  • Teste de hipótese é ferramenta matemática para confirmar alegação financeira ou de negócio.
  • Útil para investidores decidindo onde investir e se o instrumento trará retorno satisfatório.
  • Apesar de metodologias diferentes, os mesmos quatro passos são usados: definir hipótese, definir critérios, calcular estatística, concluir.
  • Este modelo, como a maioria das ferramentas estatísticas, tem limitações e está sujeito a erros, exigindo que investidores considerem outros modelos em conjunto.

O Que É Teste de Hipótese?

Teste de hipótese ou teste de significância é modelo matemático para testar alegação, ideia ou hipótese sobre parâmetro de interesse em população, usando dados medidos em amostra. Cálculos em amostras selecionadas fornecem informação mais decisiva sobre características de toda a população, permitindo forma sistemática de testar alegações sobre todo o conjunto de dados.

Exemplo simples: diretor relata que alunos tiram média 7 em 10 nas provas. Para testar essa "hipótese", registramos notas de 30 alunos (amostra) da população total de 300 e calculamos a média amostral. Comparamos a média amostral (calculada) à média populacional (reportada) e tentamos confirmar a hipótese.

Outro exemplo: retorno anual de fundo mútuo é 8%. Suponha que exista há 20 anos. Pegamos amostra aleatória de 5 anos de retornos anuais e calculamos sua média. Comparamos a média amostral à média populacional alegada para verificar a hipótese.

Este artigo assume familiaridade dos leitores com tabela de distribuição normal, fórmula, p-value e conceitos básicos de estatística.

Metodologias diferentes existem, mas os mesmos quatro passos básicos estão envolvidos:

Passo 1: Definir a Hipótese

Geralmente, o valor reportado (ou estatística da alegação) é enunciado como hipótese e presumido verdadeiro. Nos exemplos acima, a hipótese será:

  • Exemplo A: Alunos da escola tiram média 7 em 10 nas provas.
  • Exemplo B: Retorno anual do fundo mútuo é 8% ao ano.

Essa descrição constitui a Hipótese Nula (H0) e é assumida como verdadeira — como réu em júri presumido inocente até prova em contrário. Similarmente, teste de hipótese começa enunciando e assumindo "hipótese nula", e o processo determina se a assumção é provavelmente verdadeira ou falsa.

O ponto importante: testamos a hipótese nula porque há dúvida sobre sua validade. Informação contra a hipótese nula é capturada na Hipótese Alternativa (H1). Nos exemplos:

  • Alunos tiram média diferente de 7.
  • Retorno anual do fundo é diferente de 8% ao ano.

Em outras palavras, a hipótese alternativa contradiz diretamente a nula.

Como num julgamento, o júri assume inocência do réu (hipótese nula). O promotor deve provar o contrário (hipótese alternativa). Similarmente, o pesquisador deve provar que a hipótese nula é verdadeira ou falsa. Se promotor falha em provar alternativa, júri absolve (baseado na nula). Similarmente, se pesquisador falha em provar alternativa (ou não faz nada), a nula é assumida verdadeira.

Passo 2: Definir os Critérios

Critérios de decisão baseiam-se em parâmetros dos datasets — aqui entra a conexão com distribuição normal.

Segundo postulado padrão de estatística sobre distribuição amostral: "Para qualquer tamanho de amostra n, a distribuição amostral de X̅ é normal se a população X de onde a amostra foi retirada é normalmente distribuída." Logo, as probabilidades de todas as outras médias amostrais possíveis são normalmente distribuídas.

Exemplo: determinar se retorno médio diário de qualquer ação listada na bolsa XYZ, próximo ao Ano Novo, é maior que 2%.

H0: Hipótese Nula: média = 2%
H1: Hipótese Alternativa: média > 2% (o que queremos provar)

Pega-se amostra (ex: 50 ações de 500 total) e calcula-se a média amostral.

