hipótese dos mercados eficientes o que é

A hipótese dos mercados eficientes afirma que o preço de um título já incorpora as informações disponíveis sobre ele, restando qualquer padrão pequeno e efêmero demais para ser negociado com lucro após os custos. Eugene Fama organizou a ideia em três formas em um artigo de revisão de 1970: fraca, semiforte e forte. Cada forma nomeia um conjunto diferente de informações que já estão no preço, e cada uma descarta uma maneira diferente de ganhar dinheiro. Esta página declara o que as três formas proíbem e, em seguida, mede a mais fraca delas contra cinco anos de preços diários de nomes conhecidos.

Quais são as três formas de eficiência de mercado?

As formas estão aninhadas umas nas outras. Tudo o que a forma fraca afirma, a forma semiforte também afirma, e mais ainda.

• Forma fraca: preços passados e volume passado já estão no preço. Formatos de gráfico, regras de tendência e filtros de momentum construídos apenas com base no histórico de preços não carregam vantagem confiável sob esta versão.
• Forma semiforte: toda informação pública já está no preço, incluindo arquivamentos, guidance, notas de analistas e comunicados econômicos. Ler um documento público após sua publicação não traz vantagem sob esta versão, pois o preço se ajustou enquanto todos os outros liam o mesmo documento.
• Forma forte: toda informação está no preço, incluindo material privado. Quase ninguém defende esta versão. A lei de insider trading existe na premissa de que informações não públicas valem dinheiro real.

A hipótese é uma afirmação sobre confiabilidade, não sobre perfeição. Ninguém afirma que os preços estão sempre certos. A alegação é que os erros são difíceis de identificar antecipadamente e difíceis de colher depois que os custos de negociação são descontados.

Forma fraca: o movimento de ontem prevê o de hoje?

O teste mais limpo da forma fraca é a correlação entre o retorno de um dia e o do dia seguinte. Um valor fortemente positivo marcaria tendências que persistem. Um valor fortemente negativo marcaria reversões confiáveis. Qualquer um dos dois seria negociável. O painel abaixo mede a autocorrelação de defasagem um dos retornos diários para doze nomes conhecidos ao longo dos cinco anos de julho de 2021 a junho de 2026.

WITH daily AS (
    SELECT ticker,
           toDate(toTimeZone(window_start, 'America/New_York')) AS dt,
           argMax(toFloat64(close), window_start) AS close_px
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker IN ('SPY','AAPL','MSFT','KO','JNJ','XOM','JPM','WMT','NVDA','TSLA','PG','HD')
      AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2021-07-01')
      AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2026-06-30')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY ticker, dt
),
returns AS (
    SELECT ticker, dt,
           close_px / lagInFrame(close_px) OVER (PARTITION BY ticker ORDER BY dt) - 1 AS ret
    FROM daily
),
paired AS (
    SELECT ticker, ret,
           lagInFrame(ret) OVER (PARTITION BY ticker ORDER BY dt) AS prev_ret
    FROM returns
    WHERE ret IS NOT NULL AND ret > -0.5 AND ret < 0.5
)
SELECT ticker,
       count() AS trading_days,
       round(corr(ret, prev_ret), 3) AS lag1_autocorrelation,
       round(abs(corr(ret, prev_ret)), 3) AS abs_autocorrelation
FROM paired
WHERE prev_ret IS NOT NULL
GROUP BY ticker
ORDER BY abs_autocorrelation DESC

A maior leitura em termos absolutos pertence a WMT em 0.057, e a menor pertence a KO em -0.005. Cada nome no conjunto fica a alguns centésimos de zero em aproximadamente 1252 dias de negociação cada. Uma correlação desse tamanho explica bem menos de um por cento da variação no retorno do dia seguinte. Os sinais alternam entre os doze nomes sem nenhum padrão que sobreviva à inspeção, que é a forma fraca fazendo exatamente o que diz que fará.

O que acontece após um grande movimento de um dia?

Uma correlação é uma média sobre cada sessão, e uma média pode esconder o comportamento nas bordas. Classificar cada dia na mesma amostra pelo movimento do dia anterior e, em seguida, medir o que o dia seguinte fez, verifica se as sessões extremas se comportam de maneira diferente das comuns.

