Tese de Doutorado

Financial time series forecasting plays a central role in portfolio management, asset allocation, and quantitative trading, yet remains challenging due to noisy signals, nonstationary dynamics, and frequent structural changes in financial markets. As a result, models that perform well in-sample often fail to generalize out-of-sample when market conditions change, making robustness a central requirement. We adopt two complementary perspectives on robustness. First, following Fontana and Wagner, robustness is defined as a system's ability to maintain its function despite changes in its internal structure or external environment. Second, following Kouvelis and Yu, robustness is defined as achieving the best possible performance under worst-case conditions, typically formalized through min-max decision problems. In this dissertation, we study the role of inductive biases in enhancing robustness in financial time-series forecasting systems, both implicitly through model design and explicitly as an optimization objective. The contributions of this dissertation are organized around three classes of inductive biases. The first class of inductive bias introduces auxiliary information into prediction models, such as macroeconomic conditions or latent regimes, guiding learning toward economically meaningful representations. In this class, we study whether incorporating auxiliary information and using multitask learning improve portfolio allocation and forecasting. In the first paper in the first class, we propose a model that integrates latent macroeconomic regimes into portfolio allocation and show that regime probabilities can serve as informative priors, improving tactical asset allocation performance over a 20-year sample of exchange-traded funds. In the second paper in the first class, we introduce Macro Attention Networks (MANET), a deep learning architecture that integrates auxiliary time series, potentially at lower frequencies, via a hierarchical cross-attention mechanism. We show that conditioning predictions on macroeconomic context improves both robustness and predictive performance. The second class of inductive biases consists of concepts inspired by causal principles, in which models prioritize predictors whose relationships with asset returns remain stable across environments. Thus, in the third paper, we compare causality-inspired feature selection methods with conventional predictive approaches and show that they achieve similar predictive accuracy while relying on more stable predictors and reducing forecast errors during periods of market instability. Finally, the third class of inductive biases consists of decision-theoretic implicit priors, in which robustness is embedded directly into the optimization procedure. Therefore, in the fourth paper, we propose a nonparametric bootstrap framework for portfolio and trading strategy optimization, which constructs confidence intervals around utility functions and selects decisions using percentile-based criteria. We establish asymptotic consistency and show empirically that bootstrap-based decision rules improve the stability and out-of-sample performance of optimized strategies.

A previsão de séries temporais financeiras desempenha um papel central na gestão de portfólios, na alocação de ativos e na negociação quantitativa, mas permanece desafiadora devido a sinais ruidosos, dinâmicas não estacionárias e frequentes mudanças estruturais nos mercados financeiros. Como resultado, modelos que apresentam bom desempenho na amostra frequentemente falham em generalizar para fora dela quando as condições de mercado mudam, tornando a robustez um requisito central. Adotamos duas perspectivas complementares sobre robustez. Primeiro, seguindo Fontana e Wagner, a robustez é definida como a capacidade de um sistema de manter sua função apesar de mudanças em sua estrutura interna ou em seu ambiente externo. Segundo Kouvelis e Yu, a robustez é definida como a obtenção do melhor desempenho possível sob condições de pior caso, tipicamente formalizada por meio de problemas de decisão do tipo min-max.Nesta tese, estudamos o papel dos vieses indutivos no aumento da robustez em sistemas de previsão de séries temporais financeiras, tanto implicitamente, por meio do design do modelo, quanto explicitamente, como objetivo de otimização. As contribuições desta tese estão organizadas em três classes de vieses indutivos. A primeira classe de viés indutivo introduz informações auxiliares nos modelos de previsão, como condições macroeconômicas ou regimes latentes, orientando o aprendizado rumo a representações economicamente significativas. Nesta classe, estudamos se a incorporação de informações auxiliares e o uso de aprendizado multitarefa melhoram a alocação de portfólio e a previsão. No primeiro artigo da primeira classe, propomos um modelo que integra regimes macroeconômicos latentes à alocação de portfólio e mostramos que as probabilidades de regime podem ser usadas como priors informativos, melhorando o desempenho da alocação tática de ativos ao longo de uma amostra de 20 anos de fundos de índice (ETFs). No segundo artigo da primeira classe, introduzimos as Macro Attention Networks (MANET), uma arquitetura de aprendizado profundo que integra séries temporais auxiliares, possivelmente em frequências mais baixas, por meio de um mecanismo de atenção cruzada hierárquica. Mostramos que condicionar as previsões ao contexto macroeconômico melhora tanto a robustez quanto o desempenho preditivo.A segunda classe de vieses indutivos consiste em conceitos inspirados em princípios de causalidade, nos quais os modelos priorizam preditores cujas relações com os retornos dos ativos permanecem estáveis em diferentes ambientes. Assim, no terceiro artigo dentro desta classe, comparamos métodos de seleção de variáveis inspirados em causalidade com abordagens preditivas convencionais e mostramos que eles alcançam precisão preditiva semelhante, ao mesmo tempo em que dependem de preditores mais estáveis e reduzem os erros de previsão durante períodos de instabilidade do mercado. Finalmente, a terceira classe de vieses indutivos consiste em priors implícitos da teoria da decisão, nos quais a robustez é incorporada diretamente no procedimento de otimização. Portanto, no quarto artigo, propomos um arcabouço de bootstrap não paramétrico para a otimização de portfólios e de estratégias de negociação, que constrói intervalos de confiança em torno de funções de utilidade e seleciona decisões com base em percentis. Estabelecemos consistência assintótica e mostramos empiricamente que regras de decisão baseadas em bootstrap melhoram a estabilidade e o desempenho fora da amostra de estratégias otimizadas.