Para distribuição normal, 95% dos valores estão dentro de dois desvios padrão da média populacional. Essa distribuição normal e suposição do teorema do limite central para dataset amostral permite estabelecer 5% como nível de significância. Faz sentido pois, sob essa assumção, há menos de 5% de probabilidade (100-95) de obter outliers além de dois desvios padrão da média populacional. Dependendo da natureza dos dados, outros níveis podem ser 1%, 5% ou 10%. Para cálculos financeiros (incluindo finanças comportamentais), 5% é limite geralmente aceito. Se encontrarmos cálculos além dos dois desvios padrão usuais, temos forte caso de outliers para rejeitar a hipótese nula.

Graficamente, representa-se assim: [imagem omitida]

No exemplo acima, se média da amostra for muito maior que 2% (ex: 3,5%), rejeita-se a hipótese nula. A alternativa (média > 2%) é aceita, confirmando que retorno médio diário das ações está de fato acima de 2%.

Porém, se média amostral não for significativamente maior que 2% (permanece em, digamos, 2,2%), NÃO se pode rejeitar a hipótese nula. O desafio é decidir em casos limítrofes. Para concluir a partir de amostras e resultados, determina-se nível de significância que permite conclusão sobre a nula. A hipótese alternativa permite estabelecer nível de significância ou conceito de "valor crítico" para decidir em casos limítrofes.

Segundo definição padrão: "Valor crítico é ponto de corte que define fronteiras além das quais menos de 5% das médias amostrais podem ser obtidas se a hipótese nula for verdadeira. Médias amostrais além do valor crítico resultam em decisão de rejeitar a hipótese nula." No exemplo, se definirmos valor crítico como 2,1% e média calculada for 2,2%, rejeitamos a nula. Valor crítico estabelece demarcação clara de aceitação ou rejeição.

Passo 3: Calcular a Estatística

Este passo envolve calcular as figuras requeridas, conhecidas como estatísticas de teste (média, z-score, p-value, etc.), para a amostra selecionada.

Passo 4: Chegar a uma Conclusão

Com o(s) valor(es) calculado(s), decide-se sobre a hipótese nula. Se probabilidade de obter média amostral for menor que 5%, conclui-se por rejeitar a nula. Caso contrário, aceita e retém a nula.

Tipos de Erros

Quatro resultados possíveis em tomada de decisão baseada em amostra, quanto à aplicabilidade correta à população inteira:

Decisão de ManterDecisão de Rejeitar
Aplica-se à população inteiraCorretoIncorreto (Erro TIPO 1 - α)
Não se aplica à população inteiraIncorreto (Erro TIPO 2 - β)Correto

Casos "Corretos" são onde decisões sobre amostras são verdadeiramente aplicáveis à população inteira. Casos de erro surgem quando se decide manter (ou rejeitar) a nula baseada em cálculos amostrais, mas essa decisão não se aplica realmente à população inteira. Constituem Erro Tipo 1 (alfa) e Erro Tipo 2 (beta), conforme tabela.

Selecionar valor crítico correto permite eliminar erros tipo-1 alfa ou limitá-los a faixa aceitável. [imagem omitida]

Alfa denota erro no nível de significância e é determinado pelo pesquisador. Para manter nível padrão de 5% de significância ou confiança para cálculos de probabilidade, mantém-se em 5%.

Segundo benchmarks e definições aplicáveis:

  • "Este critério (alfa) usualmente é fixado em 0,05 (α = 0,05), e comparamos o nível alfa ao p-value. Quando probabilidade de Erro Tipo I é menor que 5% (p < 0,05), decidimos rejeitar a hipótese nula; caso contrário, retemos a nula."
  • O termo técnico para essa probabilidade é o p-value. Definido como "probabilidade de obter resultado amostral, dado que o valor enunciado na hipótese nula é verdadeiro. O p-value para obter resultado amostral é comparado ao nível de significância."
  • Erro Tipo II, ou erro beta, é definido como probabilidade de incorretamente reter a hipótese nula, quando na verdade não se aplica à população inteira.

Exemplo 1

Esquema de renda mensal promete retornos variáveis. Investidor só investe se assegurado de média $180/mês. Tem amostra de 300 meses com média $190 e desvio padrão $75. Deve investir?