WITH daily AS (
    SELECT ticker,
           toDate(toTimeZone(window_start, 'America/New_York')) AS dt,
           argMax(toFloat64(close), window_start) AS close_px
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker IN ('SPY','AAPL','MSFT','KO','JNJ','XOM','JPM','WMT','NVDA','TSLA','PG','HD')
      AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2021-07-01')
      AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2026-06-30')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY ticker, dt
),
returns AS (
    SELECT ticker, dt,
           close_px / lagInFrame(close_px) OVER (PARTITION BY ticker ORDER BY dt) - 1 AS ret
    FROM daily
),
paired AS (
    SELECT ticker, ret * 100 AS ret_pct,
           lagInFrame(ret) OVER (PARTITION BY ticker ORDER BY dt) * 100 AS prev_pct
    FROM returns
    WHERE ret IS NOT NULL AND ret > -0.5 AND ret < 0.5
)
SELECT multiIf(prev_pct <= -3, '1. down 3% or more',
               prev_pct <= -1, '2. down 1 to 3%',
               prev_pct < 1,  '3. flat, within 1%',
               prev_pct < 3,  '4. up 1 to 3%',
               '5. up 3% or more') AS prior_day_move,
       count() AS observations,
       round(median(ret_pct), 3) AS next_day_median_pct,
       round(100 * countIf(ret_pct > 0) / count(), 1) AS next_day_up_share_pct
FROM paired
WHERE prev_pct IS NOT NULL
GROUP BY prior_day_move
ORDER BY prior_day_move

O balde inferior, sessões que vieram após um movimento de 1. down 3% or more, foi seguido por um dia de alta 52.9% das vezes em 664 observações. O balde superior, após um movimento de 5. up 3% or more, foi seguido por um dia de alta 53.9% das vezes. O balde médio comum, 3. flat, within 1%, ficou em 53.1%. Todos os cinco baldes ficam a alguns pontos de um cara ou coroa, e o retorno mediano do dia seguinte em cada balde é uma fração de um por cento: 0.175% após as quedas mais acentuadas, 0.186% após os avanços mais acentuados.

Uma regra que comprasse após uma queda de 3% e uma regra que comprasse após um salto de 3% teriam encontrado quase a mesma distribuição de dias seguintes. A lacuna entre os baldes é menor que um spread bid-ask típico mais comissão em uma ordem de tamanho de varejo, que é a forma prática que a forma fraca assume: o padrão tem que ser maior que o custo de negociá-lo antes de ser uma vantagem.

Forma semiforte: o que mostra o histórico de seleção

A evidência mais citada para a forma semiforte não é uma correlação. É a constatação de longa data de que a maioria das carteiras ativas fica atrás de um índice simples em janelas de vários anos. Uma versão simples dessa aritmética está dentro de uma cesta de grandes empresas dos EUA com ampla cobertura, medidas ano a ano contra o tracker do S&P 500.

WITH daily AS (
    SELECT ticker,
           toDate(toTimeZone(window_start, 'America/New_York')) AS dt,
           argMax(toFloat64(close), window_start) AS close_px
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker IN ('SPY','AAPL','MSFT','NVDA','AMZN','GOOGL','META','TSLA','JPM','XOM','JNJ','WMT','PG','KO','PEP','HD','MRK','LLY','COST','CVX','ORCL','CSCO','INTC','VZ','MCD','NKE','DIS','CAT','HON','TXN','AMD','NFLX','MO','LMT','UNH')
      AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2021-01-01')
      AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2025-12-31')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY ticker, dt
),
per_year AS (
    SELECT ticker, toYear(dt) AS yr,
           argMin(close_px, dt) AS first_px,
           argMax(close_px, dt) AS last_px
    FROM daily
    GROUP BY ticker, yr
),
perf AS (
    SELECT yr, ticker, (last_px / first_px - 1) * 100 AS ret_pct FROM per_year
),
bench AS (
    SELECT yr, ret_pct AS index_pct FROM perf WHERE ticker = 'SPY'
)
SELECT toString(perf.yr) AS year,
       round(any(bench.index_pct), 1) AS index_return_pct,
       round(median(perf.ret_pct), 1) AS median_stock_return_pct,
       countIf(perf.ticker != 'SPY') AS stocks_measured,
       round(100 * countIf(perf.ticker != 'SPY' AND perf.ret_pct > bench.index_pct)
             / countIf(perf.ticker != 'SPY'), 1) AS pct_beating_index
FROM perf
INNER JOIN bench ON perf.yr = bench.yr
GROUP BY perf.yr
ORDER BY perf.yr

Ao longo dos 5 anos-calendário medidos, menos da metade dos 34 nomes superou o índice em quatro deles. A participação variou de 32.4% em 2024 até 58.8% em 2022, o único ano negativo na janela, quando o índice retornou -20% contra um nome mediano em -13.3%. Em 2024 o índice retornou 24% enquanto o nome mediano na cesta retornou 12.7%.