Vamos montar o problema. Investidor investe se assegurado do desejado $180 de retorno médio.

H0: Hipótese Nula: média = 180
H1: Hipótese Alternativa: média > 180

Método 1: Abordagem do Valor Crítico

Identifica valor crítico XL para média amostral, grande o bastante para rejeitar nula — ou seja, rejeita nula se média amostral ≥ valor crítico XL.

P (identificar Erro Tipo I alfa) = P(rejeitar H0 dado que H0 é verdadeira), alcançado quando média amostral excede limites críticos. = P (dado que H0 é verdadeira) = alfa.

Graficamente: [imagem omitida]

Tomando alfa = 0,05 (nível de significância 5%), Z0,05 = 1,645 (da tabela Z ou distribuição normal).

XL = 180 + 1,645 × (75/√300) = 187,12

Como média amostral (190) > valor crítico (187,12), a hipótese nula é rejeitada. Conclusão: retorno médio mensal é de fato maior que $180, então investidor pode considerar investir.

Método 2: Usando Estatísticas de Teste Padronizadas

Também pode usar valor z padronizado.

Estatística de Teste, Z = (média amostral – média populacional) / (desvio-padrão / √n).

Então região de rejeição: [imagem omitida]

Z = (190 – 180) / (75 / √300) = 2,309

Nossa região de rejeição a 5% é Z > Z0,05 = 1,645.

Como Z = 2,309 > 1,645, a hipótese nula pode ser rejeitada com mesma conclusão.

Método 3: Cálculo do P-value

Objetivo: identificar P (média amostral ≥ 190, quando média = 180).

= P (Z ≥ (190 - 180) / (75 / √300)) = P (Z ≥ 2,309) = 0,0084 = 0,84%

Tabela para inferir cálculos de p-value conclui que há evidência confirmada de retornos médios mensais acima de 180:

p-valueInferência
menor que 1%Evidência confirmada apoiando hipótese alternativa
entre 1% e 5%Evidência forte apoiando hipótese alternativa
entre 5% e 10%Evidência fraca apoiando hipótese alternativa
maior que 10%Nenhuma evidência apoiando hipótese alternativa

Exemplo 2

Nova corretora (XYZ) alega taxas menores que sua atual (ABC). Pesquisa independente indica que média e desvio-padrão de todos clientes ABC são $18 e $6.

Amostra de 100 clientes ABC é tomada e custos calculados com novas taxas XYZ. Se média amostral é $18,75 e desvio-padrão igual ($6), pode-se inferir diferença na conta média de corretagem entre ABC e XYZ?

H0: Hipótese Nula: média = 18
H1: Hipótese Alternativa: média ≠ 18 (o que queremos provar)

Região de rejeição: Z ≤ -Z2,5 e Z ≥ Z2,5 (assumindo 5% de significância, dividido 2,5% cada lado).

Z = (média amostral – média) / (desvio-padrão / √n) = (18,75 – 18) / (6/√100) = 1,25

Z calculado fica entre os dois limites: -Z2,5 = -1,96 e Z2,5 = 1,96.

Conclui-se que há evidência insuficiente para inferir diferença entre taxas da corretora atual e nova.

Alternativamente, p-value = P(Z < -1,25) + P(Z > 1,25) = 2 × 0,1056 = 0,2112 = 21,12% > 0,05 ou 5%, mesma conclusão.

Graficamente: [imagem omitida]

Pontos de Crítica ao Método de Teste de Hipótese

  • Método estatístico baseado em suposições
  • Sujeito a erros (alfa e beta)
  • Interpretação do p-value pode ser ambígua, levando a resultados confusos

Conclusão

Teste de hipótese permite modelo matemático validar alegação ou ideia com certo nível de confiança. Porém, como a maioria das ferramentas e modelos estatísticos, tem limitações. Uso para decisões financeiras deve ser crítico, considerando todas dependências. Métodos alternativos como Inferência Bayesiana também valem exploração para análises similares.