Nada disso prova a forma semiforte. Uma cesta de large caps não é o mercado inteiro, um tracker não é todo benchmark, e cinco anos é uma amostra curta. O que mostra é a aritmética que torna a hipótese difícil de descartar. Um índice é uma média ponderada de seus próprios membros, o que torna superá-lo um resultado de minoria por construção, e os custos de pesquisa e negociação da tentativa saem da parcela da minoria. Uma visão relacionada de quão desiguais são esses retornos dos membros aparece no spread ano a ano entre a coluna do índice e a coluna mediana acima.

O paradoxo no centro

Sanford Grossman e Joseph Stiglitz publicaram a objeção mais contundente em 1980, e é uma objeção que vale a pena declarar honestamente. Informação é cara de obter. Se os preços já contivessem toda ela, ninguém pagaria para obter nenhuma, e essa obtenção é o próprio mecanismo que coloca informações nos preços. Um mercado perfeitamente eficiente não pode estar em equilíbrio. O que pode existir é um mercado eficiente o suficiente para que o lucro da pesquisa cubra aproximadamente o que a pesquisa custa.

Essa versão mais fraca é com a qual a maioria dos profissionais trabalha, e se ajusta melhor aos dados acima do que a versão absoluta. Ela descreve um mercado onde as vantagens existem, permanecem pequenas e são eliminadas pela concorrência na velocidade do dinheiro que as persegue.

Anomalias documentadas coexistem com a hipótese, em vez de destruí-la. A anomalia da baixa volatilidade está entre as mais bem medidas: ações mais calmas historicamente acompanharam as mais selvagens com uma fração do risco, um padrão que o modelo padrão de risco e retorno não acomoda. Momentum, valor e efeitos de small caps têm históricos semelhantes. Cada um é medido ao longo de décadas, cada um tem longos períodos em que desaparece, e vários se estreitam após a publicação.

O que a hipótese significa para um leitor

A leitura prática é estreita, e não é uma previsão sobre qualquer mercado. Sob qualquer versão da hipótese, os insumos que um investidor realmente controla são custos, impostos, diversificação e comportamento, e nenhum desses quatro exige prever nada. Uma taxa compõe contra uma carteira na mesma aritmética que um retorno compõe a favor dela.

Dois hábitos se encaixam nesse enquadramento sem pedir a ninguém para prever. O dólar-cost averaging é uma regra de agendamento, não uma previsão, o que é parte do motivo pelo qual sobrevive em um mercado onde a previsão é difícil. E o temperamento por trás de comprar quando os outros estão com medo é uma regra sobre a própria conduta do investidor, não uma afirmação sobre para onde os preços irão.

A hipótese também fornece um padrão para julgar alegações de estratégia. Qualquer padrão que pareça lucrativo no papel tem que superar custos de negociação, impostos e a sobrevivência embutida no backtest antes de contar como uma vantagem. A maioria não supera essa barreira. Os que superam tendem a ser pequenos, e tendem a encolher à medida que mais capital chega.

FAQ

Quais são as três formas da hipótese de mercados eficientes?

A forma fraca sustenta que preços e volume passados já estão no preço, o que descarta vantagens apenas do histórico de gráficos. A forma semiforte sustenta que toda informação pública já está no preço. A forma forte sustenta que a informação privada também está no preço, e é a versão que quase ninguém defende.

A hipótese de mercados eficientes significa que os preços das ações estão sempre certos?

Não. Ela afirma que erros de precificação são difíceis de identificar antecipadamente e difíceis de capturar após os custos, não que eles nunca ocorram. Bolhas e crashes são compatíveis com a hipótese, desde que um investidor não pudesse tê-los explorado de forma confiável na época.

Quem criou a hipótese de mercados eficientes?

Eugene Fama estabeleceu a estrutura das três formas em um artigo de revisão de 1970 e compartilhou o Prêmio Nobel de Ciências Econômicas de 2013. As raízes matemáticas remontam ao trabalho de Louis Bachelier em 1900 sobre a aleatoriedade dos preços e ao artigo de Paul Samuelson de 1965 sobre preços adequadamente antecipados.

Qual é a crítica mais forte à hipótese de mercados eficientes?

O paradoxo Grossman-Stiglitz de 1980: se os preços já contivessem toda informação, ninguém seria pago para coletar informações, e a coleta é o que coloca informações nos preços. A pesquisa comportamental adiciona uma segunda linha de crítica sobre erros documentados e persistentes dos investidores.

Alguém pode superar o mercado?

Alguns investidores e fundos têm registros longos acima de seus benchmarks. A hipótese não proíbe esse resultado; ela argumenta que separar habilidade de sorte requer muito mais dados do que a maioria dos track records contém, e que o dólar médio na gestão ativa ainda fica atrás após as taxas.

Cada painel acima é uma consulta armazenada com seu SQL anexado. Abra um para verificar a aritmética ou execute o mesmo teste de autocorrelação nos nomes que você acompanha no terminal Strasmore.